Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Gérer les dépendances avec runtime\_env
<a name="sagemaker-hyperpod-ray-runtime-env"></a>

Ray `runtime_env` installe les packages pip et envoie un répertoire de travail au cluster au moment de l'exécution. Vous ajoutez une dépendance sans reconstruire une image de conteneur, ce qui accélère le développement interactif.

## Injecter des dépendances de manière interactive
<a name="sagemaker-hyperpod-ray-runtime-env-interactive"></a>

Passer `runtime_env` à`ray.init()`. Ray installe les packages et télécharge le répertoire de travail sur le cluster avant l'exécution de votre code.

```
import ray

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

## Injecter des dépendances pour une tâche soumise
<a name="sagemaker-hyperpod-ray-runtime-env-job"></a>

Pour une tâche que vous soumettez depuis la ligne de commande, transmettez le même environnement avec `--working-dir` et`--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}}
```

Pour l'ensemble complet des `runtime_env` champs, y compris les environnements conda et les variables d'environnement, consultez la section Environnements d'exécution [ Ray ](https://docs.ray.io/en/latest/ray-core/handling-dependencies.html) dans la documentation Ray.