- tocdepth
2
Работа с conda-окружениями
В ML Space есть возможность создавать окружения с помощью conda. Рассмотрим пример создания conda-окружения с версиями:
Python 3.11;
CUDA 12.1.0.
Это руководство подойдет пользователям, начинающим знакомиться с conda-окружениями на платформе ML Space.
Шаг 1. Создайте Jupyter Server
Перейдите в
.Нажмите Создать Jupyter Server.
Откроется окно, в котором необходимо заполнить параметры сервера:
В поле Название введите название нового сервера c учетом регистра или используйте предложенное платформой ML Space Разрешается применять следующие символы: строчные латинские буквы от a до z, цифры от 0 до 9, дефис (–).
Выберите Обучение моделей на CPU.
Примечание
В сценарии рассмотрен тип вычислений на CPU, чтобы не ждать освобождения GPU ресурсов. Выбирайте ресурсы в зависимости от своих потребностей.
Выберите один из доступных регионов размещения ресурсов.
Выберите Ресурсы для задачи.
Ориентируйтесь на цвет индикатора рядом с конфигурацией:
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. Выберите другой регион.
Нажмите Выбрать образ и выберите образ jupyter-server версии 0.0.95 и выше.
Нажмите Создать Jupyter Server и дождитесь его создания.
Шаг 2. Создайте окружение с конкретной версией Python
Перейдите в созданный на предыдущем шаге
.Напротив созданного Jupyter Server выберите JupyterLab.
В терминале выполните команду:
# Command starts creating the environment with Python 3.11 and CUDA 12.1.0 mlspace environments create --env zip_install --python 3.11 --cuda 12.1.0
Где:
zip_install — имя создаваемого окружения. Может быть указано любое имя.
3.11 — версия Python, которую требуется установить в окружение.
12.1.0 — версия CUDA, которую требуется установить в окружение.
Дождитесь создания окружения. Обычно процесс создания занимает от трех до пяти минут.
Проверьте наличие созданного окружения:
# Command shows a list of created environments mlspace environments list
В выводе команды должно появиться имя окружения, созданного в предыдущем пункте.
Шаг 3. Активируйте созданное окружение
- С помощью терминала
(Опционально) Запустите терминал, если закрыли его на предыдущем шаге.
Активируйте окружение с помощью команды:
conda activate zip_install
Где
zip_install
— имя активируемого окружения, созданного на предыдущем шаге.Если имя было изменено, то укажите необходимое.
После выполнения команды все операции с Python и другими инструментами будут происходить в контексте активированного окружения.
- С помощью интерфейса Jupyter
Перейдите в
.Создайте или перейдите в созданный Jupyter Server, используя JupyterLab.
Выберите New Launcher, нажав +.
Выберите иконку с именем
zip_install
в разделе Notebook.Если имя было изменено, то укажите необходимое.
Шаг 4. Установите библиотеку
Установка дополнительных библиотек и пакетов является обычной задачей при настройке окружения для конкретного проекта.
Для установки pip-пакетов в активированное окружение используется команда pip install
.
Установим библиотеку numpy и покажем работу с многомерными массивами:
Запустите созданное окружение.
Скопируйте и выполните команды:
# Command install numpy !pip install numpy # Command imports numpy as np import numpy as np # Create a multidimensional array with np.array b = np.array([[1.5, 2, 3], [4, 5, 6]]) # Display the created array on the screen print(b)
Проверьте получившийся результат:
[[1.5 2. 3. ] [4. 5. 6. ]]
Шаг 5. Установите утилиту с помощью conda
Для установки утилит в созданное conda-окружение используем стандартные средства conda:
(Опционально) Запустите терминал, если закрыли его на предыдущем шаге.
Перейдите в окружение
zip_install
, если не сделали этого на шаге 3.Установите утилиту zip, выполнив команду:
conda install zip -y
Введите
y
после появления вопроса —Proceed ([y]/n)?
для установки утилиты.Либо можно использовать ключ
-y
, как в примере.Дождитесь окончания установки.
Проверьте версию утилиты zip, выполнив команду:
zip -h
В ответ придет описание:
Copyright (c) 1990-2008 Info-ZIP - Type 'zip "-L"' for software license. Zip 3.0 (July 5th 2008). Usage: zip [-options] [-b path] [-t mmddyyyy] [-n suffixes] [zipfile list] [-xi list] The default action is to add or replace zipfile entries from list, which can include the special name - to compress standard input. If zipfile and list are omitted, zip compresses stdin to stdout. -f freshen: only changed files -u update: only changed or new files -d delete entries in zipfile -m move into zipfile (delete OS files) -r recurse into directories -j junk (don't record) directory names -0 store only -l convert LF to CR LF (-ll CR LF to LF) -1 compress faster -9 compress better -q quiet operation -v verbose operation/print version info -c add one-line comments -z add zipfile comment -@ read names from stdin -o make zipfile as old as latest entry -x exclude the following names -i include only the following names -F fix zipfile (-FF try harder) -D do not add directory entries -A adjust self-extracting exe -J junk zipfile prefix (unzipsfx) -T test zipfile integrity -X eXclude eXtra file attributes -y store symbolic links as the link instead of the referenced file -e encrypt -n don't compress these suffixes -h2 show more help
Загрузите или выберите требуемые для архивирования файлы на NFS.
Выполните команду, чтобы добавить в архив требуемые файлы:
zip tutorial-archive.zip file-name_1.py file-name_2.xlsx
Где:
tutorial-archive.zip
— имя создаваемого архива.file-name_1.py
иfile-name_2.xlsx
— имена файлов, которые требуется заархивировать.
После выполнения команды на NFS появится архив с именем tutorial-archive.zip, в котором будут упакованы указанные файлы.
Разархивируйте требуемые файлы:
unzip tutorial-archive.zip
Упакованные в архив файлы будут выгружены в текущую рабочую директорию.
для Dev & Test