Installez le SDK PAI pour Python et configurez les identifiants de l'espace de travail ainsi que les paramètres de région pour entraîner et déployer des modèles.
Prérequis
Python 3.8 ou version ultérieure.
-
Les utilisateurs RAM doivent disposer des autorisations suivantes sur l'espace de travail et les compartiments Object Storage Service (OSS) :
Attribuez le rôle de développeur ou d'administrateur à l'utilisateur RAM pour soumettre des tâches d'entraînement. Pour plus d'informations, consultez la rubrique Gérer les membres de l'espace de travail.
Accordez des autorisations de lecture et d'écriture afin de stocker le code et les modèles dans les compartiments OSS. Pour plus d'informations, reportez-vous à la section « Accorder à votre utilisateur ou rôle RAM les autorisations d'accès à OSS » de la rubrique Accorder les autorisations requises pour utiliser Machine Learning Designer.
Installation
Exécutez la commande suivante pour installer le SDK PAI pour Python :
pip install "alipai>=0.4.0"Configuration
Exécutez la commande suivante pour lancer l'assistant de configuration :
# Run after SDK installation.
python -m pai.toolkit.configExemple de configuration :
Une fois la configuration réussie, le message suivant s'affiche : Configuration saved successfully: <Chemin d'enregistrement des configurations>.
Paramètres de configuration
L'assistant vous invite à spécifier les paramètres suivants :
Paramètre
Description
Exemple
workspace_id
ID de votre espace de travail PAI. Vous pouvez le trouver dans la PAI console.
12345
region_id
Région Alibaba Cloud où votre espace de travail ou Elastic Algorithm Service (EAS) est déployé.
Requis pour l'accès interrégional.
us-southeast-1
oss_bucket_name
Nom du compartiment OSS utilisé pour stocker le code et les modèles.
my-pai-bucket
Régions disponibles
Le tableau suivant répertorie les valeurs prises en charge pour le paramètre region_id :
Région
ID de région
Chine (Hangzhou)
cn-hangzhou
Chine (Shanghai)
cn-shanghai
Chine (Pékin)
cn-beijing
Chine (Shenzhen)
cn-shenzhen
Chine (Zhangjiakou)
cn-zhangjiakou
Chine (Hong Kong)
cn-hongkong
Singapour
ap-southeast-1
Indonésie (Jakarta)
ap-southeast-5
États-Unis (Silicon Valley)
us-west-1
États-Unis (Virginie)
us-east-1
États-Unis (Atlanta)
us-southeast-1
Allemagne (Francfort)
eu-central-1
Royaume-Uni (Londres)
eu-west-1
Japon (Tokyo)
ap-northeast-1
Configuration interrégionale
Pour déployer des services EAS dans une région différente de celle de votre espace de travail, configurez la session par programmation :
from pai.session import Session
# Initialize session with US region
session = Session(
workspace_id="12345",
region_id="us-southeast-1", # EAS service deployed in US region
oss_bucket_name="my-pai-bucket"
)
# Deploy model to EAS service in us-southeast-1
from pai.model import Model
model = Model(
model_data="oss://my-pai-bucket/models/my_model/",
session=session
)
# Deploy with region-specific configuration
predictor = model.deploy(
service_name="my-service",
instance_type="ecs.g6.xlarge",
options={
"metadata.region": "us-southeast-1" # Explicit region specification
}
)Remarque : Pour des performances optimales, placez votre compartiment OSS et votre service EAS dans la même région. Le transfert de données interrégional peut entraîner une latence supplémentaire et des coûts supérieurs.
Étapes suivantes
Une fois la configuration terminée, vous pouvez commencer à soumettre des tâches d'entraînement. Pour plus d'informations, consultez la rubrique Soumettre une tâche d'entraînement.