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.

Verwaltung von Abhängigkeiten mit runtime_env

Ray runtime_env installiert Pip-Pakete und versendet zur Laufzeit ein Arbeitsverzeichnis an den Cluster. Sie fügen eine Abhängigkeit hinzu, ohne ein Container-Image neu zu erstellen, wodurch die interaktive Entwicklung schnell vonstatten geht.

Fügen Sie Abhängigkeiten interaktiv ein

Übergeben anruntime_env. ray.init() Ray installiert die Pakete und lädt das Arbeitsverzeichnis in den Cluster hoch, bevor Ihr Code ausgeführt wird.

import ray

ray.init(runtime_env={
    "pip": ["pandas==2.2.2", "scikit-learn"],
    "working_dir": "./src",
})

Fügen Sie Abhängigkeiten für einen übermittelten Job ein

Übergeben Sie für einen Job, den Sie über die Befehlszeile einreichen, dieselbe Umgebung mit --working-dir und--runtime-env-json.

ray job submit \
    --address sagemaker_ray://my-cluster/my-namespace \
    --working-dir ./src \
    --runtime-env-json '{"pip": ["pandas==2.2.2", "scikit-learn"]}' \
    -- python my-script.py

Den vollständigen Satz von runtime_env Feldern, einschließlich Conda-Umgebungen und Umgebungsvariablen, finden Sie in der Ray-Dokumentation unter Ray-Laufzeitumgebungen.