里面该有什么
日志不需要任何东西:
print、logging 和框架的 stdout 都会到 Logs 标签页。曲线不从 stdout 解析
—— 可以调用 tuneplane.report,或声明 TensorBoard/JSONL 输出用于
原生采集;独立采集器不要求训练镜像安装 Python SDK。
一个起手的 Dockerfile
PATH 最前 —— 否则
train.sh 里的 python 是 /usr/bin/python,没有 torch。另外,需要 nvcc 时用 devel 基础镜像,
DeepSpeed 的 JIT 编译就需要。
推上去,然后钉住
镜像仓库白名单
--image 会被解析出仓库主机:ghcr.io、localhost:5000,名字里不带主机时是 docker.io。那个
主机必须在 TUNEPLANE_ALLOWED_IMAGE_REGISTRIES 里,它是部署方设的逗号分隔列表。
管理员设成类似
TUNEPLANE_ALLOWED_IMAGE_REGISTRIES=registry.example.com,ghcr.io,并且节点要能拉:KubeRay 上的
imagePullSecrets、每台已注册机器上的 Docker 登录,或 Slurm 上已经转换好的 SIF。
各后端要什么形态
拉得慢会让作业停在
PENDING 直到 pre-running 超时,然后 FAILED。那不是训练的 bug。
确认成功
tp job logs 能到你自己那行启动命令,就说明镜像拉下来了、venv 也在 PATH 上。