ML Workspace
برنامه ML Workspace یک محیط برنامهنویسی و توسعه کامل است که بهطور خاص برای هوش مصنوعی، یادگیری ماشین و تحلیل دادهها طراحی شده است. این پلتفرم تمام ابزارهای مهم مانند Jupyter، Python، R و کتابخانههای سنگینی مثل TensorFlow، PyTorch و scikit-learn را درون خود دارد. با راهاندازی این سرویس در پلتفرم ابری پارسپک، شما یک محیط کارگاهی آماده در مرورگر خود خواهید داشت تا بدون درگیری با نصب نرمافزار، مستقیما سراغ ساخت مدلهای یادگیری ماشین بروید.
مراحل استقرار
برای مشاهده راهنمای گامبهگام ساخت سرویس و پیکربندیهای پایه، به مستندات «استقرار برنامههای آماده» مراجعه کنید. همچنین برای تنظیمات زیرساختی نیز به بخش مدیریت اپلیکیشن مراجعه کنید:
پیشنیازها و استقرار برنامه
در استقرار کانتینری ML Workspace، معماری سیستم دارای الزامات و حساسیتهای زیر است که باید در زمان دیپلوی به آنها توجه کنید:
-
محیط یکپارچه و مستقل: این برنامه تمام اطلاعات و فایلهای شما را درون دیسک اختصاصی خودش ذخیره میکند و نیازی به استقرار پایگاهداده مجزا (مانند MySQL یا PostgreSQL) ندارد.
-
سطح دسترسی سیستمی: کانتینر برنامه جهت رعایت الزامات امنیتی پلتفرم، با سطح دسترسی کاربر عادی (Non-Root) اجرا میشود و امکان نصب پکیجهای سیستمی نیازمند به دسترسی کرنل در ترمینال آن مسدود است.
-
نیاز به منابع پردازشی بالا: بارگذاری و اجرای کتابخانههای سنگین هوش مصنوعی نیازمند منابع پردازشی بالایی است. به همین دلیل، پلن پایه این کانتینر حداقل با ۲ گیگابایت رم و ۲ هسته پردازنده ارائه میشود. متناسب با حجم دیتاستها و پردازش مدلهای خود، این منابع را در زمان استقرار ارتقا دهید.
-
فضای ذخیرهسازی و بکاپ: از آنجا که فایلها بهصورت محلی ذخیره میشوند، کاهش فضای دیسک (Scale Down) پس از استقرار، قطعا منجر به حذف دائمی مدلها و فایلهای پروژه خواهد شد. فعالسازی قابلیت بکاپ خودکار جهت تهیه نسخه پشتیبان از کدهای منبع اکیدا توصیه میشود.
متغیرهای محیطی
در گام تنظیمات برنامه در داشبورد، مدیریت متغیرهای زیر برای پیکربندی محیط برنامهنویسی الزامی است:
-
ml-workspace token: مقداردهی این فیلد امنیتی اجباری است. جهت جلوگیری از دسترسی غیرمجاز اینترنتی به محیط توسعه و کدهای منبع، باید یک توکن (رمز عبور) قدرتمند و دلخواه در این فیلد تعریف کنید. -
Image tag of ml-workspace Image: این پارامتر (موجود در بخش پارامترهای اختیاری) نسخه دقیق ایمیج داکر مستقرشده را جهت تطابق با نسخههای کتابخانههای مورد نیاز شما نمایش میدهد.
نکته: برای آموزش گامبهگام نحوه تعریف متغیرهای اختصاصی، ConfigMapها و Secretها در داشبورد، به
تنظیمات دامنه
پلتفرم ابری به صورت پیشفرض یک دامنه رایگان به کانتینر شما اختصاص میدهد تا بلافاصله به محیط کدنویسی دسترسی داشته باشید. با این حال، در صورت تمایل میتوانید دامنه یا سابدامین اختصاصی خود را به این سرویس متصل کنید. جهت انجام این کار به
راهاندازی و ورود به محیط توسعه
پس از صددرصد شدن فرایند بیلد کانتینر، محیط کارگاهی شما آماده استفاده است:
- بر روی آدرس سایت خود (سابدامین ابری یا دامنه اختصاصی متصلشده) کلیک کنید تا در مرورگر باز شود.
- در صفحه احراز هویت که مشابه تصویر بالا باز میشود، رمز عبوری را که در فیلد
ml-workspace token(در زمان استقرار) تعیین کرده بودید، در کادر Password or token وارد کنید. - روی دکمه Log in کلیک کنید.
- پس از تایید توکن، مستقیما وارد محیط توسعه (IDE) میشوید و میتوانید پروژههای یادگیری ماشین خود را آغاز کنید.