Rychlý úvod k AI Runtime

Databricks doporučuje začít s Databricks CLI pro spuštění vašeho prvního AI Runtime workloadu. Databricks CLI vám umožňuje odesílat, monitorovat a spravovat serverless GPU workloady přímo z vašeho terminálu. Pokud preferujete notebooky, podívejte se na rychlý start AI Runtime Notebooku.

Requirements

  • Pracovní prostor Azure Databricks s povoleným AI Runtime. Viz Požadavky.
  • Git je nainstalovaný a dostupný ve vašem PATH, abyste mohli spustit ukázku v Pythonu. CLI používá Git k balení lokálního kódu.

Spusťte svou první úlohu

  1. Nainstalujte nebo aktualizujte Databricks CLI a ověřte ho ke svému pracovnímu prostoru. Viz Instalace nebo aktualizace rozhraní příkazového řádku Databricks a ověřování pro Rozhraní příkazového řádku Databricks.

    Tip

    Pokud pracujete s více profily Azure Databricks, přidejte -p <profile> k příkazům, abyste vybrali jeden. Případně nastavte DATABRICKS_CONFIG_PROFILE=<profile> před jejich spuštěním.

    Potvrďte, že příkazy air jsou dostupné:

    databricks air --help

  2. Vytvořte soubor minimální pracovní zátěže. Následující workload.yaml požaduje jednu GPU A10 a spustí nvidia-smi se pro vytištění názvu GPU:

    experiment_name: air-quickstart
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xA10
command: nvidia-smi --query-gpu=name --format=csv,noheader

  3. Odešlete pracovní zátěž a streamujte její logy pomocí databricks air run:

    databricks air run --file workload.yaml --watch

    CLI vrací ID spuštění úlohy a odkaz na spuštění ve vašem pracovním prostoru. --watch Udržuje terminál připojený a streamuje logy, dokud úloha neskončí.

    Submitting experiment: air-quickstart
Submitted workload with Job Run ID: 783940125630184
View job run at: https://example.cloud.databricks.com/jobs/runs/783940125630184?o=1234567890123456

Monitoring run and streaming logs...
...
Environment setup completed at Thu Oct 1 14:23:45 UTC 2026
NVIDIA A10

Tip

Pro pomoc s psaním konfigurace zátěže a správou běhů si nainstalujte databricks-ai-runtime dovednost pro svého AI agenta. Vizte Používejte dovednosti agenta s AI Runtime.

Spusťte svůj vlastní kód v Pythonu

Pro nahrání a spuštění lokálního Python kódu vytvořte air-quickstart adresář s následujícími soubory:

air-quickstart/
├── workload.yaml
└── main.py

Tip

Chcete-li začít s projektem, který lze spustit, místo ručního vytváření těchto souborů, klonujte repozitář AI Runtime cookbook a přejděte do adresáře CLI getting-started:

git clone https://github.com/databricks-solutions/ai-runtime-cookbook.git
cd ai-runtime-cookbook/getting-started/air-cli

Použijte následující minimální Python kód k ověření, že AI Runtime spouští nahraný kód na GPU:

import torch

print("Hello from Python on AI Runtime")
print(f"GPU: {torch.cuda.get_device_name(0)}")

Pro rozšíření tohoto příkladu můžete nahradit main.py vlastním tréninkem, dávkovým inferencem nebo jinou AI aplikací.

Použijte následující konfiguraci pro workload.yaml:

experiment_name: python-quickstart
environment:
  version: 6
  dependencies:
    - torch==2.11.0
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xH100
code_source:
  root_path: .
command: python "$CODE_SOURCE_PATH/main.py"

Tato konfigurace používá následující nastavení a spouští main.py na jednom GPU H100:

  • environment.version vybírá standardní prostředí verze 6.
  • environment.dependencies nainstaluje PyTorch 2.11.0 do vybraného prostředí.
  • root_path: . nahraje adresář obsahující workload.yaml. Za běhu ukazuje $CODE_SOURCE_PATH na nahráný adresář.

Odešlete úlohu z adresáře, který obsahuje workload.yaml:

databricks air run --file workload.yaml --watch

Streamované záznamy zahrnují:

...
Hello from Python on AI Runtime
GPU: NVIDIA H100 80GB HBM3

Pro spuštění kompletního tréninku, doladění, dávkové inference a úloh Ray klonujte AI Runtime Cookbook a spusťte recept.

Pro konfiguraci prostředí, zdrojů kódu, výpočetních prostředků a dalších nastavení pracovní zátěže viz referenční příručku k Workload YAML.

Kontrolujte a sledujte průběh

CLI při odeslání pracovní zátěže vytiskne Job Run ID. Použijte ho k prohlídce běhu:

databricks air get <job-run-id>

databricks air get ukazuje stav běhu, konfiguraci a časování. Také se odkazuje na běh úlohy a, pokud je k dispozici, na běh MLflow.

Pro streamování logů po odeslání nebo obnovení přerušeného streamu spusťte:

databricks air logs <job-run-id>

CLI také poskytuje příkazy pro výpis a kontrolu běhů, streamování protokolů a zrušit aktivní běhy. Viz air referenci příkazů.

Reference

Dodatečné zdroje

  • Poslední aktualizace v