管理环境¶

本文说明如何在 DCE AI Lab 中管理你的环境依赖库，以下是具体操作步骤和注意事项。

环境管理概述¶

传统方式，一般会将 Python 环境依赖在镜像中构建，镜像带有 Python 版本和依赖包的镜像，维护成本较高且更新不方便，往往需要重新构建镜像。

而在 DCE 5.0 AI Lab 中，用户可以通过 环境管理 模块来管理纯粹的环境依赖，将这部分从镜像中解耦，带来的优势有：

以下为环境管理的主要组成部分：

环境管理概述

字段	描述	举例值
名称	环境的名称	my-environment
状态	环境当前的状态（正常或失败），新创建环境有一个预热过程，预热成功后即可在其他任务中使用	正常
创建时间	环境创建的时间	2023-10-01 10:00:00

在 环境管理 界面，点击右上角的创建按钮，进入创建环境的流程。

创建新环境

字段	描述	举例值
名称	输入环境的名称，长度为 2-63 个字符，必须以小写字母、数字开头和结尾。	my-environment
部署位置	集群：选择需要部署的集群	`gpu-cluster`
	命名空间：选择命名空间	`default`
备注	填写备注信息。	这是一个测试环境
标签	为环境添加标签。	env:test
注解	为环境添加注解。填写完成后，点击下一步进入环境配置。	注解示例

在环境配置步骤中，用户需要配置 Python 版本和依赖包管理工具。

配置环境

字段	描述	举例值
Python 版本	选择所需的 Python 版本	3.12.3
包管理器	选择包管理工具，可选 `PIP` 或 `CONDA`	PIP
Environment Data	如果选择 `PIP`：在下方编辑器中输入 `requirements.txt` 格式的依赖包列表。	numpy==1.21.0
	如果选择 `CONDA`：在下方编辑器中输入 `environment.yaml` 格式的依赖包列表。
其他选项	pip 额外索引地址：配置 pip 额外的索引地址；适用于企业内部有自己的私有仓库或者 PIP 加速站点。	`https://pypi.example.com`
	GPU 配置：启用或禁用 GPU 配置；部分涉及到 GPU 的依赖包需要在预加载时配置 GPU 资源。	启用
	关联存储：选择关联的存储配置；环境依赖包会存储在关联存储中。注意：需要使用支持 `ReadWriteMany` 的存储。	my-storage-config

配置完成后，点击创建按钮，系统会自动创建并配置新的 Python 环境。

这里有一个 YAML 示例：

environment.yaml

name: tensorflow
channels:
  - defaults
  - conda-forge
dependencies:
  - python=3.12
  - tensorflow
prefix: /opt/conda/envs/tensorflow

如果环境创建失败：
- 检查网络连接是否正常。
- 确认填写的 Python 版本和包管理器配置无误。
- 确保所选集群和命名空间可用。
如果依赖预热失败：
- 检查 requirements.txt 或 environment.yaml 文件格式是否正确。
- 确认依赖包名称和版本是否正确无误。如遇到其他问题，请联系平台管理员或查看平台帮助文档获取更多支持。

以上即为在 DCE 5.0 AI Lab 中管理 Python 依赖库的基本操作步骤和注意事项。