quick-start

Знакомство с платформой ML Space от Cloud.ru

В этом разделе приведены примеры создания и отправки задач для обучения моделей на платформе ML Space.

На схеме примеры сгруппированы по инструментам для обучения. Ниже находятся ссылки на каждый пример для Jupyter Notebook с кратким описанием.

Использование Training Job API здесь не рассматривается. Подробнее об API ML Space, в том числе для задач обучения — в быстром старте по API и пользовательской документации.

1. Обучение напрямую на выделенных GPU

При таком варианте обучения максимальное количество выделенных GPU — 16. Подходит для пользователей, не знакомых с библиотекой Horovod.

Оплата взимается, пока Jupyter Server не будет удален, даже если он не используется.

• Обучение модели в Jupyter Server показывает, как обучать модель напрямую из Jupyter Notebook, подключенного к GPU, задействуя Pytorch, Tensorboard и MLFlow.

  В примере решается задача классификации на учебном датасете MNIST.

Подробнее о создании Jupyter Server — в документации.

2. Обучение в регионе с помощью client-lib

При таком варианте обучения можно задействовать до 1000 GPU. Оплата происходит за фактическое время исполнения задачи: от старта до окончания обучения.

• Обучение модели на GPU с применением Tensorflow 1 показывает, как создать и запустить задачу распределенного обучения (training job) на Horovod и TensorFlow 1.

  В примере решается задача классификации на учебном датасете MNIST.

• Обучение модели на GPU с применением Tensorflow 2 показывает, как создать и запустить задачу распределенного обучения (training job) на Keras, Horovod и TensorFlow 2.

  В примере решается задача классификации на учебном датасете MNIST.

• Обучение модели на CPU показывает, как создать и запустить задачу, не требующую GPU.

  В примере решается задача предсказания цен домов.

Подробнее о работе с client-lib — в документации.