Aller au contenu principal
Dernière mise à jour le

Guide de démarrage rapide du Databricks CLI pour l'AI Runtime

info

Aperçu

Cette fonctionnalité est en aperçu public.

Ce guide de démarrage rapide montre comment configurer et exécuter une charge de travail Serverless GPU avec la Databricks CLI pour AI Runtime, diffuser les logs et inspecter l’exécution. Ce guide de démarrage rapide montre comment configurer et exécuter une charge de travail d’IA Runtime, Stream les Logs et inspecter l’exécution.

Exigences​

Confirmez que les commandes air sont disponibles dans la CLI Databricks :

Bash
databricks air --help
astuce

Pour obtenir de l'aide lors de la rédaction de la configuration de votre charge de travail et de la gestion des exécutions, installez la compétence databricks-ai-runtime pour votre agent d'IA. Voir Utiliser un agent d'IA.

Exécutez une charge de travail minimale​

Créez un fichier workload.yaml qui demande un GPU A10 et exécute nvidia-smi pour afficher le nom du GPU :

YAML
experiment_name: air-quickstart
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xA10
command: nvidia-smi --query-gpu=name --format=csv,noheader

Soumettez la charge de travail et Stream ses logs avec databricks air run:

Bash
databricks air run --file workload.yaml --watch

Le CLI renvoie l'ID d'exécution du Job et un link vers l'exécution dans votre workspace. --watch maintient le terminal attaché et transmet les logs en streaming jusqu'à la fin de la charge de travail.

Text
Submitting experiment: air-quickstart
Submitted workload with Job Run ID: 783940125630184
View job run at: https://example.cloud.databricks.com/jobs/runs/783940125630184?o=1234567890123456

Monitoring run and streaming logs...
...
Environment setup completed at Thu Oct 1 14:23:45 UTC 2026
NVIDIA A10

Exécutez votre propre code Python​

Pour upload et exécuter du code Python local, créez un répertoire air-quickstart contenant les fichiers suivants :

air-quickstart/
├── workload.yaml
└── main.py
astuce

Pour start à partir d’un projet exécutable plutôt que de créer ces fichiers manuellement, clonez le repository de recettes AI Runtime et accédez au répertoire getting-started de la CLI :

Bash
git clone https://github.com/databricks-solutions/ai-runtime-cookbook.git
cd ai-runtime-cookbook/getting-started/air-cli

Utilisez le code Python minimal suivant pour vérifier qu'AI Runtime exécute le code upload sur le GPU :

Python
import torch

print("Hello from Python on AI Runtime")
print(f"GPU: {torch.cuda.get_device_name(0)}")

Pour étendre cet exemple, vous pouvez remplacer main.py par votre propre entraînement, inférence par batch ou autre application d'IA.

Utilisez la configuration suivante pour workload.yaml:

YAML
experiment_name: python-quickstart
environment:
  version: 6
  dependencies:
    - torch==2.11.0
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xH100
code_source:
  root_path: .
command: python "$CODE_SOURCE_PATH/main.py"

Cette configuration utilise les paramètres suivants et exécute main.py sur un GPU H100 :

  • environment.version sélectionne la version 6 de l’environnement standard.
  • environment.dependencies installe PyTorch 2.11.0 dans l’environnement sélectionné.
  • root_path: . upload le répertoire contenant workload.yaml. Au runtime, $CODE_SOURCE_PATH pointe vers le répertoire upload.

Soumettez la charge de travail depuis le répertoire qui contient workload.yaml:

Bash
databricks air run --file workload.yaml --watch

Les Stream logs incluent :

Text
...
Hello from Python on AI Runtime
GPU: NVIDIA H100 80GB HBM3

Pour exécuter un entraînement complet, un affinement, une inférence par batch et des charges de travail Ray, clonez l’ AI Runtime Cookbook et exécutez une recette.

Pour configurer les environnements, les sources de code, le compute et les autres paramètres de workload, consultez la référence YAML de Workload.

Inspecter une exécution​

La CLI affiche l’ID d’exécution du Job lorsque vous envoyez la charge de travail. Utilisez-le pour inspecter l’exécution :

Bash
databricks air get <job-run-id>

databricks air get affiche l'état de l'exécution, la configuration et le timing. Il crée également un lien vers l'exécution du Job et, le cas échéant, l'exécution MLflow.

Pour streamer des logs après la soumission ou reprendre un stream interrompu, exécutez :

Bash
databricks air logs <job-run-id>

La CLI fournit également des commandes pour répertorier et inspecter les exécutions, diffuser Stream et Logs et annuler les exécutions actives. Consultez la référence de la commande air.

Référence​

Ressources supplémentaires​

Sur cette page