Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
AI Runtime is een volledig beheerd, serverless GPU-rekenaanbod bij Databricks voor je training, fine-tuning en bredere deep learning-workloads.
- Serverless GPU's: On-demand A10's en H100's, toegankelijk via de Databricks CLI, notebooks, jobs en Ray.
- Beheerde omgevingen: vooraf gebouwde omgevingen en dataloaders klaar voor training en fine-tuning, of neem je eigen Docker-container mee.
- Ingebouwde observabiliteit: experimentele tracking via MLflow, logging en debugging-agenten.
- Orkestratie: plan je GPU-workloads in en gebruik ze in CI/CD-pijplijnen.
Aan de slag
Leer over AI Runtime en start je eerste workload.
| Aan de slag | Beschrijving |
|---|---|
| 🚀 Quickstart | Voer je eerste workload uit op AI Runtime vanaf je terminal. |
| 🧭 Overzicht | Leer de belangrijkste aspecten van AI Runtime: welke GPU's beschikbaar zijn, hoe het werkt en wat de beperkingen zijn. |
| 💡 Voorbeelden | Blader door notebooktutorials en uitvoerbare Databricks CLI-recepten, georganiseerd per taak. |
Verbinden met GPU's
Krijg toegang tot GPU's via de Databricks CLI, notebooks, Jobs, of via Ray.
| Feature | Beschrijving |
|---|---|
| Databricks-CLI | Dien gedistribueerde GPU-trainingsopdrachten in en beheer ze vanaf je laptop met behulp van YAML-jobconfiguraties. |
| Notebooks | Koppel een notebook aan AI Runtime en ontwikkel interactief, zonder cluster-setup. |
| Banen | Plan een notebook in op AI Runtime als een terugkerende taak. |
| Straal | Draai Ray Core, Ray Data, Ray Train en Ray Tune op AI runtime. |
Workloads ontwikkelen
Laad data efficiënt, configureer je omgeving en ontwikkel workloads met codeeragenten.
| Feature | Beschrijving |
|---|---|
| Laad data in GPU's | Stroom data uit Unity Catalog-volumes met fouttolerante laadprogramma's die zijn ontworpen voor hoge GPU-benutting. |
| Vooraf gebouwde omgevingen | Begin met een minimale standaardomgeving of een Databricks AI-omgeving die vooraf is uitgerust met ML-frameworks. |
| Aangepaste Docker-images | Neem je eigen Docker-image mee wanneer je workload aangepaste systeembibliotheken of afhankelijkheden vereist. |
| Codeeragents | Gebruik Genie Code en de databricks-ai-runtime agent skill om GPU-workloads te creëren, in te dienen en te beheren. |
Monitoren, debuggen en uitrollen
Volg experimenten, inspecteer logs, diagnoseer storingen en plan productiewerklasten in.
| Feature | Beschrijving |
|---|---|
| MLflow voor debugging | Houd experimenten, metrics en runs bij met MLflow. |
| Logboeken weergeven | Bekijk trainingsoutput, monitor het GPU-resourcegebruik terwijl je code draait, en debug met Genie Code. |
| Werklasten plannen | Deploy trainingscode met Declarative Automation Bundles, plan runs en bouw multitask-workflows voor GPU's en CPU's. |
| Implementeer getrainde modellen | Implementeer modellen die getraind zijn op AI Runtime naar Model Serving. |
Guides
Ontdek migratiegidsen, tutorials en technische bronnen voor AI Runtime.
| Resource | Beschrijving |
|---|---|
| Waarom AI Runtime gebruiken | Vergelijk AI Runtime met klassieke compute en Databricks Runtime ML voor kosten, ontwikkelaarservaring en schaalbaarheid. |
| Migreren van klassieke GPU-workloads | Verplaats een bestaande deep learning-workload van een klassieke Azure Databricks-cluster naar AI Runtime. |
| Optimaliseer de prestaties van je workload | Verbeter de trainingsdoorvoer en maak langlopende banen veerkrachtiger tegen mislukkingen. |