Entrenamiento ML en Jupyter

Configura JupyterLab con soporte GPU para entrenamiento ML en Clore.ai

Configura JupyterLab con soporte GPU para experimentos de aprendizaje automático y entrenamiento de modelos.

Todos los ejemplos se pueden ejecutar en servidores GPU alquilados a través de CLORE.AI Marketplace.

Requisitos del servidor

Parámetro	Mínimo	Recomendado
RAM	16GB	32GB+
VRAM	8GB	16GB+
Red	200Mbps	500Mbps+
Tiempo de inicio	2-3 minutos	-

El propio JupyterLab es ligero. Elige GPU y RAM según los requisitos de tu carga de trabajo de entrenamiento.

Despliegue rápido

Imagen Docker:

pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime

Puertos:

22/tcp
8888/http
6006/http

Entorno:

JUPYTER_TOKEN=tu_token_seguro_aquí

Comando:

pip install jupyterlab tensorboard && \
jupyter lab --ip=0.0.0.0 --port=8888 --allow-root --NotebookApp.token='tu_token_seguro_aquí'

Accediendo a tu servicio

Después del despliegue, encuentra tu http_pub URL en Mis Pedidos:

1. Ir a Mis Pedidos página

2. Haz clic en tu pedido

3. Encuentra la http_pub URL (por ejemplo, abc123.clorecloud.net)

Usa https://TU_HTTP_PUB_URL en lugar de localhost en los ejemplos abajo.

Verificar que funciona

# Comprueba si JupyterLab es accesible
curl https://your-http-pub.clorecloud.net/

# Accede con token
# https://tu-http-pub.clorecloud.net/?token=tu_token_seguro_aquí

Si obtienes HTTP 502, espera 2-3 minutos: el servicio está instalando dependencias.

Alquilar en CLORE.AI

1. Visita CLORE.AI Marketplace

2. Filtrar por tipo de GPU, VRAM y precio

3. Elegir Bajo demanda (tarifa fija) o Spot (precio de puja)

4. Configura tu pedido:

   • Selecciona imagen Docker

   • Establece puertos (TCP para SSH, HTTP para interfaces web)

   • Agrega variables de entorno si es necesario

   • Introduce el comando de inicio

5. Selecciona pago: CLORE, BTC, o USDT/USDC

6. Crea el pedido y espera el despliegue

Accede a tu servidor

• Encuentra los detalles de conexión en Mis Pedidos

• Interfaces web: Usa la URL del puerto HTTP

• SSH: ssh -p <port> root@<proxy-address>

Acceder a Jupyter

1. Esperar a que se despliegue

2. Encontrar el mapeo del puerto 8888

3. Abrir: http://<proxy>:<port>?token=tu_token_seguro_aquí

Imagen ML preconfigurada

Para un entorno ML completo:

Imagen:

jupyter/pytorch-notebook:cuda12-pytorch-2.1.0

O construye personalizado:

FROM pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime

RUN pip install --no-cache-dir \
    jupyterlab \
    numpy pandas matplotlib seaborn \
    scikit-learn \
    transformers datasets accelerate \
    tensorboard wandb \
    opencv-python pillow \
    tqdm rich

EXPOSE 8888 6006

CMD ["jupyter", "lab", "--ip=0.0.0.0", "--allow-root"]

Librerías esenciales

Instalar en Jupyter

!pip install transformers datasets accelerate bitsandbytes
!pip install wandb tensorboard
!pip install scikit-learn xgboost lightgbm
!pip install opencv-python albumentations

Crear requirements.txt

# Frameworks ML
torch>=2.1.0
torchvision
torchaudio

# PNL
transformers>=4.36.0
datasets
tokenizers
sentencepiece

# Entrenamiento
accelerate
bitsandbytes
peft
trl

# Monitoreo
wandb
tensorboard

# Datos
numpy
pandas
matplotlib
seaborn
scikit-learn

# Visión por computadora
opencv-python
pillow
albumentations

Ejemplos de entrenamiento

Clasificación de imágenes con PyTorch

import torch
import torch.nn as nn
import torchvision
from torchvision import transforms
from torch.utils.data import DataLoader

# Comprobar GPU
print(f"GPU: {torch.cuda.get_device_name(0)}")
print(f"Memoria: {torch.cuda.get_device_properties(0).total_memory / 1e9:.1f} GB")

# Cargar datos
transform = transforms.Compose([
    transforms.Resize(224),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

train_data = torchvision.datasets.CIFAR10(
    root='./data', train=True, download=True, transform=transform
)
train_loader = DataLoader(train_data, batch_size=64, shuffle=True, num_workers=4)

# Modelo
model = torchvision.models.resnet18(pretrained=True)
model.fc = nn.Linear(512, 10)
model = model.cuda()

# Entrenamiento
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
criterion = nn.CrossEntropyLoss()

for epoch in range(10):
    model.train()
    for images, labels in train_loader:
        images, labels = images.cuda(), labels.cuda()

        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

    print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

# Guardar modelo
torch.save(model.state_dict(), 'model.pth')

Clasificación de texto con HuggingFace

from transformers import AutoTokenizer, AutoModelForSequenceClassification
from transformers import TrainingArguments, Trainer
from datasets import load_dataset
import numpy as np

# Cargar conjunto de datos
dataset = load_dataset("imdb")

# Cargar modelo
model_name = "distilbert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=2)

# Tokenizar
def tokenize(examples):
    return tokenizer(examples["text"], padding="max_length", truncation=True)

tokenized = dataset.map(tokenize, batched=True)

