ML Space

Общие вопросы ML Space

Как получить тестовый доступ к платформе ML Space?

Для получения тестового доступа к платформе необходимо оставить соответствующую заявку на нашем сайте. По факту заявки с вами свяжутся по телефону для уточнения деталей. После выдачи ресурсов ML Space в тест вы получите письмо с деталями доступа к личному кабинету Cloud.ru (console.cloud.ru) и инструкцией о том, как начать работу с платформой.

Какие условия пользовательского соглашения при подключении к ML Space?

Типовые документы представлены на нашем сайте.

Как обеспечивается конфиденциальность пользовательских данных?

Работа с пользовательскими данными регулируется законодательными актами федерального уровня и внутренней политикой компании Cloud.ru. Политика конфиденциальности опубликована на нашем сайте. Платформа ML Space соответствует требованиям федерального закона ФЗ-152 «О персональных данных», уровня УЗ-1.

Что делать, если пропал доступ к ML Space/Cloud.ru?

Если пропал доступ, попробуйте обновить пароль. В случае неуспешной авторизации нажмите Забыли пароль, указав в строке для логина почту, по которой осуществляли первичную авторизацию. После этих действий на вашу почту придет новое приглашение. Перейдите по ссылке из почты в Личный кабинет Cloud.ru и введите новый пароль.

Примечание

Ссылка на смену пароля действует в течение 15 минут.

Как восстановить забытый пароль?

На странице входа console.cloud.ru введите свой логин или email, а затем воспользуйтесь ссылкой Восстановить пароль.

На почту придет письмо со ссылкой на сброс пароля и создание нового. Если письмо не пришло, проверьте папку «Спам».

Какие требования к браузеру для работы с платформой ML Space?

Для оптимальной производительности рекомендуем использовать самую свежую версию одного из следующих браузеров:

Google Chrome (рекомендуемый)
Safari
Яндекс.Браузер. Нестабильная работа терминала Jupyter Server из Яндекс.Браузера в образах Jupyter Server версии 0.0.92 и выше.

Что делать, если задача долго находится в очереди?

Так как задачи от разных пользователей выполняются поочередно, в случае большой нагрузки на регион размещения вычислительных ресурсов время ожидания запуска задачи может быть увеличено.

Как оценить стоимость обучения модели?

Это сильно зависит от конкретной модели и данных, а также от количества задействованных DGX, заранее предсказать невозможно, можно сделать тестовый замер следующим образом:

Запустить модель на обучение на небольшой промежуток времени (например, на 3 минуты) и посмотреть по логам, за сколько посчитается одна эпоха.
Умножить на количество эпох, это будет примерная стоимость.

Какие сведения можно предоставить при обращении в техническую поддержку?

Для ускорения решения возникшей проблемы, при обращении в техническую поддержку советуем предоставить следующую информацию.

Общая информация для всех модулей и сервисов платформы ML Space:

Название воркспейса (подробнее в Воркспейсы).
Регион размещения ресурсов (подробнее в Регионы размещения ресурсов).

Информация по модулю Environments:

Название Jupyter Server/задачи (подробнее в Создать Jupyter Server и подключиться к нему через интерфейс ML Space).
Namespace.
Образ (если использовался кастомный образ, уточнить на основе какого образа он собирался и предоставить содержимое файла requirements или dockerfile) (подробнее в Собрать и использовать кастомный Docker-образ для Jupyter Server).

Информация по модулю Data Catalog:

Снимок экрана, на котором указаны источник и место назначения переноса.
Снимок экрана, на котором указано наличие ожидаемого файла в источнике.
Лог из Data transfer service.

Информация по модулю Deployments:

Название деплоя.
Образ, который был использован для создания (если использовался кастомный образ, уточнить на основе какого образа он собирался и предоставить содержимое файла requirements, serving-script, dockerfile) (подробнее в Собрать и использовать кастомный Docker-образ для Jupyter Server).

Можно ли экспортировать таблицу из раздела «Задачи и окружения»?

Да, можно. Для этого перейдите на Кнопка с тремя вертикальными точками возле строки поиска и выберите требуемый формат файла для экспорта (CSV или XLS).

