跳转至

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。

  1. 环境管理概述
  2. 创建新环境
  3. 配置环境
  4. 故障排除

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:

  • 一份环境多处使用,同时可以在 Notebook、分布式训练任务、乃至推理服务中使用。
  • 更新依赖包更加方便,只需要更新环境依赖即可,无需重新构建镜像。

以下为环境管理的主要组成部分:

  • 集群 :选择需要操作的集群。
  • 命名空间 :选择命名空间以限定操作范围。
  • 环境列表 :展示当前集群和命名空间下的所有环境及其状态。

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

创建新环境

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

配置环境

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 PIPCONDA 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。

故障排除

  • 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.txtenvironment.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。

评论