Migrieren Sie klassische GPU-Workloads auf eine serverlose Architektur.

Wenn Sie eine vorhandene Deep Learning-Workload von einem klassischen Databricks-Cluster (mit Databricks Runtime ML) auf serverlose (mit AI Runtime) verschieben, führen Sie die folgenden Schritte aus:

1. Ersetzen Sie clusterabhängigen Code. Entfernen Sie alle Verweise auf Spark-basiertes verteiltes Training (z. B. TorchDistributor) und ersetzen Sie sie durch den @distributed Dekorator von serverless_gpu.
2. Laden der aktualisierten Daten. Ersetzen Sie direkte DBFS-Pfade durch Unity-Katalogvolumespfade (/Volumes/...). Ersetzen Sie lokale Spark DataFrame-Vorgänge durch Spark Connect. Um dateibasierte Daten von Datenträgern zu streamen, verwenden Sie UCVolumeDataset aus databricks.air.data. Siehe Laden von Daten auf AI-Runtime.
3. Richten Sie Ihre Umgebung ein. Einige vorinstallierte Runtime-ML-Bibliotheken von Databricks sind auf AI Runtime nicht verfügbar. Richte eine serverlose GPU-Umgebung ein und installiere mit %pip install die Pakete, die dein Workload benötigt. Weitere Informationen finden Sie unter "Einrichten Ihrer Umgebung".
4. Aktualisieren Sie Prüfpunkt-Pfade. Verschiebe Prüfpunkte aus DBFS oder lokalem Speicher in Unity Catalog-Volumes (/Volumes/<catalog>/<schema>/<volume>/...). Für die verteilte Checkpoint-Erstellung verwenden Sie UCVolumeWriter und UCVolumeReader aus databricks.air.data, die die E/A über lokale NVMe-Laufwerke leiten. Siehe Checkpoint mit verteiltem Checkpoint (DCP).
5. Überprüfe deine MLflow-Konfiguration. Auf der KI-Laufzeit erstellt die .distributed() API automatisch MLflow-Läufe. Um das Experiment anzupassen, legen Sie einen absoluten Pfad fest. Um unterbrochene Läufe fortzusetzen, legen Sie einen Laufnamen fest. Sehen Sie, was MLflow bietet.
6. Testen Sie zuerst interaktiv. Überprüfen Sie Ihre Arbeitsauslastung in einem interaktiven Notizbuch, bevor Sie sie als Aufgabe planen.