Databricks CLI snabbstart för AI Runtime

Använd Databricks CLI för att skicka in och övervaka GPU-arbetsbelastningar i AI Runtime. Börja med en minimal GPU-kontroll, kör sedan din egen Python-kod och inspektera körningen.

Requirements

• En Azure Databricks workspace med AI Runtime aktiverat. Se Krav.
• Den senaste Databricks CLI:n, installerad och autentiserad mot din arbetsyta. Se Installera eller uppdatera Databricks CLI och autentisering för Databricks CLI.
• Git måste vara installerat och tillgängligt på din PATH för att köra Python-exemplet. CLI:n använder Git för att paketera lokal kod.

Bekräfta att kommandona air finns tillgängliga i Databricks CLI:

databricks air --help

Kör en minsta arbetsbelastning

Skapa en workload.yaml fil som begär ett A10-grafikkort och kör nvidia-smi för att skriva ut GPU-namnet:

experiment_name: air-quickstart
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xA10
command: nvidia-smi --query-gpu=name --format=csv,noheader

Skicka in arbetsbelastningen och streama dess loggar med databricks air run:

databricks air run --file workload.yaml --watch

CLI:n returnerar Job Run-ID:t och en länk till körningen i din workspace. Med --watch hålls terminalen ansluten och loggar strömmas tills arbetsbelastningen är klar.

Submitting experiment: air-quickstart
Submitted workload with Job Run ID: 783940125630184
View job run at: https://example.cloud.databricks.com/jobs/runs/783940125630184?o=1234567890123456

Monitoring run and streaming logs...
...
Environment setup completed at Thu Oct 1 14:23:45 UTC 2026
NVIDIA A10

Kör din egen Python-kod

För att ladda upp och köra lokal Python-kod, skapa en air-quickstart katalog med följande filer:

air-quickstart/
├── workload.yaml
└── main.py

Använd följande minimala Python-kod för att verifiera att AI Runtime kör den uppladdade koden på GPU:n:

import torch

print("Hello from Python on AI Runtime")
print(f"GPU: {torch.cuda.get_device_name(0)}")

För att utöka detta exempel kan du ersätta main.py med din egen träning, batchinferens eller annan AI-applikation.

Använd följande konfiguration för workload.yaml:

experiment_name: python-quickstart
environment:
  version: databricks_ai_v6
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xH100
code_source:
  type: snapshot
  snapshot:
    root_path: .
command: python "$CODE_SOURCE_PATH/main.py"

Denna konfiguration använder följande inställningar:

• environment.version väljer den inbyggda Databricks AI-miljön version 6, som inkluderar PyTorch.
• root_path: . laddar upp katalogen som innehåller workload.yaml. Vid körning $CODE_SOURCE_PATH pekar den på den uppladdade katalogen.

AI Runtime körs main.py på ett H100-grafikkort.

Från katalogen air-quickstart skickar du arbetslasten:

databricks air run --file workload.yaml --watch

De strömmade loggarna inkluderar:

...
Hello from Python on AI Runtime
GPU: NVIDIA H100 80GB HBM3

För att konfigurera miljöer, kodkällor, beräkning och andra arbetsbelastningsinställningar, se Workload YAML-referens.

Inspektera en körning

Använd Job Run-ID:t från inlämningens utdata för att inspektera körningen:

databricks air get <job-run-id>

databricks air get visar körstatus, konfiguration och tider. Den länkar också till jobbkörningen och, när det finns tillgängligt, MLflow-körningen.

För att visa loggar i realtid efter inlämning eller återuppta en avbruten loggström, kör:

databricks air logs <job-run-id>

CLI:n tillhandahåller ytterligare kommandon för att lista, inspektera, avbryta och hämta loggar från workloads. Se air kommandoreferensen.

Reference

• Arbetsbelastnings-YAML-referens: Hitta arbetsbelastningskonfigurationsfält och exempel.
• air Kommandoreferens: Hitta kommandon och flaggor för att skicka in och hantera arbetsbelastningar.

Ytterligare resurser

• Använd Databricks CLI med AI Runtime
• Konfigurera din miljö
• Ray AI Runtime