AI Runtime için Hızlı Başlangıç

Databricks, ilk AI Runtime iş yükünüzü çalıştırmak için Databricks CLI ile başlamanızı önerir. Databricks CLI, terminalinizden sunucusuz GPU iş yüklerini göndermeye, izlemeye ve yönetmeye olanak tanır. Eğer notebookları tercih ediyorsanız, AI Runtime Notebook Hızlı Başlangıç'a bakabilirsiniz.

Requirements

  • AI Runtime etkin olan Azure Databricks çalışma alanı. Gereksinimlere bakınız.
  • Python örneğini çalıştırmak için PATH cihazınızda Git'in kurulu ve kullanılabilir olması gerekir. CLI, yerel kodu paketlemek için Git kullanır.

İlk iş yükünüzü çalıştırma

  1. Databricks CLI'sini kurun veya güncelleyin ve çalışma alanınızda kimliğini doğrulayın. Bkz. Databricks CLI'yı yükleme veya güncelleştirme ve Databricks CLI için Kimlik Doğrulaması.

    Tavsiye

    Birden fazla Azure Databricks profiliyle çalışıyorsanız, birini seçmek için komutlarınıza -p <profile> öğesini ekleyin. Alternatif olarak, çalıştırmadan önce DATABRICKS_CONFIG_PROFILE=<profile> öğesini ayarlayın.

    air komutlarının mevcut olduğunu doğrulayın:

    databricks air --help

  2. Minimal bir iş yükü dosyası oluşturun. Aşağıdaki workload.yaml, bir A10 GPU ister ve GPU adını yazdırmak için nvidia-smi komutunu çalıştırır:

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

  3. İş yükünü gönderin ve loglarını databricks air run ile akıtın:

    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

Tavsiye

İş yükü yapılandırmanızı yazma ve çalıştırma işlemlerinizi yönetme konusunda yardım almak için, yapay zeka ajanınız için databricks-ai-runtime yeteneğini yükleyin. Bkz. Ajan yeteneklerini AI Runtime ile kullanın.

Kendi Python kodunuzu çalıştırın

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

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

Tavsiye

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 çıkarımınız veya diğer yapay zeka uygulamanızla 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 bir H100 GPU'da main.py çalıştırır:

  • environment.version, Standard environment version 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 tarif çalıştırın.

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

Çalıştırmayı kontrol et ve izle.

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: