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
<a name="sagemaker-hyperpod-ray-runtime-env"></a>

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
<a name="sagemaker-hyperpod-ray-runtime-env-interactive"></a>

Übergeben an`runtime_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
<a name="sagemaker-hyperpod-ray-runtime-env-job"></a>

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 ](https://docs.ray.io/en/latest/ray-core/handling-dependencies.html) Ray-Dokumentation unter Ray-Laufzeitumgebungen.