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

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

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

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 ](https://docs.ray.io/en/latest/ray-core/handling-dependencies.html) nella documentazione di Ray.