Быстрый старт
С помощью этой статьи вы установите ML Space CLI и запустите первую задачу обучения.
Системные требования
Python 3.10
OS UNIX
Для работы с ML Space CLI на ОС Windows используйте утилиту cmder.
Установите утилиту
В терминале выполните команду:
pip install --index-url https://gitverse.ru/api/packages/cloudru/pypi/simple/ --extra-index-url https://pypi.org/simple --trusted-host gitverse.ru
Задайте версию mls==0.5, иначе могут быть установлены не относящиеся к проекту пакеты.
SDK mls-core установится автоматически.
Сконфигурируйте профиль
Выполните команду:
mls configure --profileВведите следующие значения:
API key ID — соответствует ключу API Key ID, который можно сгенерировать в личном кабинете.
API key secret — соответствует ключу API Key custom_connector_secret, который можно сгенерировать в личном кабинете.
Workspace ID — соответствует параметру x-workspace-id, который можно посмотреть в параметрах разработчика ML Space.
Workspace API Key — соответствует параметру x-api-k, который можно посмотреть в параметрах разработчика ML Space.
Default region name — название региона размещения ресурсов.
Default output format — json или text.
Запустите задачу обучения
С помощью команды submit, указанной ниже, запустится задача:
типа pytorch2,
из скрипта test_pytorch2_torch2.py, расположенного в /home/jovyan/jobs_tests/,
с базовым образом cr.ai.cloud.ru/aicloud-base-images/py3.10-torch2.1.2:0.0.40,
типом инстанса v100.1gpu.
mls job submit --script /home/jovyan/jobs_tests/test_pytorch2_torch2.py --image cr.ai.cloud.ru/aicloud-base-images/py3.10-torch2.1.2:0.0.40 --instance_type v100.1gpu --type pytorch2
Что дальше
Посмотрите логи запущенной задачи или запустите другие задачи обучения.
- Системные требования
- Установите утилиту
- Сконфигурируйте профиль
- Запустите задачу обучения
- Что дальше