Opzioni di calcolo delle risorse per l'editor del notebook nei progetti

Tipi di ambienti

È possibile utilizzare questi tipi di ambienti per l'esecuzione del notebook:

• Ambienti CPU Anaconda per i workload standard.
• Ambienti Spark per l'elaborazione parallela fornita dalla piattaforma o da altri servizi.
• Ambienti GPU per modelli di machine learning ad alta intensità di elaborazione.

La maggior parte dei tipi di ambiente per i notebook hanno modelli di ambiente predefiniti in modo da poter iniziare rapidamente. Altrimenti, è possibile creare modelli di ambiente personalizzati.

Release runtime

Gli ambienti predefiniti per i notebook vengono aggiunti come affiliati di una release di runtime e con il prefisso Runtime seguito dall'anno di release e dalla relativa versione.

Una release di runtime specifica un elenco di librerie di data science chiave e una versione del linguaggio, ad esempio Python 3.10. Tutti gli ambienti di una release di runtime sono creati in base alle versioni di libreria definite nella release, garantendo così l'utilizzo coerente delle librerie di data science in tutte le applicazioni di data science.

Uno 24.1 Versione runtime e una 23.1 Esistono versioni runtime per diverse versioni di Python e R.

Mentre una release di runtime è supportata, IBM aggiornerà la versione della libreria per soddisfare i requisiti di sicurezza. Notare che questi aggiornamenti non modificheranno le versioni <Major>.<Minor> delle librerie, ma solo le versioni <Patch> . Ciò garantisce che le risorse del notebook continueranno l'esecuzione.

Modelli di ambiente CPU

È possibile selezionare uno dei seguenti modelli di ambiente CPU predefiniti per i notebook. I modelli di ambiente predefiniti sono elencati in Modelli nella pagina Ambienti nella scheda Gestisci del progetto.

DO Indica che i modelli di ambiente includono le librerie CPLEX e DOcplex per modellare e risolvere problemi di ottimizzazione delle decisioni che superano la complessità supportata dalla Community Edition delle librerie negli altri ambienti Python predefiniti. Vedere notebookDecision Optimization.

NLP Indica che i modelli di ambiente includono la libreria Watson Natural Language Processing con modelli preaddestrati per le attività di elaborazione del linguaggio che è possibile eseguire su dati non strutturati. Vedi Utilizzo della libreria Watson Natural Language Processing. Questo ambiente predefinito deve essere abbastanza grande da eseguire i modelli preaddestrati.

Arresta tutti i runtime CPU attivi quando non ne hai più bisogno, per evitare di consumare CUH (extra capacity unit hours). Vedere timeout di inattività CPU.

Modelli di ambiente Spark

È possibile selezionare uno dei seguenti modelli di ambiente Spark predefiniti per notebook. I modelli di ambiente predefiniti sono elencati in Modelli nella pagina Ambienti nella scheda Gestisci del progetto.

Arresta tutti i runtime Spark attivi quando non ne hai più bisogno, per evitare di consumare CUH (extra capacity unit hours). Vedere Spark idle timeout.

Modelli di ambiente GPU

Puoi selezionare il seguente template di ambiente GPU per i notebook. I modelli di ambiente sono elencati in Modelli nella pagina Ambienti nella scheda Gestisci del progetto.

I nomi dei modelli di ambiente GPU indicano la potenza dell'acceleratore. I modelli di ambiente GPU comprendono la libreria Watson Natural Language Processing con modelli preaddestrati per le attività di elaborazione del linguaggio che puoi eseguire su dati non strutturati. Vedi Utilizzo della libreria Watson Natural Language Processing.

~ Indica che il modello di ambiente richiede un piano professionale Watson Studio . Vedi Piani dell'offerta.

Arresta tutti i runtime GPU attivi quando non ne hai più bisogno, per evitare di consumare CUH (extra capacity unit hours). Vedi Timeout di inattività GPU.

