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.

      • 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.

    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

Запустили Evolution free tier
для Dev & Test
Получить