Jupyter ML ट्रेनिंग

Clore.ai पर ML ट्रेनिंग के लिए GPU सपोर्ट के साथ JupyterLab सेट अप करें

मशीन लर्निंग प्रयोगों और मॉडल प्रशिक्षण के लिए GPU समर्थन के साथ JupyterLab सेट करें।

सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं, जिन्हें किराए पर लिया गया है CLORE.AI मार्केटप्लेस.

सर्वर आवश्यकताएँ

पैरामीटर	न्यूनतम	अनुशंसित
RAM	16GB	32GB+
VRAM	8GB	16GB+
नेटवर्क	200Mbps	500Mbps+
प्रारंभ समय	2-3 मिनट	-

JupyterLab स्वयं हल्का है। अपनी प्रशिक्षण कार्यभार आवश्यकताओं के आधार पर GPU और RAM चुनें।

त्वरित डिप्लॉय

Docker इमेज:

pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime

पोर्ट:

22/tcp
8888/http
6006/http

पर्यावरण:

JUPYTER_TOKEN=your_secure_token_here

कमांड:

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

अपनी सेवा तक पहुँचना

डिप्लॉयमेंट के बाद, अपना http_pub URL यहाँ मेरे ऑर्डर:

1. पर जाएँ मेरे ऑर्डर पेज

2. अपने ऑर्डर पर क्लिक करें

3. खोजें http_pub URL (उदा., abc123.clorecloud.net)

उपयोग करें https://YOUR_HTTP_PUB_URL की बजाय localhost नीचे दिए गए उदाहरणों में।

सत्यापित करें कि यह काम कर रहा है

# जाँचें कि JupyterLab उपलब्ध है या नहीं
curl https://your-http-pub.clorecloud.net/

# टोकन के साथ एक्सेस करें
# https://your-http-pub.clorecloud.net/?token=your_secure_token_here

यदि आपको HTTP 502 मिले, तो 2-3 मिनट प्रतीक्षा करें - सेवा निर्भरताएँ इंस्टॉल कर रही है।

CLORE.AI पर किराए पर लेना

1. विज़िट करें CLORE.AI मार्केटप्लेस

2. GPU प्रकार, VRAM और कीमत के अनुसार फ़िल्टर करें

3. चुनें ऑन-डिमांड (स्थिर दर) या स्पॉट (बोली मूल्य)

4. अपना ऑर्डर कॉन्फ़िगर करें:

   • Docker इमेज चुनें

   • पोर्ट सेट करें (SSH के लिए TCP, वेब UI के लिए HTTP)

   • यदि आवश्यक हो तो environment variables जोड़ें

   • स्टार्टअप कमांड दर्ज करें

5. भुगतान चुनें: CLORE, BTCया USDT/USDC

6. ऑर्डर बनाएं और डिप्लॉयमेंट की प्रतीक्षा करें

अपने सर्वर तक पहुँचें

• कनेक्शन विवरण यहाँ खोजें मेरे ऑर्डर

• वेब इंटरफ़ेस: HTTP पोर्ट URL का उपयोग करें

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

Jupyter एक्सेस करें

1. तैनाती के लिए प्रतीक्षा करें

2. पोर्ट 8888 मैपिंग खोजें

3. खोलें: http://<proxy>:<port>?token=your_secure_token_here

पूर्व-कॉन्फ़िगर किया गया एमएल इमेज

पूर्ण एमएल वातावरण के लिए:

इमेज:

quay.io/jupyter/pytorch-notebook:cuda12-pytorch-2.11.0

या कस्टम बनाएं:

FROM pytorch/pytorch:2.11.0-cuda12.8-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"]

