簡単に言うと: EmpirioLabs GPU CloudにはPyTorch + JupyterLabのテンプレートが含まれています。GPUを選び、テンプレートをデプロイし、ブラウザでJupyterLabを開いて、ローカルマシンでドライバーを設定せずにCUDAバックアップノートパソコンを起動し始めましょう。
なぜPyTorchとJupyterLabがGPU Cloudに合うのか
PyTorchは多くのモデル実験における標準的なPythonフレームワークであり、 公式のPyTorchインストールガイド CUDAサポートは一流のセットアップとして扱っています。JupyterLabはブラウザワークスペースを追加し、ノートブック、ファイル、端末、インタラクティブ出力を一か所にまとめます。その JupyterLabのドキュメント ノートブックやコードワークフローのための次世代ウェブベースのインターフェースとして説明しています。
この組み合わせは、モデルのテスト、データの検査、簡単なトレーニングや微調整の実験、ベンチマーク推論、またはノートパソコンより強力なマシンからCUDAスクリプトをデバッグしたいときに役立ちます。
EmpirioLabsテンプレートが提供するもの
PyTorch + JupyterLabテンプレートはCUDAのPyTorchランタイムを起動し、ブラウザ上でJupyterLabを起動します。自分でノートパソコンサーバーを公開したり、ローカルGPUドライバーを管理したりする必要はありません。ダッシュボードはデプロイフローを処理し、状況を表示し、インスタンスの準備ができたらブラウザを開くボタンを表示します。
JupyterLabに入ったら、まずは小さなCUDAの合理性チェックから始めましょう:
インポートトーチプリント(torch.cuda.is_available()) print(torch.cuda.get_device_name(0) torch.cuda.is_available() そうでなければ「No CUDA GPU」)CUDAが利用可能な場合は、実際のワークロードに移ります:モデルの読み込み、推論のテスト、ノートブックの実行、依存関係スタックの検証などです。
PyTorch + JupyterLabの立ち上げ方法
- サインインは プラットフォーム.empiriolabs.ai そして開けて GPUクラウドお問い合わせ.
- GPUはメモリ、価格、入手可能性を基準に選びましょう。
- クリック 展開、開けて テンプレート タブ、そして選択 PyTorch + JupyterLabお問い合わせ.
- インスタンスをデプロイして、実行中と表示されるまで待ちます。
- クリック オープンJupyterLab ブラウザで作業を始めるために。
良いユースケース
- 特定のGPUにモデルが適合するかどうかをテストしてから、そのGPUを中心にサービスを構築すること。
- データ検査、埋め込み、画像テスト、推論ベンチマークのための短いノートブックを運用すること。
- クリーンランタイムでのCUDAおよびPyTorchパッケージ動作のデバッグ。
- トレーニングや微調整のアイデアを試してから、それを繰り返し可能なパイプラインに変えることです。
他の選択肢を選ぶタイミング
探索用ノートが必要なときはPyTorch + JupyterLabを使いましょう。使用方法 快適なUIです ワークフローが視覚的かつノードベースである場合。OpenAI互換APIを通じてHugging Faceモデルを提供したい場合は、ワンクリックモデル展開パスをご利用ください。すでに自分のサーバー、API、ウェブUIがある場合はカスタムDockerイメージを使いましょう。
コスト管理のヒント
GPU Cloudはオンデマンドのワークスペースとして扱うのが最適です。実験中はGPUを起動し、終わったら停止または破棄し、ノートブックやセットアップノートは後で再利用する際に一時的な実行時間外に保存しておきましょう。長期的なサービスの場合は、実験が安定したらノートブックからデプロイ可能なコンテナやモデルエンドポイントに移行しましょう。
