Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Attacher un cluster de rayons à l'espace
L'attachement d'un cluster Ray à un espace pointe votre session IDE ou bloc-notes vers ce cluster, donc s'y ray.init() connecte. À l'intérieur de l'espace, le cluster est accessible sur le port 8265 pour le développement interactif, le même port qu'un cluster Ray local utilise. Vous pouvez faire l'expérience d'exécuter Ray sur un ordinateur portable, tout en bénéficiant d'un traitement à l'échelle du cloud.
Vous gérez la connexion depuis l'onglet Ray cluster situé dans l'espace.
Conditions préalables
-
(Facultatif) Amazon SageMaker Studio configuré pour votre cluster. Pour de plus amples informations, veuillez consulter Configuration de Studio pour Ray.
-
Le module complémentaire SageMaker Spaces est actif. Pour de plus amples informations, veuillez consulter Configuration du module complémentaire Spaces.
-
Un espace JupyterLab ou éditeur de code, créé à partir de l'onglet IDE et blocs-notes d'Amazon SageMaker Studio.
-
Un cluster Ray en cours d'exécution dans le même espace de noms que les space pods.
Connectez un espace à un cluster Ray avec Amazon SageMaker Studio
Pour associer un espace à un cluster de rayons
-
Ouvrez l'espace JupyterLab ou l'éditeur de code que vous avez créé sous l'onglet IDE et blocs-notes de Studio, puis choisissez l'onglet Ray cluster.
-
Choisissez Se connecter.
-
Choisissez un cluster existant dans le sélecteur ou créez-en un nouveau, puis enregistrez-le.
Utilisez Change pour pointer l'espace vers un autre cluster et Disconnect pour le détacher.
Important
L'enregistrement d'un changement de connexion redémarre les space pods. Enregistrez d'abord le travail non enregistré.
Connecter un espace à un cluster Ray avec kubectl
Vous pouvez également appliquer un correctif à la Workspace ressource de l'espace au kubectl lieu d'utiliser Studio. Le modèle d'intégration Ray se trouve dans l'jupyter-k8s-systemespace de noms et vous transmettez le nom du cluster Ray en tant que paramètre.
Remplacez les valeurs suivantes dans les deux commandes :
| Placeholder | Remplacer par |
|---|---|
my-workspace |
Le nom de la Workspace ressource de l'espace. |
my-namespace |
L'espace de noms qui contient à la fois l'espace et le cluster de rayons. |
my-cluster |
Le nom de la pièce RayCluster à joindre. |
Partez ray-integration et jupyter-k8s-system comme ils sont. Ils identifient le modèle d'intégration que le module complémentaire installe.
kubectl patch workspacemy-workspace-nmy-namespace--type=merge -p '{ "spec": { "integrationTemplateRefs": [ { "name": "ray-integration", "namespace": "jupyter-k8s-system", "parameters": [ { "name": "rayClusterName", "value": "my-cluster" } ] } ] } }'
Pour détacher l'espace de son cluster, effacez les références d'intégration.
kubectl patch workspacemy-workspace-nmy-namespace--type=merge -p '{"spec":{"integrationTemplateRefs":[]}}'
Vérification
Après avoir connecté l'espace ray.init() et ray job submit atteint le cluster connecté par défaut. Ouvrez un terminal ou un bloc-notes dans l'espace et lancezray.init(). Vérifiez qu'il se connecte au cluster.
Compatibilité des versions
L'image SageMaker AI Distribution de l'espace comporte sa propre version Ray et doit correspondre à celle du clusterspec.rayVersion. Lorsque les versions diffèrent, Studio affiche un avertissement et propose de créer un cluster compatible à la place.
La version de Python doit également correspondre, y compris la version du correctif. Un espace exécutant Python 3.11.9 et un cluster exécutant Python 3.11.4 ne sont pas compatibles.
Une incompatibilité de version apparaît sous forme d'erreurs pendant le développement. Pour simplifier l'expérience, vous pouvez choisir la même image SageMaker AI Distribution pour le cluster de rayons et l'image spatiale afin de garantir la compatibilité.
