Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Databricks empfiehlt, mit der Databricks CLI zu beginnen, um deine erste AI Runtime-Workload auszuführen. Die Databricks-CLI ermöglicht es Ihnen, serverlose GPU-Workloads von Ihrem Terminal einzureichen, zu überwachen und zu verwalten. Wenn du Notebooks bevorzugst, sieh dir AI Runtime Notebook Quickstart an.
Requirements
- Ein Azure Databricks-Arbeitsbereich mit aktivierter AI Runtime. Siehe Anforderungen.
- Databricks CLI Version 1.24.0 oder höher. Frühere Versionen enthalten nicht die Befehle
databricks air, das Formatcode_sourceoder die Liste der Beschleunigertypen, die in diesem Quickstart verwendet werden. - Git ist auf Ihrem
PATHinstalliert und verfügbar, um das Python-Beispiel auszuführen. Die CLI verwendet Git, um lokalen Code zu paketieren.
Führen Sie Ihre erste Workload aus.
Installieren oder aktualisieren Sie die Databricks CLI und authentifizieren Sie sie für Ihren Workspace. Siehe Installieren oder Aktualisieren der Databricks CLI und Authentifizierung für Databricks CLI.
Tip
Um einen Arbeitsbereich für den Walkthrough auszuwählen, ohne
--profilezu wiederholen, listen Sie Ihre Profile auf und setzen Sie eine Standardeinstellung:databricks auth profiles databricks auth switch --profile <profile> databricks auth describeÜberprüfe, ob
Hostin der Ausgabe der Arbeitsbereich ist, in dem du die Arbeitslast ausführen möchtest. Für eine Shell-Session-Standardeinstellung verwenden Sie stattdessenexport DATABRICKS_CONFIG_PROFILE=<profile>. Diese Umgebungsvariable hat Vorrang gegenüber dem vonauth switchfestgelegten Standard.Um einen der beiden Standardwerte für einen Befehl zu überschreiben, füge
--profile <other-profile>an. Verwenden Sie dasselbe Profil für Einreichung, Status und Protokolle: Job-Run-IDs gehören zum Arbeitsbereich, in dem Sie die Arbeitslast eingereicht haben. Siehe Konfigurationsprofile für die Databricks-CLI.Bestätigen Sie, dass die CLI-Version 1.24.0 oder höher ist und dass die Befehle
airverfügbar sind:databricks --version databricks air --helpWenn
databricks air --helpunknown command "air" for "databricks"zurückgibt, ist Ihre CLI-Version zu alt. Aktualisieren Sie die CLI und versuchen Sie es erneut.Erstellen Sie eine minimale Workload-Datei. Folgendes
workload.yamlfordert eine A10-GPU an und läuftnvidia-smi, um den GPU-Namen auszudrucken:experiment_name: air-quickstart compute: num_accelerators: 1 accelerator_type: GPU_1xA10 command: nvidia-smi --query-gpu=name --format=csv,noheaderaccelerator_typeWerte haben die FormGPU_<GPUs per node>x<GPU model>, wieGPU_1xA10,GPU_1xH100, , oderGPU_8xH100. Für alle Werte siehe Beschleunigertypen. Um die in Ihrem Arbeitsbereich verfügbaren Beschleunigertypen aufzulisten, führendatabricks air run -h config.compute.accelerator_typeSie .Reichen Sie den Workload ein und streamen Sie die Logs mit
databricks air run:databricks air run --file workload.yaml --watchDie CLI gibt die Job Run ID und einen Link zum Run in Ihrem Arbeitsbereich zurück.
--watchlässt das Terminal verbunden und streamt Logs, bis der Workload abgeschlossen ist.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
Um Hilfe beim Schreiben deiner Arbeitslastkonfiguration und der Verwaltung von Runs zu bekommen, installiere den databricks-ai-runtime Skill für deinen KI-Agenten. Siehe Agent-Funktionen mit AI Runtime verwenden.
Führe deinen eigenen Python-Code aus
Um lokalen Python-Code hochzuladen und auszuführen, erstellen Sie ein air-quickstart Verzeichnis mit den folgenden Dateien:
air-quickstart/
├── workload.yaml
└── src/
└── main.py
Tip
Um von einem lauffähigen Projekt zu starten, anstatt diese Dateien manuell zu erstellen, klonen Sie das AI Runtime cookbook repository und wechseln Sie in das CLI-Verzeichnis getting-started:
git clone https://github.com/databricks-solutions/ai-runtime-cookbook.git
cd ai-runtime-cookbook/getting-started/air-cli
Das Kochbuchprojekt bleibt main.py im gleichen Verzeichnis wie workload.yaml und verwendet root_path: ., daher unterscheidet sich sein Layout von dem hier gezeigten.
Verwenden Sie den folgenden minimalen Python-Code, um zu überprüfen, dass AI Runtime den hochgeladenen Code auf der GPU ausführt:
import torch
print("Hello from Python on AI Runtime")
print(f"GPU: {torch.cuda.get_device_name(0)}")
Um dieses Beispiel zu erweitern, können Sie src/main.py durch Ihr eigenes Training, Batch-Inferenz oder eine andere KI-Anwendung ersetzen.
Verwenden Sie folgende Konfiguration für workload.yaml:
experiment_name: python-quickstart
environment:
version: databricks_ai_v6
compute:
num_accelerators: 1
accelerator_type: GPU_1xA10
code_source:
root_path: ./src
command: python "$CODE_SOURCE_PATH/main.py"
Diese Konfiguration verwendet folgende Einstellungen und führt src/main.py auf einer A10-GPU aus:
-
environment.versionwählt die Databricks-KI-Umgebung Version 6 aus, die PyTorch enthält. Dieser Schlüssel ist optional. Wenn du sie weglässt, verwendet die CLI ihre Standardumgebung, eine Standardumgebung , die PyTorch nicht enthält. Um die Standardversion zu sehen, führedatabricks air run -h config.environment.version. -
root_path: ./srclädt dassrcVerzeichnis im selben Verzeichnis wieworkload.yamlhoch. Zur Laufzeit verweist$CODE_SOURCE_PATHauf das hochgeladene Verzeichnis.
Beim Standardspeicherort für die Ausgabe benötigt databricks air convert-to-dabs den Code in einem Unterverzeichnis, wie in dieser Struktur, wenn Sie die Workload in ein Bundle konvertieren.
Note
Die CLI lädt keine Dateien hoch, die Git ignoriert, einschließlich Dateien, die von einem umschließenden Repository ignoriert werden. Wenn die Workload main.py nicht finden kann, führen Sie git check-ignore -v src aus, um zu prüfen, ob das Verzeichnis src ignoriert wird. Siehe code_source in der Workload-YAML-Referenz.
In deinen eigenen Workloads solltest du environment.version setzen, um die vorinstallierten Pakete zu pinnen, von denen dein Code abhängt. Für die Werte, die dieser Schlüssel akzeptiert, siehe environment. Für die Pakete in jeder Umgebung siehe Einrichten Ihrer KI-Laufzeitumgebung.
Um Ihren eigenen Dependency-Stack zu verwenden, ersetzen Sie den environment Block durch Standardumgebungsversion 6 und explizite Abhängigkeiten:
environment:
version: 6
dependencies:
- torch==2.11.0
CLI-Workloads installieren diese Abhängigkeiten bei jedem Durchlauf. Diese Option verlängert die Downloadzeit für PyTorch und das CUDA-Wheel.
Übermitteln Sie den Workload aus dem Verzeichnis, das workload.yaml enthält:
databricks air run --file workload.yaml --watch
Die gestreamten Protokolle umfassen:
...
Hello from Python on AI Runtime
GPU: NVIDIA A10G
Inspizieren und verwalten Sie Ihren Run
Jeder Durchlauf hat eine Job-Run-ID, die databricks air run ausgibt, wenn du die Arbeitslast übermittelst.
Für die Übermittlung im Hintergrund lassen Sie --watch weg:
databricks air run --file workload.yaml
Der Befehl kehrt nach der Übermittlung zurück, während der Workload weiterläuft. Verwenden Sie die zurückgegebene Job Run ID und dasselbe Arbeitsbereichsprofil für die folgenden Befehle.
Um den Status des Laufs, die Konfiguration und das Timing zu überprüfen, führen Sie aus:
databricks air get <job-run-id>
Die Ausgabe enthält einen Link zum Job-Run und, falls vorhanden, einen Link zum MLflow-Run.
Um die Laufprotokolle einzusehen, führen Sie aus:
databricks air logs <job-run-id>
databricks air logs druckt die vorhandene Arbeitslastausgabe und streamt weiter, solange der Lauf aktiv ist.
Verwenden Sie den Job Run-Link, um Ausführungsstatus, Rechenleistung, Versuche und Treiberausgabe zu überprüfen. Verwenden Sie den MLflow-Run-Link, um persistente Logs sowie alle vom Workload erfassten Parameter, Metriken und Artefakte anzuzeigen.
Für länger laufende Arbeitslasten verwenden Sie den Tab MLflow System-Metriken, um die automatisch gesammelte GPU-Auslastung und den Speicher zu überprüfen. Um benutzerdefinierte Metriken und Artefakte zu protokollieren oder Durchläufe zu vergleichen, lesen Sie Experiment-Tracking und Observabilität.
Um Läufe aufzulisten, einschließlich abgeschlossener Läufe, führen Sie folgenden Befehl aus:
databricks air list --all-status
Um einen aktiven Lauf abzubrechen, führe aus:
databricks air cancel <job-run-id>
Wenn ein Run fehlschlägt, verwenden Sie dessen Status, Logs und verfügbare Job- oder MLflow-Links, um den aktionsfähigen Fehler zu identifizieren. Korrigiere den Workload oder die Konfiguration und reiche ihn dann erneut ein.
Erkunden Sie weiterhin die Databricks-CLI
Dieser Quickstart verwendet eine minimale Workload-Konfiguration. Siehe Workload YAML Referenz, um Umgebungen, Codequellen, Rechenleistungen, Secrets, Retries und andere Einstellungen zu konfigurieren.
Wenn die Standardumgebung deine Abhängigkeitsanforderungen nicht erfüllt, verwende ein benutzerdefiniertes Docker-Image.
Um vollständiges Training, Feinabstimmung, Batch-Inferenz, verteiltes Training und Ray-Workloads zu erkunden, klonen Sie das AI Runtime Cookbook und führen Sie ein Rezept aus.