红帽全球峰会第 4 章 创建工作台并选择 IDE
工作台是一种隔离区域，您可以检查并使用 ML 模型。您还可以使用数据和运行程序，例如准备和清理数据。例如，如果工作台不需要提供现有模型，但大多数数据科学工作流任务（如编写代码来处理数据或培训模型）需要它。
当您创建工作台时，您可以指定一个镜像(IDE、软件包和其他依赖项)。支持的 IDE 包括 JupyterLab、code-server 和 RStudio （技术预览）。
IDE 基于服务器客户端架构。每个 IDE 都提供一个在 OpenShift 集群上的容器中运行的服务器，而用户界面（客户端）则显示在 Web 浏览器中。例如，Jupyter 笔记本服务器在 Red Hat OpenShift 集群的容器中运行。客户端是在您的本地计算机上的 Web 浏览器中打开的 JupyterLab 界面。您在 JupyterLab 中输入的所有命令都由笔记本服务器执行。同样，code-server 或 RStudio 服务器等其他 IDE 提供了一种在 OpenShift 集群上的容器中运行的服务器，而用户界面显示在 Web 浏览器中。此架构允许您在浏览器环境中通过本地计算机交互，同时在集群中进行所有处理。集群提供更大的可用资源和安全性优势，因为正在处理的数据永远不会离开集群。
在工作台中，您还可以配置连接（访问培训模型的外部数据并保存模型，以便您可以部署它们）和集群存储（用于保留数据）。同一项目中的工作台可以通过带有数据科学管道和模型服务器的对象存储共享模型和数据。
对于需要保留数据的数据科学项目，您可以在您要创建的工作台中添加容器存储。
在一个项目中，您可以创建多个工作台。当创建新工作台时，需要考虑事项，例如：
- 工作台配置（如 CPU、RAM 或 IDE）。如果要避免编辑现有工作台配置来容纳新任务的配置，您可以创建一个新的工作台。
- 分离任务或活动。例如，您可能希望在大型语言模型(LLM)试验活动中使用一个工作台、专用于演示的另一个工作台，另一个工作台用于测试。
4.1. 关于工作台镜像
工作台镜像（有时称为笔记本镜像）使用模型开发所需的工具和库优化。您可以使用提供的工作台镜像，或 OpenShift AI 管理员可以根据您的需要创建自定义工作台镜像。
为了为您的模型开发提供一致的稳定平台，许多提供的工作台镜像都包含相同的 Python 版本。OpenShift AI 上的大多数工作台镜像已预先构建，并在安装或升级 OpenShift AI 立即使用。
有关红帽支持工作台镜像和软件包的详情，请参考 Red Hat OpenShift AI: 支持的配置。
下表列出了默认安装的 Red Hat OpenShift AI 的工作台镜像。
如果这些镜像中提供的预安装软件包不足以满足您的用例，则您可以选择：
- 在启动默认镜像后安装其他库。如果您要在开发模型时添加库，此选项很好。但是，管理已安装库的依赖项可能会有一定难度，在工作台重启时不会保存您的更改。
- 创建包含额外库或软件包的自定义镜像。如需更多信息，请参阅 创建自定义工作台镜像。
Red Hat production 服务等级协议 (SLA)不支持使用这个表中的工作台镜像（技术预览 ），且可能无法完成。红帽不推荐在生产环境中使用技术预览功能。这些技术预览功能可以使用户提早试用新的功能，并有机会在开发阶段提供反馈意见。有关红帽技术预览功能支持范围的更多信息，请参阅技术预览功能支持范围。
| 镜像名称 | 描述 |
|---|---|
| CUDA | 如果您使用需要 GPU 支持的计算密集型数据科学模型，请使用 Compute Unified Device Architecture (CUDA)工作台镜像来访问 NVIDIA CUDA 工具包。使用这个工具包，您可以使用 GPU 加速的库和优化工具优化您的工作。 |
| Standard Data Science | 对于不需要 TensorFlow 或 PyTorch 的型号，使用标准数据科学工作台镜像。此镜像包含常用的库，可帮助您开发机器学习模型。 |
| TensorFlow | TensorFlow 是供机器学习的开源平台。通过 TensorFlow，您可以构建、培训和部署机器学习模式。TensorFlow 包含高级数据视觉化功能，如计算图形视觉化。它还允许您轻松监控和跟踪模型的进度。 |
| PyTorch | PyTorch 是一个开源机器学习库，专为深入学习而优化。如果您正在处理计算机愿景或自然语言处理模型，请使用 Pytorch workbench 镜像。 |
| Minimal Python | 如果您不需要高级机器学习功能，或计算密集型数据科学工作的其他资源，您可以使用最小 Python 镜像开发您的模型。 |
| TrustyAI | 使用 TrustyAI workbench 镜像通过模型解释性、追踪和责任以及运行时监控来利用您的数据科学工作。有关一些 Jupyter 笔记本示例，请参阅 TrustyAI Explainability 软件仓库。 |
| code-server |
使用 code-server workbench 镜像，您可以使用各种扩展来自定义工作台环境来满足您的需求，以添加新的语言、主题、调试器并连接到其他服务。提高数据科学效率，其语法突出显示、自动缩进和括号匹配，以及自动任务运行程序，实现无缝自动化。如需更多信息，请参阅 GitHub 中的 code-server。 注意：基于 Elyra 的管道不适用于 code-server workbench 镜像。 |
