Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Gestione delle dipendenze con runtime_env

Ray runtime_env installa i pacchetti pip e invia una directory di lavoro al cluster in fase di esecuzione. Si aggiunge una dipendenza senza ricostruire un'immagine del contenitore, il che mantiene veloce lo sviluppo interattivo.

Inserisci le dipendenze in modo interattivo

Passa a. runtime_env ray.init() Ray installa i pacchetti e carica la directory di lavoro nel cluster prima che il codice venga eseguito.

import ray

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

Inserisci le dipendenze per un lavoro inviato

Per un lavoro inviato dalla riga di comando, passate lo stesso ambiente con --working-dir e. --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

Per il set completo di runtime_env campi, inclusi gli ambienti conda e le variabili di ambiente, vedete Ray runtime environment nella documentazione di Ray.