AI Runtime için Databricks CLI hızlı başlangıç

Important

Bu özellik Genel Önizleme aşamasındadır.

AI Runtime için Databricks CLI, terminalinizden sunucusuz GPU iş yüklerini göndermenize, izlemenize ve yönetmenize olanak tanır. Bu hızlı başlangıç, bir AI Runtime iş yükünün nasıl yapılandırılıp çalıştırılacağını, logların akış halinde nasıl izleneceğini ve çalıştırmanın nasıl inceleneceğini gösterir.

Requirements

air komutlarının Databricks CLI'da mevcut olduğunu doğrulayın:

databricks air --help

Tip

İş yükü yapılandırmanızı yazma ve çalıştırma işlemlerinizi yönetme konusunda yardım almak için, yapay zeka ajanınız için databricks-ai-runtime becerisini yükleyin. Bkz. Bir yapay zeka ajanı kullanın.

Minimal iş yükü çalıştırın

Bir A10 GPU isteyen ve GPU adını yazdırmak için workload.yaml çalıştıran bir nvidia-smi dosya oluşturun:

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

İş yükünü gönderin ve loglarını databricks air run ile akış olarak izleyin:

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

CLI, iş çalıştırma kimliğini ve çalışma alanınızdaki çalıştırmaya bağlantı döndürür. --watch terminalin bağlı kalmasını sağlar ve iş yükü bitene kadar logları akıtır.

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

Kendi Python kodunuzu çalıştırın

Yerel Python kodunu yüklemek ve çalıştırmak için aşağıdaki dosyalarla bir air-quickstart dizin oluşturun:

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

Tip

Bu dosyaları manuel olarak oluşturmak yerine, çalıştırılabilir bir projeden başlamak için AI Runtime cookbook repository deposunu klonlayın ve CLI başlangıç dizinine geçin:

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

AI Runtime'ın yüklenen kodu GPU'da çalıştırdığını doğrulamak için aşağıdaki minimal Python kodunu kullanın:

import torch

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

Bu örneği genişletmek için, main.py öğesini kendi eğitiminiz, toplu çıkarım veya diğer yapay zeka uygulamalarınız ile değiştirebilirsiniz.

Aşağıdaki yapılandırmayı kullanın: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"

Bu yapılandırma aşağıdaki ayarları kullanır ve main.py bir H100 GPU'da çalıştırır:

  • environment.version Standart ortam sürüm 6'yı seçer.
  • environment.dependencies PyTorch 2.11.0'ı seçilen ortama yükler.
  • root_path: ., workload.yaml içeren dizini yükler. Çalışma zamanında, $CODE_SOURCE_PATH yüklenen dizine işaret eder.

İş yükünü workload.yaml içeren dizinden gönderin:

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

Akışlı günlükler şunları içerir:

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

Tam eğitim, ince ayar, toplu çıkarım ve Ray iş yüklerini çalıştırmak için AI Runtime Cookbook'u klonlayın ve bir reçete çalıştırın.

Ortamları, kod kaynaklarını, hesaplama ve diğer iş yükü ayarlarını yapılandırmak için Workload YAML referansına bakınız.

Bir çalıştırmayı inceleyin

CLI, iş yükünü gönderdiğinizde İş Çalıştırma ID'sini yazdırıyor. Çalışmayı incelemek için kullanın:

databricks air get <job-run-id>

databricks air get çalışma durumunu, yapılandırmasını ve zamanlamasını gösterir. Ayrıca Job run’a ve mevcut olduğunda MLflow run’a da bağlantı verir.

Gönderimden sonra logları akış olarak izlemek veya kesintiye uğramış bir akışı sürdürmek için şunları çalıştırın:

databricks air logs <job-run-id>

CLI ayrıca çalıştırmaları listelemek ve incelemek, günlük akışını izlemek ve etkin çalıştırmaları iptal etmek için komutlar sağlar. airKomut referansına bakınız.

Reference

Ek kaynaklar

  • Son güncelleştirme: