Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Databricks zaleca zacząć od Databricks CLI, aby uruchomić pierwszy workload AI Runtime. Interfejs CLI Databricks pozwala przesyłać, monitorować i zarządzać bezserwerowymi obciążeniami GPU z terminala. Jeśli wolisz notebooki, zobacz quickstart AI Runtime Notebook.
Requirements
- Obszar roboczy Azure Databricks z włączonym AI Runtime. Zobacz Wymagania.
- Databricks CLI w wersji 1.24.0 lub nowszej. Wcześniejsze wersje nie mają poleceń
databricks air, formatucode_sourceani listy typów akceleratorów, z których korzysta ten przewodnik szybkiego startu. - Miej zainstalowany i dostępny Git na swoim
PATHurządzeniu, aby uruchomić przykład w Pythonie. CLI używa Git do pakowania lokalnego kodu.
Uruchom swoje pierwsze obciążenie robocze
Zainstaluj lub zaktualizuj CLI Databricks i uwierzytelnij go w swojej przestrzeni roboczej. Zobacz Instalowanie lub aktualizowanie interfejsu wiersza polecenia usługi Databricks i uwierzytelnianie dla interfejsu wiersza polecenia usługi Databricks.
Wskazówka
Aby wybrać przestrzeń roboczą do samouczka bez powtarzania
--profile, wypisz profile i ustaw domyślny:databricks auth profiles databricks auth switch --profile <profile> databricks auth describeSprawdź, czy
Hostw danych wyjściowych to przestrzeń robocza, w której chcesz wykonać obciążenie. Dla domyślnej sesji powłoki użyjexport DATABRICKS_CONFIG_PROFILE=<profile>zamiast tego. Ta zmienna środowiskowa ma pierwszeństwo przed domyślnym zbiorem przezauth switch.Aby nadpisać jedno z tych dwóch ustawień domyślnych dla jednego polecenia, dodaj
--profile <other-profile>. Używaj tego samego profilu do przesyłania, sprawdzania stanu i logów: identyfikatory uruchomień zadań należą do przestrzeni roboczej, w której przesłałeś obciążenie. Zobacz temat Profile konfiguracyjne dla Databricks CLI.Potwierdź, że wersja CLI jest 1.24.0 lub nowsza oraz że polecenia
airsą dostępne:databricks --version databricks air --helpJeśli zwróci
databricks air --helpunknown command "air" for "databricks", wersja CLI jest już za stara. Zaktualizuj CLI i spróbuj ponownie.Stwórz plik minimalnego obciążenia roboczego. Poniższe żądanie
workload.yamlwymaga jednego GPU A10 i uruchamianvidia-smi, aby wyświetlić nazwę GPU:experiment_name: air-quickstart compute: num_accelerators: 1 accelerator_type: GPU_1xA10 command: nvidia-smi --query-gpu=name --format=csv,noheaderaccelerator_typewartości mają postaćGPU_<GPUs per node>x<GPU model>, takie jakGPU_1xA10,GPU_1xH100, lubGPU_8xH100. Wszystkie wartości znajdziesz w Typach akceleratorów. Aby wymienić typy akceleratorów dostępne w Twoim obszarze roboczym, uruchomdatabricks air run -h config.compute.accelerator_type.Prześlij obciążenie i streamuj jego logi za pomocą
databricks air run៖databricks air run --file workload.yaml --watchCLI zwraca identyfikator uruchomienia zadania oraz link do tego uruchomienia w twoim workspace.
--watchUtrzymuje terminal podłączony i przesyła logi do zakończenia zadania.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
Wskazówka
Aby uzyskać pomoc w pisaniu konfiguracji obciążenia i zarządzaniu uruchomieniami, zainstaluj umiejętność databricks-ai-runtime Skill dla swojego agenta AI. Zobacz Używaj umiejętności agenta z AI Runtime.
Uruchom własny kod Python
Aby przesłać i uruchomić lokalny kod Python, utwórz katalog air-quickstart z następującymi plikami:
air-quickstart/
├── workload.yaml
└── src/
└── main.py
Wskazówka
Aby zacząć od gotowego do uruchomienia projektu zamiast ręcznie tworzyć te pliki, sklonuj AI Runtime cookbook repository i przejdź do katalogu getting-started CLI:
git clone https://github.com/databricks-solutions/ai-runtime-cookbook.git
cd ai-runtime-cookbook/getting-started/air-cli
Projekt książki kucharskiej jest przechowywany main.py w tym samym katalogu co workload.yaml i używa root_path: ., więc jego układ różni się od pokazanego tutaj.
Użyj poniższego minimalnego kodu Python, aby zweryfikować, czy AI Runtime uruchamia przesłany kod na GPU:
import torch
print("Hello from Python on AI Runtime")
print(f"GPU: {torch.cuda.get_device_name(0)}")
Aby rozwinąć ten przykład, możesz zastąpić src/main.py własnym treningiem, wnioskowaniem wsadowym lub inną aplikacją AI.