Можно ли осуществлять обработку транзакций по системе блок-чейн на платформе ML Space?

Нет. Обработка транзакций по системе блок чейн, в том числе «майнинг», в платформе запрещены. Данное условие закреплено в договоре-оферте (Приложение № 3).

При открытии страницы платформы возникает ошибка «Нет доступа». Что делать?

Проверьте права пользователя.

Нет прав на выполнение метода API. Что делать?

Если при выполнении метода API в ответе приходит ошибка Permission denied с кодом 403, проверьте права пользователя. При недостатке прав попросите администратора изменить роль.

Какие статусы существуют у Jupyter Server?

Статусы Jupyter Server
Статус	Описание
«Запускается»	Jupyter Server в процессе создания или запуска.
«Подключен»	Jupyter Server запущен.
«Останавливается»	Jupyter Server в процессе остановки.
«На паузе»	Jupyter Server остановлен.
«Предупреждение»	Jupyter Server создан некорректно. Попробуйте пересоздать его позднее.
«Ошибка»	Jupyter Server создан с ошибкой.
«Нет соединения»	Статус «Нет соединения» возникает в случае неполадок на стороне ML Space. Обратитесь в техническую поддержку.

Какие статусы существуют у задач обучения?

Статусы задач обучения
Статус	Описание
«Pending»	Задача находится в ожидании ресурсов.
«Inqueue»	Задача находится в очереди на запуск.
«Starting»	Ресурсы аллоцированы, происходит скачивание образов и запуск воркеров.
«Running»	Задача обучения выполняется.
«Completed»	Задача обучения завершилась.
«Completing»	Задача обучения завершается.
«Failed»	Задача обучения завершилась с ошибкой, рекомендуется проверить логи задачи.
«Deleted» или «Terminated»	Задача обучения удалена.
«Stopped» или «Aborted»	Задача обучения остановлена.
«Terminating»	Задача обучения останавливается. Освобождаются ресурсы, задача и поды удаляются.
«Aborting»	Задача обучения останавливается. Освобождаются ресурсы, удаляются только поды.

Какие статусы существуют у подов задач обучения?

Статусы подов задач обучения
Статус	Описание
«Pending»	Под находится в очереди на выделение ресурсов, которые нужны для его работы. Ресурсы для выполнения пода были заняты, но еще скачивается образ.
«Running»	Под в процессе работы.
«Completed»	Под завершил работу.
«Stopped»	Пользователь вручную остановил задачу и поэтому под остановился.
«Failed»	Под завершил работу с ошибкой, рекомендуется проверить логи задачи.
«Deleted» или «Terminated»	Под удален.

Какие статусы существуют у экземпляров деплоев?

Статусы экземпляров деплоев
Статус	Описание
«Pending»	Экземпляр находится в очереди на выделение ресурсов, которые нужны для его работы.
«Running»	Экземпляр принимает и обрабатывает запросы, но необязательно в данный момент.
«Deleted»	Экземпляр удален.

Можно ли обратиться из Jupyter Server к деплою, созданному в другом регионе?

Да. В регионах Christofari.A100, Cloud.Region.A100 (GPU Tesla A100), Cloud.Region.HP1 отправка запроса будет успешной.

Не получится отправить запрос из Jupyter Server региона Christofari.V100 к деплою, созданному в другом регионе.

Что произойдет, когда закончится баланс?

При достижении нулевого значения баланса будут удалены:

Jupyter Server с выделенными GPU,
задачи обучения,
деплои.

После пополнения баланса удаленные сущности нужно будет запускать заново.

Данные на NFS останутся нетронутыми.

Актуальный баланс можно посмотреть в профиле пользователя.

Как получить логи Jupyter Server, переносов данных и задач обучения в справочнике логов?

Чтобы посмотреть логи событий ML Space, необходимо выбрать в качестве сервиса-источника MLS-NTB (Jupyter Servers), MLS Data Transfer и MLSpace.Jobs. Список статусов приведен в Справочнике событий.

Была ли статья полезной ?

Предыдущая статья

Вопросы и ответы

Следующая статья

Вопросы по воркспейсам

Поддержка Юридические документы