Rechenressourcenoptionen für den Notebookeditor in Projekten

Umgebungstypen

Sie können diese Typen von Umgebungen für das Ausführen des Notizbuchs verwenden:

• Anaconda-CPU-Umgebungen für Standardworkloads.
• Spark-Umgebungen für die Parallelverarbeitung, die von der Plattform oder von anderen Services bereitgestellt wird.
• GPU-Umgebungen für rechenintensive Modelle für maschinelles Lernen.

Die meisten Umgebungstypen für Notebooks verfügen über Standardumgebungsvorlagen, sodass Sie schnell beginnen können. Andernfalls können Sie angepasste Umgebungsvorlagen erstellen.

Laufzeitreleases

Die Standardumgebungen für Notebooks werden als Affiliate eines Laufzeitrelease mit dem Präfix Runtime , gefolgt vom Releasejahr und der Releaseversion, hinzugefügt.

Ein Laufzeitrelease gibt eine Liste wichtiger Data-Science-Bibliotheken und eine Sprachversion an, beispielsweise Python 3.10. Alle Umgebungen eines Laufzeitrelease basieren auf den im Release definierten Bibliotheksversionen und stellen so die konsistente Verwendung von Data-Science-Bibliotheken in allen Data-Science-Anwendungen sicher.

Eins 24.1 Runtime-Release und eine 23.1 Runtime-Releases gibt es für verschiedene Versionen von Python und R.

Während ein Laufzeitrelease unterstützt wird, aktualisiert IBM die Bibliotheksversionen, um Sicherheitsanforderungen zu erfüllen. Beachten Sie, dass diese Aktualisierungen die <Major>.<Minor> -Versionen der Bibliotheken nicht ändern, sondern nur die <Patch> -Versionen. Dadurch wird sichergestellt, dass Ihre Notebook-Assets weiterhin ausgeführt werden.

CPU-Umgebungsvorlagen

Sie können eine der folgenden Standardvorlagen für CPU-Umgebungen für Notebooks auswählen. Die Standardumgebungsvorlagen werden unter Vorlagen auf der Seite Umgebungen auf der Registerkarte Verwalten Ihres Projekts aufgelistet.

DO Gibt an, dass die Umgebungsvorlagen die CPLEX- und DOcplex-Bibliotheken enthalten, um Probleme bei der Entscheidungsoptimierung zu modellieren und zu lösen, die die Komplexität überschreiten, die von der Community Edition der Bibliotheken in den anderen Python-Standardumgebungen unterstützt wird. Siehe Decision Optimization-Notebooks.

NLP Gibt an, dass die Umgebungsvorlagen die Watson Natural Language Processing-Bibliothek mit vorab trainierten Modellen für Sprachverarbeitungstasks enthalten, die Sie für unstrukturierte Daten ausführen können. Siehe Watson Natural Language Processing-Bibliothek verwenden. Diese Standardumgebung sollte groß genug sein, um die vorab trainierten Modelle auszuführen.

Stoppen Sie alle aktiven CPU-Laufzeiten, wenn Sie sie nicht mehr benötigen, um zu verhindern, dass zusätzliche Kapazitätseinheitenstunden (CUHs) verbraucht werden. Siehe CPU-Inaktivitätszeitlimit.

Spark-Umgebungsvorlagen

Sie können eine der folgenden standardmäßigen Spark-Umgebungsvorlagen für Notebooks auswählen. Die Standardumgebungsvorlagen werden unter Vorlagen auf der Seite Umgebungen auf der Registerkarte Verwalten Ihres Projekts aufgelistet.

Stoppen Sie alle aktiven Spark-Laufzeiten, wenn Sie sie nicht mehr benötigen, um zu verhindern, dass zusätzliche Kapazitätseinheitenstunden (CUHs) verbraucht werden. Siehe Spark-Inaktivitätszeitlimit.

GPU-Umgebungsvorlagen

Sie können die folgende GPU-Umgebungsvorlage für Notebooks auswählen. Die Umgebungsvorlagen werden unter Vorlagen auf der Seite Umgebungen auf der Registerkarte Verwalten Ihres Projekts aufgelistet.

Die Namen der GPU-Umgebungsvorlagen geben die Akzeleratorleistung an. Die GPU-Umgebungsvorlagen enthalten die Watson Natural Language Processing-Bibliothek mit vorab trainierten Modellen für Sprachverarbeitungstasks, die Sie für unstrukturierte Daten ausführen können. Siehe Watson Natural Language Processing-Bibliothek verwenden.

~ Gibt an, dass die Umgebungsvorlage den Watson Studio Professional-Plan erfordert. Siehe Angebotspläne.

Stoppen Sie alle aktiven GPU-Laufzeiten, wenn Sie sie nicht mehr benötigen, um zu verhindern, dass zusätzliche Kapazitätseinheitenstunden (CUHs) verbraucht werden. Siehe GPU-Inaktivitätszeitlimit.

