Databricks CLI-snelstartgids voor AI Runtime

Important

Deze functie bevindt zich in openbare preview-versie.

De Databricks CLI voor AI Runtime stelt je in staat serverless GPU-workloads vanaf je terminal te verzenden, monitoren en beheren. Deze quickstart laat zien hoe je een AI Runtime-workload configureert en uitvoert, logs streamt en de run inspecteert.

Requirements

  • Een Azure Databricks werkruimte met AI Runtime ingeschakeld. Zie Vereisten.
  • De nieuwste Databricks CLI moet geïnstalleerd zijn en aangemeld bij je werkruimte. Zie De Databricks CLI en verificatie voor de Databricks CLI installeren of bijwerken.
  • Git is geïnstalleerd en beschikbaar op uw PATH om het Python-voorbeeld uit te voeren. De CLI gebruikt Git om lokale code te verpakken.

Bevestig dat de air commando's beschikbaar zijn in de Databricks CLI:

databricks air --help

Tip

Om hulp te krijgen bij het schrijven van je workloadconfiguratie en het beheren van runs, installeer dan de databricks-ai-runtime skill voor je AI-agent. Zie AI-agent gebruiken.

Voer een minimale belasting uit

Maak een workload.yaml bestand aan dat één A10 GPU aanvraagt en nvidia-smi uitvoert om de GPU-naam af te drukken:

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

Dien de workload in en stream de logs met databricks air run:

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

De CLI geeft de Job Run ID terug en een link naar de run in je werkruimte. --watch houdt de terminal verbonden en streamt logs totdat de werklast is afgerond.

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

Voer je eigen Python-code uit

Om lokale Python-code te uploaden en uit te voeren, maak je een air-quickstart map aan met de volgende bestanden:

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

Tip

Om te beginnen met een uitvoerbaar project, in plaats van deze bestanden handmatig te maken, kloon je de AI Runtime cookbook repository en ga je naar de CLI getting-started-directory:

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

Gebruik de volgende minimale Python-code om te verifiëren dat AI Runtime de geüploade code op de GPU uitvoert:

import torch

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

Om dit voorbeeld uit te breiden, kun je vervangen main.py door je eigen training, batch-inferentie of andere AI-toepassing.

Gebruik de volgende configuratie voor 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"

Deze configuratie gebruikt de volgende instellingen en draait main.py op één H100 GPU:

  • environment.version selecteert standaardomgeving versie 6.
  • environment.dependencies installeert PyTorch 2.11.0 in de geselecteerde omgeving.
  • root_path: . uploadt de map die workload.yaml bevat. Tijdens runtime $CODE_SOURCE_PATH wijst naar de geüploade map.

Dien de workload in vanuit de map die workload.yaml bevat:

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

De gestreamde logs omvatten:

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

Om volledige training, finetuning, batch-inferentie en Ray-workloads uit te voeren, kloon je het AI Runtime Cookbook en voer je een recept uit.

Om omgevingen, codebronnen, rekenkrachten en andere workload-instellingen te configureren, zie Workload YAML-referentie.

Inspecteer een run

De CLI drukt de Job Run ID af wanneer je de workload indient. Gebruik het om de run te inspecteren:

databricks air get <job-run-id>

databricks air get toont de runstatus, configuratie en timing. Het linkt ook naar de Job-run en, indien beschikbaar, naar de MLflow-run.

Om logs na verzending te streamen of een onderbroken stream te hervatten, voer uit:

databricks air logs <job-run-id>

De CLI biedt ook commando's om runs te vermelden en te inspecteren, logs te streamen en actieve runs te annuleren. Zie de air referentie voor opdrachten.

Reference

Aanvullende bronnen

  • Laatst bijgewerkt om