# Entrenamiento
training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=3,
    per_device_train_batch_size=16,
    per_device_eval_batch_size=64,
    warmup_steps=500,
    weight_decay=0.01,
    logging_dir="./logs",
    logging_steps=100,
    evaluation_strategy="epoch",
    save_strategy="epoch",
    load_best_model_at_end=True,
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=tokenized["train"],
    eval_dataset=tokenized["test"],
)

trainer.train()
trainer.save_model("./best_model")

Fine-tuning de LLM con LoRA

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig
from peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training
from datasets import load_dataset
from trl import SFTTrainer
import torch

# Cargar modelo con cuantización a 4 bits
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.float16,
)

model = AutoModelForCausalLM.from_pretrained(
    "mistralai/Mistral-7B-v0.1",
    quantization_config=bnb_config,
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained("mistralai/Mistral-7B-v0.1")
tokenizer.pad_token = tokenizer.eos_token

# Configurar LoRA
lora_config = LoraConfig(
    r=16,
    lora_alpha=32,
    target_modules=["q_proj", "v_proj"],
    lora_dropout=0.05,
    bias="none",
    task_type="CAUSAL_LM"
)

model = prepare_model_for_kbit_training(model)
model = get_peft_model(model, lora_config)

# Cargar conjunto de datos
dataset = load_dataset("timdettmers/openassistant-guanaco")

# Entrenar
trainer = SFTTrainer(
    model=model,
    train_dataset=dataset["train"],
    dataset_text_field="text",
    max_seq_length=512,
    tokenizer=tokenizer,
    args=TrainingArguments(
        output_dir="./lora_output",
        num_train_epochs=1,
        per_device_train_batch_size=4,
        gradient_accumulation_steps=4,
        learning_rate=2e-4,
        fp16=True,
        logging_steps=10,
        save_steps=100,
    ),
)

trainer.train()
trainer.save_model("./final_lora")

Integración con TensorBoard

Iniciar TensorBoard

%load_ext tensorboard
%tensorboard --logdir ./logs --port 6006 --bind_all

O vía terminal:

tensorboard --logdir ./logs --port 6006 --bind_all &

Registrar métricas de entrenamiento

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter('./logs')

for epoch in range(epochs):
    # ... bucle de entrenamiento ...
    writer.add_scalar('Loss/train', train_loss, epoch)
    writer.add_scalar('Loss/val', val_loss, epoch)
    writer.add_scalar('Accuracy/val', accuracy, epoch)

writer.close()

Integración con Weights & Biases

import wandb

wandb.init(project="my-project", name="experiment-1")

# Registrar métricas
wandb.log({"loss": loss, "accuracy": acc})

# Guardar modelo
wandb.save("model.pth")

# Finalizar
wandb.finish()

Gestión de datos

Descargar conjuntos de datos

# Datasets de HuggingFace
from datasets import load_dataset
dataset = load_dataset("squad")

# Datasets de Kaggle
!pip install kaggle
!kaggle datasets download -d username/dataset-name

# Descarga directa
!wget https://example.com/data.zip
!unzip data.zip

Montar almacenamiento en la nube

# S3
!pip install boto3
import boto3
s3 = boto3.client('s3')
s3.download_file('bucket', 'key', 'local_path')

# Google Cloud
!pip install google-cloud-storage
from google.cloud import storage
client = storage.Client()
bucket = client.bucket('my-bucket')
blob = bucket.blob('data.zip')
blob.download_to_filename('data.zip')

Guardar trabajo

Guardar en almacenamiento externo

# Guardar modelo en S3
import boto3
s3 = boto3.client('s3',
    aws_access_key_id='TU_KEY',
    aws_secret_access_key='TU_SECRET'
)
s3.upload_file('model.pth', 'my-bucket', 'models/model.pth')

Antes de finalizar la sesión

# Descargar archivos importantes
scp -P <port> root@<host>:/workspace/model.pth ./
scp -P <port> -r root@<host>:/workspace/results/ ./results/

Entrenamiento multi-GPU

import torch.distributed as dist
from torch.nn.parallel import DistributedDataParallel

# Comprobar GPUs
print(f"GPUs disponibles: {torch.cuda.device_count()}")

# DataParallel (simple)
model = nn.DataParallel(model)

# DistributedDataParallel (mejor)

# Lanzar con: torchrun --nproc_per_node=4 train.py
dist.init_process_group("nccl")
model = DistributedDataParallel(model)

Consejos de rendimiento

Optimización de memoria

# Gradient checkpointing
model.gradient_checkpointing_enable()

# Precisión mixta
from torch.cuda.amp import autocast, GradScaler
scaler = GradScaler()

with autocast():
    output = model(input)
    loss = criterion(output, target)

scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()

Carga de datos

# Carga de datos más rápida
loader = DataLoader(
    dataset,
    batch_size=64,
    num_workers=8,      # Usa múltiples workers
    pin_memory=True,    # Transferencia más rápida a GPU
    prefetch_factor=2   # Prefetch de lotes
)

Solución de problemas

Estimación de costos

Tarifas típicas del marketplace de CLORE.AI (a fecha de 2024):

GPU	Tarifa por hora	Tarifa diaria	Sesión de 4 horas
RTX 3060	~$0.03	~$0.70	~$0.12
RTX 3090	~$0.06	~$1.50	~$0.25
RTX 4090	~$0.10	~$2.30	~$0.40
A100 40GB	~$0.17	~$4.00	~$0.70
A100 80GB	~$0.25	~$6.00	~$1.00

Los precios varían según el proveedor y la demanda. Consulta CLORE.AI Marketplace para las tarifas actuales.

Ahorra dinero:

• Usa Spot market para cargas de trabajo flexibles (a menudo 30-50% más barato)

• Paga con CLORE tokens

• Compara precios entre diferentes proveedores