tocdepth

2

Создать Jupyter Server

Jupyter Server позволяет создавать Jupyter Notebook, чтобы работать над кодом для обучения моделей. Отличие Jupyter Notebooks от традиционной среды разработки в том, что код можно разбить на ячейки и выполнять их в произвольном порядке.

Для создания Jupyter Server выполните следующие действия.

  1. Перейдите в Environments → Jupyter Servers

  2. Нажмите Создать Jupyter Server. Откроется окно, в котором необходимо заполнить параметры сервера.

    1. В поле Название введите название нового сервера c учетом регистра. Разрешается применять следующие символы: строчные латинские буквы от a до z, цифры от 0 до 9, дефис (–).

    2. Выберите Тип задачи. Доступны:

      • Обучение моделей на GPU. Обучение нейросетей на фреймворках PyTorch, TensorFlow на GPU.

        Обучение на GPU запускается путем отправки задач в регион. При этом оплачивается фактическое время исполнения задачи: от старта до окончания обучения. При обучении из Jupyter Server на выделенных GPU взимается оплата с момента создания Jupyter Server до удаления, даже если он не используется.

        См.также

      • Управление распределенными задачами. Запуск и мониторинг распределенных GPU-задач.

        Примечание

        • Бесплатные Jupyter Server создаются с этим типом задач.

        • При работе с архивами, содержащими более 10 000 файлов размером менее 1 МБ, время распаковки на конфигурации Управление распределенными задачами будет значительно выше, чем на конфигурации с выделенными GPU и hardware CPU. О других особенностях см. Советы по оптимизации процесса обучения.

      • Обучение моделей на CPU. Подготовка данных, обучение моделей на классическом стеке Data Science.

      • Препроцессинг и Big Data. Обработка больших данных на кластерах Spark с помощью CPU.

  3. Установите требуемую конфигурацию Jupyter Server и создайте его.

    1. Выберите один из доступных регионов размещения ресурсов и задайте параметры нового Jupyter Server. Подробнее см. Регионы размещения ресурсов.

    2. Выберите Ресурсы для задачи.

      Ориентируйтесь на цвет индикатора рядом с названием конфигурации:

      • Зеленый — свободных ресурсов достаточно для запуска сервера в выбранной конфигурации.

      • Желтый — свободных ресурсов мало для запуска серверов в этой конфигурации. Если планируете создать несколько таких серверов, ресурсов может не хватить.

      • Серый — свободных ресурсов не осталось. Выбрав эту конфигурацию, вы попадаете в очередь на высвобождение ресурсов. Jupyter Server будет иметь статус «Запускается».

        Чтобы не ждать, выберите другой регион или конфигурацию.

    3. Нажмите Выбрать образ:

      • DataHub — базовые образы платформы ML Space;

      • Docker registry — кастомные образы, загруженные пользователем в Docker registry.

      Названия образов в форме выбора приведены без адреса репозитория образа.

      Для образов может быть приведено описание, а также сведения об установленных в образе фреймворках.

      Перейдите в одну из вкладок и выберите Docker-образ и тег. В рамках выбранного образа запустится Jupyter Server.

      Один из базовых образов.

      Набор образов зависит от региона, выбранного на шаге а.

      См.также

      Образы для Jupyter Server

    4. Нажмите Выбрать.

    5. Нажмите Создать Jupyter Server и дождитесь инициализации сервера. Как только она завершится, статус Jupyter Server изменится с «Запускается» на «Подключен».

      Примечание

    6. Подключитесь к Jupyter Server, выбрав Jupyter или JupyterLab. Логи Jupyter Server можно посмотреть, выбрав соответствующий пункт из меню Кнопка с тремя вертикальными точками.

      Для отправки запросов из Jupyter Server в интернет используйте следующие номера TCP-портов: 80, 443, 8000–8999.

      Использование Jupyter Server из интернета невозможно без интерфейса ML Space или SSH-соединения с Jupyter Server.

    Примечание

См.также

Запустили Evolution free tier
для Dev & Test
Получить