Invio di job in Run:ai CLI
Suggerisci modifiche
PDF
Questa sezione fornisce i dettagli sui comandi Run:ai di base che è possibile utilizzare per eseguire qualsiasi lavoro Kubernetes. È suddiviso in tre parti in base al tipo di carico di lavoro. I carichi di lavoro ai/ML/DL possono essere suddivisi in due tipi generici:
-
Sessioni di training non presidiate. Con questi tipi di carichi di lavoro, il data scientist prepara un carico di lavoro a esecuzione automatica e lo invia per l'esecuzione. Durante l'esecuzione, il cliente può esaminare i risultati. Questo tipo di carico di lavoro viene spesso utilizzato in produzione o quando lo sviluppo del modello si trova in una fase in cui non è richiesto alcun intervento umano.
-
Sessioni di build interattive. Con questi tipi di carichi di lavoro, il data scientist apre una sessione interattiva con Bash, Jupyter notebook, PyCharm remoto o IDE simili e accede direttamente alle risorse GPU. Abbiamo incluso un terzo scenario per l'esecuzione di workload interattivi con porte connesse per rivelare una porta interna all'utente del container.
Carichi di lavoro di training non presidiati
Dopo aver impostato i progetti e allocato le GPU, è possibile eseguire qualsiasi carico di lavoro Kubernetes utilizzando il seguente comando nella riga di comando:
$ runai project set team-a runai submit hyper1 -i gcr.io/run-ai-demo/quickstart -g 1
Questo comando avvia un processo di training non assistito per il team-a con un'allocazione di una singola GPU. Il lavoro si basa su un'immagine del docker di esempio, gcr.io/run-ai-demo/quickstart. Abbiamo nominato il lavoro hyper1. È quindi possibile monitorare l'avanzamento del lavoro eseguendo il seguente comando:
$ runai list
La figura seguente mostra il risultato di runai list comando. Gli stati tipici che potrebbero essere visualizzati includono:
-
ContainerCreating. Il container del docker viene scaricato dal repository cloud. -
Pending. Il lavoro è in attesa di essere pianificato. -
Running. Il processo è in esecuzione.
Per ottenere uno stato aggiuntivo sul lavoro, eseguire il seguente comando:
$ runai get hyper1
Per visualizzare i log del lavoro, eseguire runai logs <job-name> comando:
$ runai logs hyper1
In questo esempio, dovresti visualizzare il registro di una sessione DL in esecuzione, inclusi l'epoca di training corrente, l'ETA, il valore della funzione di perdita, l'accuratezza e il tempo trascorso per ogni fase.
È possibile visualizzare lo stato del cluster nell'interfaccia utente Run:ai all'indirizzo "https://app.run.ai/". In Dashboard > Panoramica, è possibile monitorare l'utilizzo della GPU.
Per arrestare questo carico di lavoro, eseguire il seguente comando:
$ runai delte hyper1
Questo comando interrompe il carico di lavoro del training. È possibile verificare questa azione eseguendo runai list di nuovo. Per ulteriori informazioni, vedere "lancio di workload di training non presidiati".
Workload di build interattivi
Dopo aver impostato i progetti e allocato le GPU, è possibile eseguire un carico di lavoro di build interattivo utilizzando il seguente comando dalla riga di comando:
$ runai submit build1 -i python -g 1 --interactive --command sleep --args infinity
Il lavoro si basa su un python immagine del docker di esempio. Abbiamo chiamato la creazione di job 1.
|
Il -- interactive flag indica che il lavoro non ha inizio o fine È responsabilità del ricercatore chiudere il lavoro. L'amministratore può definire un limite di tempo per i lavori interattivi dopo il quale vengono terminati dal sistema.
|
Il --g 1 Flag assegna una singola GPU a questo lavoro. Il comando e l'argomento forniti sono --command sleep — args infinity. È necessario fornire un comando, altrimenti il container viene avviato e quindi chiuso immediatamente.
I seguenti comandi funzionano in modo simile ai comandi descritti in Carichi di lavoro di training non presidiati:
-
runai list: Mostra il nome, lo stato, l'età, il nodo, l'immagine, Progetto, utente e GPU per i lavori. -
runai get build1: Visualizza lo stato aggiuntivo nella creazione del job 1. -
runai delete build1: Interrompe la creazione interattiva del workload 1.per ottenere una shell bash nel container, utilizzare il seguente comando:
$ runai bash build1
Questo fornisce una shell diretta nel computer. I data scientist possono quindi sviluppare o perfezionare i propri modelli all'interno del container.
È possibile visualizzare lo stato del cluster nell'interfaccia utente Run:ai all'indirizzo "https://app.run.ai". Per ulteriori informazioni, vedere "avvio e utilizzo di workload di build interattivi".
Carichi di lavoro interattivi con porte connesse
Come estensione dei carichi di lavoro di build interattivi, è possibile rivelare le porte interne all'utente del container quando si avvia un container con la CLI Run:ai. Questo è utile per ambienti cloud, per lavorare con i notebook Jupyter o per connettersi ad altri microservizi. "Ingresso" Consente l'accesso ai servizi Kubernetes dall'esterno del cluster Kubernetes. È possibile configurare l'accesso creando un insieme di regole che definiscono quali connessioni in entrata raggiungono i servizi.
Per una migliore gestione dell'accesso esterno ai servizi in un cluster, si consiglia agli amministratori del cluster di eseguire l'installazione "Ingresso" E configurare LoadBalancer.
Per utilizzare Ingress come tipo di servizio, eseguire il seguente comando per impostare il tipo di metodo e le porte durante l'invio del carico di lavoro:
$ runai submit test-ingress -i jupyter/base-notebook -g 1 \ --interactive --service-type=ingress --port 8888 \ --args="--NotebookApp.base_url=test-ingress" --command=start-notebook.sh
Una volta avviato il container, eseguire runai list per visualizzare SERVICE URL(S) Con cui accedere al Jupyter notebook. L'URL è composto dall'endpoint di ingresso, dal nome del processo e dalla porta.
Per ulteriori informazioni, vedere "lancio di un workload di build interattivo con porte connesse".