Guida introduttiva rapida a Databricks CLI per Databricks AI Runtime

Importante

Questa funzionalità è in Anteprima Pubblica.

Usa la CLI Databricks per inviare e monitorare i carichi di lavoro GPU su AI Runtime. Inizia con un controllo GPU minimo, poi esegui il tuo codice Python e ispeziona l'esecuzione.

Requirements

Conferma che i air comandi siano disponibili nella Databricks CLI:

databricks air --help

Tip

Per ottenere aiuto nello scrivere la configurazione del workload e gestire le esecuzioni, installa l'abilità databricks-ai-runtime per il tuo agente AI. Vedi Utilizzare un agente IA.

Eseguire un carico di lavoro minimo

Crea un workload.yaml file che richieda una GPU A10 ed esegua nvidia-smi per stampare il nome della GPU:

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

Invia il workload e trasmetti i suoi log con databricks air run:

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

La CLI restituisce l'ID esecuzione del job e un link all'esecuzione nel tuo workspace. --watch Tiene il terminale collegato e trasmette i log in streaming fino al termine del workload.

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

Esegui il tuo codice Python

Per caricare ed eseguire codice Python locale, crea una air-quickstart directory con i seguenti file:

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

Usa il seguente codice Python minimale per verificare che AI Runtime esegue il codice caricato sulla GPU:

import torch

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

Per estendere questo esempio, puoi sostituire main.py con il tuo addestramento, batch per inferenza o un'altra applicazione di IA.

Usa la seguente configurazione per workload.yaml:

experiment_name: python-quickstart
environment:
  version: databricks_ai_v6
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xH100
code_source:
  type: snapshot
  snapshot:
    root_path: .
command: python "$CODE_SOURCE_PATH/main.py"

Questa configurazione utilizza le seguenti impostazioni:

  • environment.version seleziona l'ambiente AI Databricks integrato versione 6, che include PyTorch.
  • root_path: . carica la directory contenente workload.yaml. Durante l'esecuzione, $CODE_SOURCE_PATH punta alla directory caricata.

AI Runtime gira main.py su una GPU H100.

Dalla directory air-quickstart, invia il workload:

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

I log trasmessi in streaming includono:

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

Per configurare ambienti, sorgenti di codice, calcolo e altre impostazioni di carico di lavoro, vedi Workload YAML reference.

Ispeziona un'esecuzione

Usa l'ID Esecuzione del Lavoro dall'output di invio per ispezionare l'esecuzione:

databricks air get <job-run-id>

databricks air get Mostra lo stato della run, la configurazione e i tempi. Si collega anche all'esecuzione del Job e, quando disponibile, all'esecuzione di MLflow.

Per seguire i log in streaming dopo l'invio del job o riprendere un flusso interrotto, esegui:

databricks air logs <job-run-id>

La CLI fornisce comandi aggiuntivi per elencare, ispezionare, cancellare e recuperare i log dai workload. Vedi il air riferimento al comando.

Reference

Risorse aggiuntive

  • Ultimo aggiornamento: