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:
- 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。
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¶
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。
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。
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。
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.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。
- 检查
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。