Użyj następującej konfiguracji dla 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 "$CODE_SOURCE_PATH/main.py"
Ta konfiguracja wykorzystuje następujące ustawienia i uruchamia src/main.py na jednej karcie graficznej A10:
-
environment.versionwybiera środowisko AI Databricks w wersji 6, które obejmuje PyTorch. Ten klucz jest opcjonalny. Jeśli go pominiesz, CLI używa swojego domyślnego środowiska Standard, które nie zawiera PyTorch. Aby zobaczyć wersję domyślną, uruchomdatabricks air run -h config.environment.version. -
root_path: ./srcprzesyłasrckatalog z tego samego katalogu coworkload.yaml. W czasie działania wskazuje$CODE_SOURCE_PATHna przesłany katalog.
Przy domyślnej lokalizacji wyjściowej databricks air convert-to-dabs wymaga, aby kod znajdował się w podkatalogu, jak w tym układzie, podczas konwersji obciążenia na pakiet.
Note
CLI nie przesyła plików, które Git ignoruje, w tym tych zignorowanych przez repozytorium nadrzędne. Jeśli workload nie może znaleźć main.py, uruchom git check-ignore -v src, aby sprawdzić, czy katalog src jest ignorowany. Zobacz code_source w referencji YAML w zakresie obciążeń.
W swoich własnych obciążeniach ustaw environment.version, aby przypiąć preinstalowane pakiety, od których zależy twój kod. Informacje o wartościach akceptowanych przez ten klucz można znaleźć w środowisko. Pakiety w każdym środowisku znajdziesz w artykule Ustaw środowisko uruchomieniowe AI.
Aby użyć własnego stosu zależności, zastąp blok environment standardowym środowiskiem w wersji 6 i jawnymi zależnościami:
environment:
version: 6
dependencies:
- torch==2.11.0
Obciążenia CLI instalują te zależności przy każdym uruchomieniu. Ta opcja wydłuża czas pobierania pakietów wheel PyTorch i CUDA.
Prześlij pakiet roboczy z katalogu, który zawiera workload.yaml:
databricks air run --file workload.yaml --watch
Przesyłane logi obejmują:
...
Hello from Python on AI Runtime
GPU: NVIDIA A10G
Kontroluj i zarządzaj swoim uruchomieniem
Każde uruchomienie ma identyfikator Job Run, który databricks air run wyświetla podczas przesyłania obciążenia.
Aby przesłać w tle, pomiń:--watch
databricks air run --file workload.yaml
Polecenie kończy się po przesłaniu, podczas gdy obciążenie nadal działa. Użyj zwróconego ID Job Run oraz tego samego profilu workspace dla następujących poleceń.
Aby sprawdzić status uruchomienia, konfigurację i czasowanie, wykonaj:
databricks air get <job-run-id>
Wynik zawiera link do wykonania zadania oraz, jeśli jest dostępny, link do uruchomienia MLflow.
Aby zobaczyć logi uruchomienia, uruchom:
databricks air logs <job-run-id>
databricks air logs drukuje istniejące dane wyjściowe obciążenia i kontynuuje przesyłanie podczas aktywnego przebiegu.
Użyj linku do uruchomienia zadania, aby sprawdzić stan wykonania, zasoby obliczeniowe, próby i dane wyjściowe sterownika. Użyj linku uruchomienia MLflow, aby zobaczyć trwałe dzienniki oraz wszelkie parametry, metryki i artefakty zarejestrowane przez obciążenie robocze.
W przypadku dłuższych obciążeń użyj zakładki metryk systemu MLflow, aby sprawdzić automatycznie zbierane wykorzystanie GPU i pamięć. Aby rejestrować niestandardowe metryki i artefakty lub porównywać przebiegi, zobacz Śledzenie eksperymentów i obserwowalność.
Aby wyświetlić uruchomienia, w tym ukończone uruchomienia, uruchom:
databricks air list --all-status
Aby anulować aktywne uruchomienie, uruchom:
databricks air cancel <job-run-id>
Jeśli uruchomienie się nie powiedzie, użyj jego statusu, logów oraz dostępnych linków do zadań lub MLflow, aby zidentyfikować błąd, który można naprawić. Popraw zadanie robocze lub konfigurację, a następnie złóż je ponownie.
Kontynuuj eksplorację CLI Databricks
Ten przewodnik Szybki start wykorzystuje minimalną konfigurację obciążenia roboczego. Zobacz dokumentację referencyjną Workload YAML, aby skonfigurować środowiska, źródła kodu, przetwarzanie, sekrety, próby i inne ustawienia.
Jeśli standardowe środowisko nie spełnia wymagań dotyczących zależności, użyj niestandardowego obrazu Docker.
Aby poznać pełny proces trenowania, dostrajanie, wnioskowanie wsadowe, trenowanie rozproszone oraz zadania Ray, sklonuj repozytorium AI Runtime Cookbook i uruchom recepturę.