आवश्यक लाइब्रेरी

Jupyter में इंस्टॉल करें

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

requirements.txt बनाएं

# मशीन लर्निंग फ्रेमवर्क
torch>=2.1.0
torchvision
torchaudio

# NLP
transformers>=4.36.0
datasets
tokenizers
sentencepiece

# प्रशिक्षण
accelerate
bitsandbytes
peft
trl

# निगरानी
wandb
tensorboard

# डेटा
numpy
pandas
matplotlib
seaborn
scikit-learn

# कंप्यूटर विज़न
opencv-python
pillow
albumentations

प्रशिक्षण उदाहरण

PyTorch इमेज वर्गीकरण

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

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

# डेटा लोड करें
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)

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

# प्रशिक्षण
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"एपोक {epoch+1}, लॉस: {loss.item():.4f}")

# मॉडल सहेजें
torch.save(model.state_dict(), 'model.pth')

HuggingFace टेक्स्ट वर्गीकरण

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

# dataset लोड करें
dataset = load_dataset("imdb")

# मॉडल लोड करें
model_name = "distilbert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name, num_labels=2)

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

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

# प्रशिक्षण
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")

LoRA के साथ LLM फाइन-ट्यूनिंग

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

# 4-बिट क्वांटाइज़ेशन के साथ मॉडल लोड करें
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

# LoRA कॉन्फ़िगर करें
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)

# dataset लोड करें
dataset = load_dataset("timdettmers/openassistant-guanaco")

# प्रशिक्षण करें
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")

TensorBoard एकीकरण

TensorBoard शुरू करें

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

या टर्मिनल के माध्यम से:

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

प्रशिक्षण मेट्रिक्स लॉग करें

from torch.utils.tensorboard import SummaryWriter

writer = SummaryWriter('./logs')

for epoch in range(epochs):
    # ... प्रशिक्षण लूप ...
    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()

Weights & Biases एकीकरण

import wandb

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

# मेट्रिक्स लॉग करें
wandb.log({"loss": loss, "accuracy": acc})

# मॉडल लॉग करें
wandb.save("model.pth")

# समाप्त करें
wandb.finish()

डेटा प्रबंधन

डेटासेट डाउनलोड करें

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

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

# सीधे डाउनलोड करें
!wget https://example.com/data.zip
!unzip data.zip

क्लाउड स्टोरेज माउंट करें

# 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')

कार्य सहेजना

बाहरी स्टोरेज में सहेजें

# मॉडल को S3 में सहेजें
import boto3
s3 = boto3.client('s3',
    aws_access_key_id='YOUR_KEY',
    aws_secret_access_key='YOUR_SECRET'
)
s3.upload_file('model.pth', 'my-bucket', 'models/model.pth')

सेशन समाप्त करने से पहले

# महत्वपूर्ण फ़ाइलें डाउनलोड करें
scp -P <port> root@<host>:/workspace/model.pth ./
scp -P <port> -r root@<host>:/workspace/results/ ./results/

Multi-GPU Training

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

# GPU जाँचें
print(f"उपलब्ध GPU: {torch.cuda.device_count()}")

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

# DistributedDataParallel (बेहतर)

# इसके साथ लॉन्च करें: torchrun --nproc_per_node=4 train.py
dist.init_process_group("nccl")
model = DistributedDataParallel(model)

प्रदर्शन सुझाव

मेमोरी अनुकूलन

# ग्रेडिएंट चेकपॉइंटिंग
model.gradient_checkpointing_enable()

# मिश्रित परिशुद्धता
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()

डेटा लोडिंग

# तेज़ डेटा लोडिंग
loader = DataLoader(
    dataset,
    batch_size=64,
    num_workers=8,      # कई workers का उपयोग करें
    pin_memory=True,    # तेज़ GPU ट्रांसफ़र
    prefetch_factor=2   # बैचों को पहले से लोड करें
)

समस्या निवारण

लागत का अनुमान

CLORE.AI मार्केटप्लेस की सामान्य दरें (2024 तक):

GPU	प्रति घंटा दर	प्रति दिन दर	4-घंटे का सत्र
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

मूल्य प्रदाता और मांग के अनुसार बदलते हैं। देखें CLORE.AI मार्केटप्लेस वर्तमान दरों के लिए।

पैसे बचाएँ:

• का उपयोग करें स्पॉट बाधित किए जा सकने वाले कार्य के लिए मार्केट — लगभग एक-तिहाई सर्वरों की स्पॉट कीमत ऑन-डिमांड से कम होती है (मध्य ~13% छूट), बाकी उससे मेल खाते हैं

• से भुगतान करें CLORE टोकन

• विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें