Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Erste Schritte

Ray On HyperPod läuft unverändert auf dem KubeRay Open-Source-Operator und seinen benutzerdefinierten Ressourcen. Für den Einstieg benötigen Sie nur einen von Amazon EKS orchestrierten HyperPod Cluster und den darauf installierten KubeRay Operator. HyperPod fügt dann Funktionen rund um Ray hinzu, die Sie auf eine von zwei Arten übernehmen.

Erste Schritte

Diese beiden Schritte sind alles, was Sie benötigen, um Ray auszuführen HyperPod.

Ray verfügt über HyperPod

HyperPod fügt Funktionen rund um Ray hinzu, und es gibt zwei Möglichkeiten, sie zu übernehmen. Das Setup ist in beiden Fällen dasselbe, und auf beiden laufen derselbe Open-Source-Ray und dieselben KubeRay benutzerdefinierten Ressourcen. Der Unterschied besteht darin, wie Ihre Teams die Funktionen nutzen. Sie können mit einem beginnen und das andere später hinzufügen.

Purpose-built Erfahrung als Datenwissenschaftler. Amazon SageMaker Studio vereint diese Funktionen in einer Oberfläche. Sie erstellen und verwalten Ray-Cluster, entwickeln interaktiv in einem angeschlossenen Bereich, erreichen das Ray-Dashboard über einen Browserlink und öffnen Grafana-Dashboards, ohne Kubernetes-Manifeste zu schreiben. Richten Sie zuerst Amazon SageMaker Studio für Ray ein. Weitere Informationen finden Sie unter Studio für Ray einrichten. Sie können sich dann für jede Funktion einzeln entscheiden, z. B. das SageMaker AI Spaces-Add-on für interaktive Entwicklung und das HyperPod Observability-Add-on für Dashboards.

Integration von Funktionen in Ihre bestehende interne ML-Plattform. Wählen Sie diese Option, wenn Sie Ihre eigene interne ML-Plattform auf Amazon EKS betreiben und Ihre Tools und Workflows beibehalten möchten. Sie fügen Ihrem Amazon EKS-Cluster HyperPod Rechenleistung hinzu und übernehmen nur die Funktionen, die Ihnen fehlen. Amazon SageMaker Studio ist für nichts erforderlich. Jede Funktion ist ein separates Add-on oder ein Python-Paket, sodass Sie eines übernehmen und beenden können.

Jede Funktion ist auf beide Arten verfügbar. Das speziell entwickelte Erlebnis bietet eine Weboberfläche, und auf Ihrer eigenen Plattform nutzen Sie dieselben Funktionen. kubectl