| RStudio 服务器（技术预览） |
使用 RStudio 服务器工作台镜像访问 RStudio IDE，这是 R 的集成开发环境，这是统计计算和图形的编程语言。如需更多信息，请参阅 RStudio 服务器网站。
要使用 RStudio Server workbench 镜像，您必须首先通过创建 secret 并触发 BuildConfig 来构建它，然后通过编辑 重要
免责声明： |
| CUDA - RStudio 服务器（技术预览） | 使用 CUDA - RStudio Server workbench 镜像访问 RStudio IDE 和 NVIDIA CUDA Toolkit。RStudio 是 R 的集成开发环境，它是统计计算和图形的编程语言。使用 NVIDIA CUDA 工具包，您可以使用 GPU 加速的库和优化工具优化您的工作。如需更多信息，请参阅 RStudio 服务器网站。
要使用 CUDA - RStudio Server workbench 镜像，您必须首先通过创建一个 secret 并触发 BuildConfig 来构建它，然后通过编辑 重要
免责声明： CUDA - RStudio Server workbench 镜像包含 NVIDIA CUDA 技术。CUDA 许可信息位于 https://docs.nvidia.com/cuda/。使用此示例工作台前，请查看许可证条款。 |
| ROCm | 使用 ROCm 笔记本镜像在 OpenShift AI 的 AMD GPU 上运行 AI 和机器学习工作负载。它包括为高性能 GPU 加速优化的 ROCm 库和工具，支持自定义 AI 工作流和数据处理任务。使用此镜像集成其他框架或基于您的特定 AI 开发需求的依赖项。 |
| ROCm-PyTorch | 使用 ROCm-PyTorch 笔记本镜像优化 OpenShift AI 中的 AMD GPU 上的 PyTorch 工作负载。它包括 ROCm-accelerated PyTorch 库，支持高效的学习培训、干扰和试验。此镜像专为使用基于 PyTorch 的工作流的数据科学家设计，提供与 GPU 调度的集成。 |
| ROCm-TensorFlow | 使用 ROCm-TensorFlow 笔记本镜像优化 OpenShift AI 中的 AMD GPU 上的 TensorFlow 工作负载。它包括 ROCm-accelerated TensorFlow 库，以支持高性能的深度学习模型培训和认证和推测。此镜像简化了 AMD GPU 上的 TensorFlow 开发，并与 OpenShift AI 集成资源扩展和管理。 |
'%20d='M201.5%20305.5c-13.8%200-24.9-11.1-24.9-24.6%200-13.8%2011.1-24.9%2024.9-24.9%2013.6%200%2024.6%2011.1%2024.6%2024.9%200%2013.6-11.1%2024.6-24.6%2024.6zM504%20256c0%20137-111%20248-248%20248S8%20393%208%20256%20119%208%20256%208s248%20111%20248%20248zm-132.3-41.2c-9.4%200-17.7%203.9-23.8%2010-22.4-15.5-52.6-25.5-86.1-26.6l17.4-78.3%2055.4%2012.5c0%2013.6%2011.1%2024.6%2024.6%2024.6%2013.8%200%2024.9-11.3%2024.9-24.9s-11.1-24.9-24.9-24.9c-9.7%200-18%205.8-22.1%2013.8l-61.2-13.6c-3-.8-6.1%201.4-6.9%204.4l-19.1%2086.4c-33.2%201.4-63.1%2011.3-85.5%2026.8-6.1-6.4-14.7-10.2-24.1-10.2-34.9%200-46.3%2046.9-14.4%2062.8-1.1%205-1.7%2010.2-1.7%2015.5%200%2052.6%2059.2%2095.2%20132%2095.2%2073.1%200%20132.3-42.6%20132.3-95.2%200-5.3-.6-10.8-1.9-15.8%2031.3-16%2019.8-62.5-14.9-62.5zM302.8%20331c-18.2%2018.2-76.1%2017.9-93.6%200-2.2-2.2-6.1-2.2-8.3%200-2.5%202.5-2.5%206.4%200%208.6%2022.8%2022.8%2087.3%2022.8%20110.2%200%202.5-2.2%202.5-6.1%200-8.6-2.2-2.2-6.1-2.2-8.3%200zm7.7-75c-13.6%200-24.6%2011.1-24.6%2024.9%200%2013.6%2011.1%2024.6%2024.6%2024.6%2013.8%200%2024.9-11.1%2024.9-24.6%200-13.8-11-24.9-24.9-24.9z'/%3e%3c/svg%3e){kind=small}