管理運算
本節涵蓋在 AI Data Platform Workbench 中建立、變更或移除運算叢集的基本功能。
關於運算叢集
所有用途的運算叢集都提供您運算資源，讓您在「AI 資料平台工作台」執行處理中處理工作負載。
您可以從 Oracle AI Data Platform Workbench 的運算頁面管理運算叢集。
運算型態
您的 AI Data Platform Workbench 有兩種類型的運算：全方位的運算叢集與預設主要目錄運算叢集。
您只能在「AI 資料平台工作台」中建立全用途運算叢集。所有用途的運算叢集適用於各種工作負載，可附加至您的筆記型電腦，並用於工作流程中。除非另有說明，否則文件中對「運算叢集」或「叢集」的任何參照，都會參照所有用途的運算叢集。
當您建立新的所有用途運算叢集時，可以選擇「快速啟動」或「自訂」組態。「快速啟動」組態經過最佳化，可提供快速啟動；而「自訂」組態則可讓您微調所有用途的運算叢集，以符合處理所需的特定工作負載。在「快速啟動」和「自訂」組態選項中，您可以檢視成本預測並修改閒置逾時選項。
附註：
將自訂程式庫安裝至 Quickstart 設定的所有用途運算叢集，會自動將它變更為「自訂」組態。這可能會影響啟動效能。所有 AI Data Platform Workbench 執行處理中都有「預設主要目錄運算叢集」。此叢集負責必要的 AI Data Platform Workbench 功能，例如搜尋蒐集、重新整理目錄物件、建立、編輯及刪除物件，以及測試連線。
叢集執行時期
可使用 Apache Spark 3.5 程式實際執行建立所有用途的運算叢集。程式實際執行環境與下列相容：
- Spark 3.5.0
- Delta 3.2.0 (已預先納入)
- Python 3.11
- Scala 2.12
- Hadoop 3.3.4
- Java 17
運算叢集的維護更新
AI Data Platform Workbench 運算會自動套用維護更新，無須使用者介入。維護更新涵蓋作業系統和 AI Data Platform Workbench 內部元件的任何必要安全修正程式或錯誤修正。
AI Data Platform Workbench 會先驗證沒有執行中的叢集，再套用這些每月維護更新。
建立快速啟動叢集
您可以選擇建立具有預先設定設定值的全用途運算叢集，以在「AI 資料平台工作台」中處理資料和 AI 工作負載。
您可以在建立叢集之後隨時編輯叢集。
- 按一下左側導覽面板中的建立，然後按一下運算。您也可以導覽至您的工作區，然後按一下運算，再按一下
建立叢集。
建立自訂叢集
您可以在「AI 資料平台工作台」中建立具有自行選擇處理資料和 AI 工作負載之組態設定值的全用途運算叢集。
您可以在建立叢集之後隨時編輯叢集。
- 按一下左側導覽面板中的建立，然後按一下運算。您也可以導覽至您的工作區，然後按一下運算，再按一下 建立叢集。
建立 NVIDIA GPU 叢集
您可以選擇在所有用途運算叢集中使用 NVIDIA GPU，加速統一 AI 和資料管線中的任何工作負載。
NVIDIA GPU 資源配置使用下列組態：
表格 13-1 NVIDIA GPU 資源配置
| GPU 數目 | OCPU | 區塊儲存 (GB) | GPU 記憶體 (GB) | CPU 記憶體 (GB) |
|---|---|---|---|---|
| 1 | 15 | 1500 | 24 | 240 |
| 2 | 30 | 3000 | 48 | 480 |
附註：
使用 NVIDIA GPU 資源配置時，「驅動程式」和「工作者」資源配置都必須是 NVIDIA GPU。目前不支援混合相同叢集的 CPU 和 GPU 資源配置。- 按一下左側導覽面板中的建立，然後按一下運算。您也可以導覽至您的工作區，然後按一下運算，再按一下 建立叢集。
NVIDIA GPU 叢集調整
您可以調整 NVIDIA GPU 叢集，使用 GPU 提供者的建議以及安裝選用的程式庫來最佳化其效能。
調整 GPU 叢集可協助最佳化這些叢集在「AI 資料平台工作台」中的工作呼叫時的效能。
若是 NVIDIA GPU 型叢集，您可以依照 NVIDIA 的調校指南取得最佳化效能的建議和步驟。
您還可以選擇安裝 Spark RAPIDS 程式庫，以協助最佳化：
- Spark RAPIDS 程式庫是 Apache Spark 的 RAPIDS 加速器，提供一組利用 GPU 加速處理的 Plugin。
- Spark RAPIDS ML 程式庫可在 Apache Spark 上啟用 GPU 加速的分散式機器學習，並提供數種由 RAPIDS cuML 程式庫支援的 PySpark ML 相容演算法。
Spark RAPIDS 程式庫通常是先用於圖徵工程和資料清除，然後使用 Spark RAPIDS ML 程式庫大規模執行交叉驗證。您可以使用這些程式庫來進行詐騙偵測 (時間序列)、Web 點擊流及 A/B 實驗等使用案例。
表格 13-2 建議的 Spark 組態
| 設定 | 數值 | 附註 |
|---|---|---|
| spark.executor 執行處理 | 4 | 每一職工的職工人數 x GPU 數目
如果職工人數為 4，而每個職工的 GPU 數目為 1，則建議的 spark.executor.instances 組態為 4 x 1 = 4 |
| 繁體中文 (台灣) | 16 | GPU 數目 / 工作節點 /CPU 核心數目，最多 16 個 |
| 繁體中文 (台灣) | 32 GB | 2GB / 核心或 80% 的 CPU 記憶體 / 每個工作節點的 GPU 數目 (以較低者為準) |
| 繁體中文 (台灣) | 0.0625 | 1 / spark.executor.cores |
| 繁體中文 (香港) | 3 | GPU 記憶體 / 8GB，最大 4 |
| 繁體中文 (台灣) | 32 | 每一工作者的 CPU 核心數 /GPU 數目 |
| 繁體中文 (台灣) | 32 | 每一工作者的 CPU 核心數 /GPU 數目 |
| 繁體中文 (香港) | com.nvidia.spark.rapids.spark350.RapidsShuffleManager | - |
| 繁體中文 (台灣) | 多重執行緒 | - |
| 繁體中文 | 中文版 _ English | - |
| 繁體中文 (台灣) | 1 | - |
| spark.sql.files.max 分割區位元組 | 2 GB | 選擇性，建議用於大型資料集 |
| spark.rapids SQL.batch 大小位元組 | 2 GB | 選擇性，建議用於大型資料集 |
| 繁體中文 (香港) | 32 G | 選擇性，建議用於大型資料集 |
| 繁體中文 (台灣) | 8 G | 選擇性，建議用於大型資料集 |
| 繁體中文 (台灣) | 32 MB | 選擇性，建議用於大型資料集 |
| spark.sql.adaptive.advisory 分割區大小位元組 | 160 MB | 選擇性，建議用於大型資料集 |
| 已啟用 spark.rapids 檔案快取 | 真 | 選擇性，建議工作負載是否重複使用資料集 |