Standardhardware-Spezifikationen für Scoring-Modelle mit Watson Machine Learning

Wenn Sie die Watson Machine Learning-API in einem Notebook aufrufen, verbrauchen Sie Rechenressourcen aus dem Watson Machine Learning-Service sowie die Rechenressourcen für den Notebook-Kernel.

Sie können eine beliebige der folgenden Hardwarespezifikationen auswählen, wenn Sie eine Verbindung zu Watson Machine Learning herstellen und eine Implementierung erstellen.

Datendateien in Notizbuchumgebungen

Wenn Sie mit großen Datasets arbeiten, sollten Sie die Datasets in IBM Cloud Object Storage für Ihr Projekt in kleineren Chunks speichern und die Daten im Notebook in Chunks verarbeiten. Alternativ sollten Sie das Notebook in einer Spark-Umgebung ausführen.

Beachten Sie, dass das Dateisystem jeder Laufzeit nicht persistent ist und in den Umgebungen nicht gemeinsam genutzt werden kann. Wenn Sie Dateien in Watson Studio als persistent definieren wollen, sollten Sie IBM Cloud Object Storage verwenden. Die einfachste Möglichkeit, IBM Cloud Object Storage in Notebooks in Projekten zu verwenden, ist die Nutzung des project-lib-Pakets für Python oder des project-lib-Pakets für R.

Rechenleistungsnutzung nach Service

Die Notebook-Laufzeiten nutzen Rechenressourcen wie CUH aus Watson Studio, während Standardumgebungen oder angepasste Umgebungen ausgeführt werden. Sie können die Watson Studio -CUH-Nutzung im Projekt auf der Seite Ressourcennutzung auf der Registerkarte Verwalten des Projekts überwachen.

Notebooks können auch CUH aus dem Watson Machine Learning-Service verbrauchen, wenn das Notebook Watson Machine Learning aufruft, um ein Modellscoring durchzuführen. Sie können den monatlichen Gesamtverbrauch von CUH für den Service Watson Machine Learning auf der Seite Ressourcennutzung auf der Registerkarte Verwalten des Projekts überwachen.

CP = client.service_instance.get_details()
CUH = CUH["entity"]["usage"]["capacity_units"]["current"]/(3600*1000)
print(CUH)

'capacity_units': {'current': 19773430}

19773430/(3600*1000)

Laufzeitbereich

Umgebungslaufzeiten gelten immer für eine Umgebungsvorlage und einen Benutzer innerhalb eines Projekts. Wenn verschiedene Benutzer in einem Projekt mit derselben Umgebung arbeiten, erhält jeder Benutzer eine separate Laufzeit.

Wenn Sie eine Version eines Notebooks als geplanten Job ausführen lassen, startet jeder geplante Job immer in einer dedizierten Laufzeit. Die Laufzeit wird bei Beendigung des Jobs gestoppt.

Umgebung eines Notebooks ändern

Sie können Umgebungen aus verschiedenen Gründen wechseln, zum Beispiel:

• Eine Umgebung mit mehr Verarbeitungsleistung oder mehr RAM auswählen.
• Von der Verwendung einer Umgebung ohne Spark zu einer Spark-Umgebung wechseln.

Sie können nur die Umgebung eines freigegebenen Notebooks ändern. Sie können die Umgebung ändern:

• Öffnen Sie das Notebook im Bearbeitungsmodus und gehen Sie wie folgt vor:

  1. Speichern Sie die Änderungen im Notebook.
  2. Klicken Sie in der Notebook-Symbolleiste auf das Symbol Notebook Info und dann auf Umgebung.
  3. Wählen Sie in der Liste eine andere Vorlage mit Rechenleistung und Speicherkapazität aus.
  4. Wählen Sie Umgebung ändern aus. Dadurch wird die aktive Laufzeit gestoppt und die neu ausgewählte Umgebung gestartet.

• Gehen Sie auf der Seite Assets Ihres Projekts wie folgt vor:

  1. Wählen Sie das Notebook im Abschnitt Notebooks aus, klicken Sie auf Aktionen > Umgebung ändern und wählen Sie eine andere Umgebung aus. Bevor Sie die Umgebung ändern können, muss der Kernel gestoppt werden. Diese neue Laufzeitumgebung wird instanziiert, wenn das Notebook das nächste Mal zur Bearbeitung geöffnet wird.

• Im Notebook-Job durch Bearbeiten der Jobschablone. Siehe Jobeinstellungen bearbeiten.

Nächste Schritte

• Notebook erstellen
• Eigene Umgebungsvorlage erstellen
• Umgebungsvorlage anpassen
• Aktive Notebooklaufzeiten stoppen

Weitere Informationen

• Kontoressourcennutzung überwachen

Übergeordnetes Thema: Ressourcen für Tools berechnen