Pular para o conteúdo principal
Última atualização em

Início rápido da CLI do Databricks para AI Runtime

info

Visualização

Este recurso está em Pré-visualização Pública.

Use a CLI do Databricks para enviar e monitorar cargas de trabalho de GPU no AI Runtime. Comece com uma verificação mínima de GPU, execute seu próprio código Python e inspecione a execução.

Requisitos​

Confirme se os comandos air estão disponíveis na CLI do Databricks:

Bash
databricks air --help

Execução uma carga de trabalho mínima​

Crie um arquivo workload.yaml que solicite uma GPU A10 e execute nvidia-smi para imprimir o nome da GPU:

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

Envie a carga de trabalho e faça a transmissão de seus logs com databricks air run:

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

A CLI retorna o ID da execução do job e um link para a execução em seu workspace. --watch mantém o terminal conectado e faz a transmissão de logs até que a workload seja concluída.

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

Execute o seu próprio código Python​

Para fazer upload e a execução de código Python local, crie um diretório air-quickstart com os seguintes arquivos:

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

Use o seguinte código Python mínimo para verificar se o AI Runtime faz a execução do código upload na GPU:

Python
import torch

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

Para estender este exemplo, você pode substituir main.py por seu próprio treinamento, inferência em lotes ou outro aplicativo de AI.

Use a seguinte configuração para workload.yaml:

YAML
experiment_name: python-quickstart
environment:
  version: databricks_ai_v6
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xH100
code_source:
  type: snapshot
  snapshot:
    root_path: .
command: python "$CODE_SOURCE_PATH/main.py"

Essa configuração usa as seguintes configurações:

  • environment.version seleciona a versão integrada do ambiente do Databricks AI versão 6, que inclui o PyTorch.
  • root_path: . faz o upload do diretório que contém workload.yaml. Runtime, $CODE_SOURCE_PATH aponta para o diretório para o qual foi feito o upload.

O AI Runtime execução main.py em uma GPU H100.

A partir do diretório air-quickstart, envie a workload:

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

Os logs de transmissão incluem:

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

Para configurar ambientes, fontes de código, compute e outras configurações de Workload, consulte Workload YAML reference.

Inspecionar uma execução​

Use o ID da execução do job da saída de envio para inspecionar a execução:

Bash
databricks air get <job-run-id>

databricks air get mostra o status da execução, a configuração e o tempo. Ele também faz links para a execução do Job e, quando disponível, para a execução do MLflow.

Para fazer a transmissão de Logs após o envio ou retomar uma transmissão interrompida, faça a execução:

Bash
databricks air logs <job-run-id>

A CLI fornece comandos adicionais para listar, inspecionar, cancelar e recuperar logs de cargas de trabalho. Consulte a referência de comandos doair.

Referência​

Outros recursos​

Nesta página