Specifiche hardware predefinite per il calcolo del punteggio dei modelli con Watson Machine Learning

Quando richiami l'API Watson Machine Learning all'interno di un notebook, consumi le risorse di calcolo dal servizio Watson Machine Learning e le risorse di elaborazione per il kernel del notebook.

È possibile selezionare una delle seguenti specifiche hardware quando ci si collega a Watson Machine Learning e si crea una distribuzione.

File di dati in ambienti notebook

Se si utilizzano dataset di grandi dimensioni, è necessario archiviare i dataset in blocchi più piccoli in IBM Cloud Object Storage associato al progetto ed elaborare i dati in blocchi nel notebook. In alternativa, eseguire il notebook in un ambiente Spark.

Tenere presente che il file system di ciascun runtime non è persistente e non può essere condiviso tra ambienti. Per conservare i file in Watson Studio, devi utilizzare IBM Cloud Object Storage. Il modo più semplice per utilizzare IBM Cloud Object Storage nei notebook nei progetti è quello di sfruttare il pacchetto project-lib per Python o il pacchetto project-lib per R.

Utilizzo del calcolo per servizio

I runtime del notebook utilizzano risorse di calcolo come CUH da Watson Studio, durante l'esecuzione di ambienti predefiniti o personalizzati. È possibile monitorare il consumo CUH di Watson Studio nel progetto nella pagina Utilizzo risorse nella scheda Gestisci del progetto.

I notebook possono anche utilizzare CUH dal servizio Watson Machine Learning quando il notebook richiama Watson Machine Learning per calcolare il punteggio di un modello. Puoi monitorare la quantità totale mensile di consumo CUH per il servizio Watson Machine Learning nella pagina Utilizzo risorse nella scheda Gestisci del progetto.

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

'capacity_units': {'current': 19773430}

19773430/(3600*1000)

Ambito runtime

I runtime di ambiente si trovano sempre nell'ambito di un template di ambiente e di un utente all'interno di un progetto. Se diversi utenti in un progetto lavorano con lo stesso ambiente, ogni utente otterrà un runtime separato.

Se si sceglie di eseguire una versione di un notebook come un lavoro pianificato, ogni lavoro pianificato verrà sempre avviato in un runtime dedicato. Il runtime viene arrestato al termine del lavoro.

Modifica dell'ambiente di un notebook

È possibile cambiare ambiente per diversi motivi, ad esempio, è possibile:

• Selezionare un ambiente con più potenza di elaborazione o più RAM
• Passaggio dall'utilizzo di un ambiente senza Spark a un ambiente Spark

È possibile modificare l'ambiente di un notebook solo se il notebook è sbloccato. È possibile modificare l'ambiente:

• Dal notebook aperto in modalità di modifica:

  1. Salvare le modifiche del notebook.
  2. Clicca il Informazioni sul taccuino icona dalla barra degli strumenti del notebook e quindi fare clic su Ambiente.
  3. Selezionare un altro modello con la capacità di calcolo e la capacità di memoria dall'elenco.
  4. Selezionare Modifica ambiente. Questo arresta il runtime attivo e avvia l'ambiente appena selezionato.

• Dalla pagina Asset del progetto:

  1. Selezionare il blocco note nella sezione Blocco note, fare clic su Azioni> Modifica ambiente e selezionare un altro ambiente. Il kernel deve essere arrestato prima di poter modificare l'ambiente. Questo nuovo ambiente di runtime verrà istanziato la volta successiva che il notebook viene aperto per la modifica.

• Nel lavoro notebook modificando il modello di lavoro. Consultare Modifica delle impostazioni del job.

Passi successivi

• Creazione di un notebook
• Creazione del proprio template ambiente
• Personalizzazione di un template ambiente
• Arresto dei runtime del notebook attivo

Ulteriori informazioni

• Monitoraggio dell'utilizzo delle risorse dell'account

Argomento principale Risorse di calcolo per strumenti