# Jupyter ML Training

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

{% hint style="success" %}
सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं जिन्हें द्वारा किराए पर लिया गया है [CLORE.AI मार्केटप्लेस](https://clore.ai/marketplace).
{% endhint %}

## सर्वर आवश्यकताएँ

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

{% hint style="info" %}
JupyterLab स्वयं हल्का होता है। अपने प्रशिक्षण कार्यभार आवश्यकताओं के आधार पर GPU और RAM चुनें।
{% endhint %}

## त्वरित तैनाती

**Docker इमेज:**

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

**पोर्ट:**

```
22/tcp
8888/http
6006/http
```

**पर्यावरण:**

```
JUPYTER_TOKEN=your_secure_token_here
```

**कमांड:**

```bash
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 खोजें `http_pub` URL में **मेरे ऑर्डर**:

1. जाएँ **मेरे ऑर्डर** पृष्ठ
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 उदाहरणों में।

### जांचें कि यह काम कर रहा है

```bash
# जांचें कि JupyterLab सुलभ है या नहीं
curl https://your-http-pub.clorecloud.net/

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

{% hint style="warning" %}
यदि आपको HTTP 502 मिलता है, तो 2-3 मिनट प्रतीक्षा करें - सेवा निर्भरताओं को इंस्टॉल कर रही है।
{% endhint %}

## CLORE.AI पर किराये पर लेना

1. पर जाएँ [CLORE.AI मार्केटप्लेस](https://clore.ai/marketplace)
2. GPU प्रकार, VRAM, और मूल्य के अनुसार फ़िल्टर करें
3. चुनें **ऑन-डिमांड** (निश्चित दर) या **स्पॉट** (बिड प्राइस)
4. अपना ऑर्डर कॉन्फ़िगर करें:
   * Docker इमेज चुनें
   * पोर्ट सेट करें (SSH के लिए TCP, वेब UI के लिए HTTP)
   * यदि आवश्यक हो तो एनवायरनमेंट वेरिएबल जोड़ें
   * स्टार्टअप कमांड दर्ज करें
5. भुगतान चुनें: **CLORE**, **BTC**, या **USDT/USDC**
6. ऑर्डर बनाएं और डिप्लॉयमेंट का इंतज़ार करें

### अपने सर्वर तक पहुँचें

* कनेक्शन विवरण में खोजें **मेरे ऑर्डर**
* वेब इंटरफेस: HTTP पोर्ट URL का उपयोग करें
* SSH: `ssh -p <port> root@<proxy-address>`

## Jupyter तक पहुँचें

1. डिप्लॉयमेंट का इंतजार करें
2. पोर्ट 8888 मैपिंग खोजें
3. खोलें: `http://<proxy>:<port>?token=your_secure_token_here`

## प्री-कॉन्फ़िगर किया गया ML इमेज

पूर्ण ML वातावरण के लिए:

**इमेज:**

```
jupyter/pytorch-notebook:cuda12-pytorch-2.1.0
```

या कस्टम बनाएं:

```dockerfile
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"]
```

## आवश्यक पुस्तकालय

### Jupyter में स्थापित करें

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

### requirements.txt बनाएं

```

# ML 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 क्लासिफिकेशन

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

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

### HuggingFace टेक्स्ट क्लासिफिकेशन

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

# डेटासेट 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")
```

### LLM Fine-tuning with LoRA

```python
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 क्वांटाइजेशन 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)

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

# ट्रेन
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

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

या टर्मिनल के माध्यम से:

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

### प्रशिक्षण मेट्रिक्स लॉग करें

```python
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

```python
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

```python

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

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

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

### क्लाउड स्टोरेज माउंट करें

```python

# 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')
```

## काम सहेजना

### बाहरी स्टोरेज पर सहेजें

```python

# मॉडल को S3 पर 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')
```

### सत्र समाप्त करने से पहले

```bash

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

## मल्टी-GPU प्रशिक्षण

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

# GPU जांचें
print(f"Available GPUs: {torch.cuda.device_count()}")

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

# DistributedDataParallel (बेहतर)

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

## प्रदर्शन सुझाव

### मेमोरी अनुकूलन

```python

# ग्रेडिएंट चेकपॉइंटिंग
model.gradient_checkpointing_enable()

# मिक्स्ड प्रिसिशन
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

```python

# तेज़ डेटा लोडिंग
loader = DataLoader(
    dataset,
    batch_size=64,
    num_workers=8,      # कई वर्कर्स का उपयोग करें
    pin_memory=True,    # GPU ट्रांसफ़र के लिए तेज़
    prefetch_factor=2   # बैचेस प्रीफ़ेटच करें
)
```

## समस्याओं का निवारण

## लागत अनुमान

सामान्य CLORE.AI मार्केटप्लेस दरें (2024 के अनुसार):

| GPU       | घंटात्मक दर | दैनिक दर | 4-घंटे 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     |

*कीमतें प्रदाता और मांग के अनुसार बदलती हैं। जाँच करें* [*CLORE.AI मार्केटप्लेस*](https://clore.ai/marketplace) *वर्तमान दरों के लिए।*

**पैसे बचाएँ:**

* उपयोग करें **स्पॉट** लचीले वर्कलोड के लिए मार्केट (अक्सर 30-50% सस्ता)
* भुगतान करें **CLORE** टोकन के साथ
* विभिन्न प्रदाताओं के बीच कीमतों की तुलना करें


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-hi/training/jupyter-ml-training.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.