Environnement GPU sans serveur version 5 (Préversion)

Cette page présente les informations relatives à l’environnement système pour l’environnement GPU serverless version 5. Cette offre de calcul fait partie du runtime d’IA, conçu pour les charges de travail d’IA et d’apprentissage profond modernes.

L’environnement GPU serverless 5 est basé sur l’environnement serverless 5 (CPU). Découvrez les nouveautés de l’environnement serverless 5 (CPU). Il inclut l’environnement suivant :

• Environnement de base par défaut : environnement minimal avec l’API cliente stable.

Pour garantir la compatibilité de l’application, les charges de travail GPU serverless utilisent une API versionnée, appelée version de l’environnement, qui reste compatible avec les versions plus récentes du serveur.

Vous pouvez sélectionner un environnement de base qui inclut cette version d’environnement à l’aide du panneau latéral Environnement dans vos notebooks serverless. Voir Interactive (Notebooks).

Nouvelles fonctionnalités et améliorations

Dans la version 5, Databricks fournit un environnement minimal qui prend uniquement en charge l’API GPU serverless, les dépendances Databricks et MLflow. Les utilisateurs peuvent personnaliser l’environnement en fonction de leurs besoins. L’environnement de base par défaut de la version 5 n’inclut pas certains packages présents dans l’environnement processeur, afin de fournir un environnement GPU fonctionnel minimal. Les utilisateurs qui veulent un environnement complet avec des bibliothèques IA complètes doivent utiliser l’environnement d’IA Databricks.

Mises à jour d’API

24 avril 2026

API gpu serverless Python mise à niveau vers la version 0.5.16

Le GPU serverless Python API 0.5.16 inclut les mises à jour d’API suivantes :

• Nouvelles fonctionnalités :
  • Ajout UCVolumeDatasetd’une torche IterableDataset qui diffuse des fichiers à partir d’un volume monté sur FUSE du catalogue Unity. Les listes de fichiers sont automatiquement partitionnées entre les rangs distribués et les travailleurs de DataLoader afin que chaque (rank, worker) couple reçoive une tranche qui ne se chevauche pas.
  • L'API GPU serverless prend désormais en charge le type d'accélérateur 1xH100 pour les charges de travail utilisant un seul H100.
  • Réduction du bruit des journaux de bord provenant de PySpark et Py4J pendant l'exécution locale. Le message du répertoire de log est désormais enregistré au niveau debug plutôt que d'être imprimé.

14 avril 2026

API gpu serverless Python mise à niveau vers la version 0.5.15

Le GPU serverless Python API 0.5.15 inclut les mises à jour d’API suivantes :

• Nouvelles fonctionnalités :
  • Ajout de la propagation des journaux à MLflow pour les exécutions locales de l'API GPU sans serveur. Les journaux d’apprentissage des exécutions locales sont désormais automatiquement chargés dans MLflow.
• Correctifs de bogues :
  • Lorsque PyTorch n’est pas installé, le message d’erreur indique maintenant correctement que l’environnement de base v5 Standard n’inclut pas la torche.
• Sécurité :
  • Blocage de toutes les versions des dépendances Python à des versions précises pour empêcher les attaques de la chaîne logistique des versions récemment publiées de packages malveillants.

17 mars 2026

API Python GPU serverless mise à niveau vers la version 0.5.14

Le GPU serverless Python API 0.5.14 inclut les mises à jour d’API suivantes :

• Correctifs de bogues :
  • Correction d’un problème où l’API GPU Serverless a échoué sur les plans de contrôle lorsque MAPI n'était pas disponible. L’API revient désormais correctement au calcul à la demande quand MAPI est inaccessible.

2 mars 2026

API gpu serverless Python mise à niveau vers 0.5.13

Le GPU serverless Python API 0.5.13 inclut les mises à jour d’API suivantes :

• Correctifs de bogues :
  • Correction du processus d'analyse du nom de l’appareil GPU A10 sur Azure en mode local. L’API gère désormais des formats spécifiques à Azure tels que « A10-24Q ».
  • Correction d’un problème où l’exécution active MLflow n’était pas fermée une fois l’exécution locale terminée.
  • Réglage de la compatibilité du streaming des logs MLflow avec MLflow 3.x. Une modification du comportement du chemin de téléchargement d’artefact dans MLflow 3.x a provoqué l’interruption du flux de journaux. Le streaming de journaux fonctionne désormais correctement avec MLflow 2.x et 3.x.
  • Correction d’un problème entraînant le blocage des sessions d’entraînement. La fonctionnalité de synchronisation d’état MLflow de classement croisé introduite dans une version précédente a été annulée.

Packages non inclus dans l’environnement de base

Les packages suivants ne sont pas inclus dans l’environnement de base, mais restent disponibles dans l’environnement processeur :

• scipy
• seaborn
• scikit-learn

En fonction des retours des clients demandant le contrôle sur la version de PyTorch, torch n'est pas inclus dans l'environnement de base de la version 5. Cela vous permet d’installer la version qui convient le mieux à votre charge de travail. Pour utiliser une version testée par Databricks, exécutez %pip install torch==2.9.0 dans une cellule de notebook ou installez torch==2.9.0 en utilisant la section Dépendances du panneau latéral Environnement .

Environnement du système

• Système d’exploitation : Ubuntu 24.04.2 LTS
• Python : 3.12.3
• Databricks Connect : 18.0.0
• Kit de ressources NVIDIA CUDA : 12.9

Bibliothèques Python installées

Environnement de base par défaut

Pour reproduire l’environnement GPU serverless 5 dans votre environnement virtuel Python local, téléchargez le fichier requirements-env-gpu-5.txt et exécutez pip install -r requirements-env-gpu-5.txt. Cette commande installe toutes les bibliothèques open source à partir de l’environnement serverless 5.