For AI agents: the complete documentation index is available at https://docs.ovhcloud.com/fr/llms.txt, the full documentation bundle is available at https://docs.ovhcloud.com/fr/llms-full.txt, and this page is available as Markdown at https://docs.ovhcloud.com/fr/guides/public-cloud/ai-machine-learning/ai-training-start-use-notebooks.md.

AI Training - Démarrer un job avec une image Docker pour notebook

Voir en Markdown

Découvrez comment utiliser un notebook dans AI Training

Objectif

Ce guide décrit comment démarrer un notebook interactif simple exploitant des GPU via le service AI Training.

Prérequis

Accès à l'espace client OVHcloud

  • Lien direct :
  • Pour accéder à vos services : Public Cloud > Sélectionnez votre projet

En pratique

Étape 1 - Commencer comme une soumission de job classique

Suivez les mêmes étapes qu'une soumission de job classique décrite ici jusqu'à atteindre l'étape 5 - Fournir une image Docker.

Étape 2 - Sélectionner le notebook correspondant à vos besoins

Un job est essentiellement un container Docker exécuté au sein de l'infrastructure OVHcloud.

Les notebooks sont des daemon jobs, ce qui signifie qu'ils s'exécutent indéfiniment jusqu'à ce que l'utilisateur demande une interruption.

AI Training propose plusieurs images de notebook avec différentes configurations. Vous pouvez choisir celle qui correspond le mieux à vos besoins.

Les configurations suivantes sont actuellement disponibles :

  • PyTorch : une image préconfigurée OVHcloud incluant le notebook JupyterLab, l'IDE Visual Studio Code et les bibliothèques pytorch
  • Tensorflow 2 : une image préconfigurée OVHcloud contenant le notebook JupyterLab, l'IDE Visual Studio Code et les bibliothèques tensorflow 2
  • Hugging Face Transformers : une image préconfigurée OVHcloud contenant le notebook JupyterLab, l'IDE Visual Studio Code et les bibliothèques hugging face
  • MXNet : une image préconfigurée OVHcloud contenant le notebook JupyterLab, l'IDE Visual Studio Code et les bibliothèques mxnet
  • Fast.ai : une image préconfigurée OVHcloud contenant le notebook JupyterLab, l'IDE Visual Studio Code et les bibliothèques fast.ai
  • autogluon : une image préconfigurée OVHcloud contenant le notebook JupyterLab, l'IDE Visual Studio Code et les bibliothèques AutoGluon + mxnet Étape 2 Enter the Docker image proposant les préréglages MXNet Fast.ai Pytorch Tensorflow 2 et Hugging Face Transformers chacun fourni avec JupyterLab et VSCode avec Tensorflow 2 sélectionné et un champ Custom image en dessous

Une fois votre image choisie, cliquez sur Suivant.

Étape 3 - Continuer comme une soumission de job classique

Continuez à suivre les mêmes étapes qu'une soumission de job classique décrite ici jusqu'à atteindre l'étape 10 - Consulter votre job.

Warning

Si vous souhaitez pouvoir sauvegarder les fichiers de votre notebook sur votre Object Storage, nous vous conseillons vivement de rattacher un volume en lecture et en écriture à votre job avant de le soumettre. Ce volume sera synchronisé avec votre Object Storage à la fin du job.

Étape 4 - Accéder à l'URL du notebook

Une fois votre job In progress, dans le panneau de description du job, vous devriez voir le lien Access. Cliquez dessus et vous serez redirigé vers l'URL de votre job.

Panneaux de détail du job affichant Job information pour ai-training-tensorflow-acid-alvarez dans la région GRA un panneau Container avec l'image ovhcom/ai-training-tensorflow:2.3.0 In progress et un lien HTTP access et un panneau Resources avec 1 GPU

Étape 5 - Se connecter en tant qu'utilisateur AI Training

Si vous n'êtes pas authentifié en tant qu'utilisateur AI Training, un écran vous demandant votre nom d'utilisateur et votre mot de passe devrait s'afficher.

Info

Si vous n'avez pas encore créé d'utilisateur pour AI Training, vous pouvez suivre les instructions ici.

Remplissez les champs et cliquez sur Login.

Formulaire de connexion OVHcloud avec les champs User Name et Password et le bouton Connect

Étape 6 - Utiliser votre notebook

Dans la plupart des images préconfigurées fournies, vous pouvez choisir l'éditeur que vous préférez entre JupyterLab et VisualStudio Code.

Choix entre le bouton Jupyter Lab et le bouton Visual Studio Code

Sélectionnez simplement celui que vous souhaitez utiliser, et vous serez redirigé vers celui-ci.

JupyterLab avec l'onglet Launcher ouvert proposant les tuiles Notebook et Console pour Python 3 et un fichier index.html dans le navigateur de fichiers

Par défaut, le répertoire personnel de votre job se trouve sous /workspace. Cela signifie que vous disposerez d'un accès en lecture et en écriture à ce répertoire, ainsi qu'à vos volumes montés en lecture et en écriture.

Warning

S'il vous manque une bibliothèque ou une configuration, vous pouvez l'ajouter directement en ligne de commande dans la console du notebook, tant que vous n'avez pas besoin d'accès privilégié (accès root). Exemple : pip install <...>

Pour installer des bibliothèques spécifiques nécessitant un accès privilégié, vous devrez construire votre propre image de notebook et l'utiliser comme image personnalisée à l'étape 2 au lieu d'une image préconfigurée. Plus d'informations sur la création de votre propre image Docker ici.

Info

Si vous ouvrez un onglet console dans votre notebook et tapez nvidia-smi, vous verrez les GPU disponibles que vous pouvez utiliser sur votre notebook.

Terminal JupyterLab affichant la bannière TensorFlow puis la sortie de nvidia-smi indiquant la version de pilote 450.51.05 la version CUDA 11.0 et un GPU Tesla V100S consommant 25W sur 250W sans processus en cours

Étape 7 - Arrêter votre notebook

Une fois que vous avez terminé de travailler avec votre notebook, n'oubliez pas de l'arrêter.

Vous pouvez le faire en sélectionnant Arrêter dans le menu d'actions.

Panneau Actions contenant une seule entrée Stop

Puis confirmez votre choix.

Fenêtre de confirmation Stop the job listant l'ID du job la région l'image Docker l'utilisateur admin le statut In progress et la date de création avec les boutons Cancel et Confirm stop

Après un certain temps, votre job devrait passer à l'état Interrupted, signifiant que le job a été arrêté.

Champ Status affichant le badge Interrupted
Info

Avant de passer à l'état Interrupted, votre job peut traverser l'état Finalizing. Durant cette phase, toutes les données présentes dans les read & write volumes sont sauvegardées dans les conteneurs associés de votre Object Storage.

Votre avis nous intéresse !

N’hésitez pas à nous faire part de vos questions, retours et suggestions pour améliorer le service :

Pour une formation ou une assistance technique sur la mise en œuvre de nos solutions, contactez votre commercial ou consultez la page Professional Services pour obtenir un devis et faire analyser votre projet par nos experts.

Cette page vous a-t-elle aidé ?