例

• OpenShift AI のレイとディープスピードの微調整 LLM
• DreamBoothとRay Trainの微調整
• OpenShift AIのRay Tuneによるハイパーパラメータの最適化

##インテグレーションテスト

前提条件

※OpenShiftクラスター(CRC)へのアクセスを制限

• インストールされたOpenDataHubまたはRHOAIは、すべての分散型ワークロードコンポーネントを有効にしました

• インストールされたGo 1.21

##共通環境変数

• TEST_OUTPUT_DIR - テストログの出力ディレクトリ
• TEST_TIMEOUT_SHORT - ショートタスクのタイムアウト時間
• [TEST_TIMEOUT_MEDIUM - 中タスクのタイムアウト時間
• TEST_TIMEOUT_LONG - 長いタスクのタイムアウト時間
• [TEST_RAY_IMAGE(オプション) - 線路の設定に使用されるレイイメージ
• [MINIO_CLI_IMAGE (オプション) - s3 バケットからデータをアップロード/ダウンロードするために使用される Minio CLI イメージ
• [TEST_TIER (オプション) - 指定されたテストティアに属していないテストをスキッピング、実行するテストティアを指定します。 支えられたテスト層:煙、層1、層2、層3、事前アップグレードおよびポストアップグレード。 テストティアは、テストパラメータ[testTier]を使用しても提供できます。

Note: [quay.io/modh/ray:2.47.1-py312-cu128 は、RayCluster リソースを作成するために使用されるデフォルトのイメージです.

Distributed Workloads

Examples

• Fine-Tune LLMs with Ray and DeepSpeed on OpenShift AI
• Fine-Tune Stable Diffusion with DreamBooth and Ray Train
• Hyperparameters Optimization with Ray Tune on OpenShift AI

Integration Tests

Prerequisites

• Admin access to an OpenShift cluster (CRC is fine)

• Installed OpenDataHub or RHOAI, enabled all Distributed Workload components

• Installed Go 1.21

Common environment variables

• TEST_OUTPUT_DIR - Output directory for test logs

• TEST_TIMEOUT_SHORT - Timeout duration for short tasks

• TEST_TIMEOUT_MEDIUM - Timeout duration for medium tasks

• TEST_TIMEOUT_LONG - Timeout duration for long tasks

• TEST_RAY_IMAGE (Optional) - Ray image used for raycluster configuration

• MINIO_CLI_IMAGE (Optional) - Minio CLI image used for uploading/downloading data from/into s3 bucket

• TEST_TIER (Optional) - Specifies test tier to run, skipping tests which don’t belong to specified test tier. Supported test tiers: Smoke, Tier1, Tier2, Tier3, Pre-Upgrade and Post-Upgrade. Test tier can also be provided using test parameter testTier.

  NOTE: quay.io/modh/ray:2.47.1-py312-cu128 is the default image used for creating a RayCluster resource. If you have your own custom ray image which suits your purposes, specify it in TEST_RAY_IMAGE environment variable.

Environment variables for fms-hf-tuning test suite

• FMS_HF_TUNING_IMAGE - Image tag used in PyTorchJob CR for model training

Environment variables for fms-hf-tuning GPU test suite

• TEST_NAMESPACE_NAME (Optional) - Existing namespace where will the Training operator GPU tests be executed
• HF_TOKEN - HuggingFace token used to pull models which has limited access
• GPTQ_MODEL_PVC_NAME - Name of PersistenceVolumeClaim containing downloaded GPTQ models

To upload trained model into S3 compatible storage, use the environment variables mentioned below :

• AWS_DEFAULT_ENDPOINT - Storage bucket endpoint to upload trained dataset to, if set then test will upload model into s3 bucket
• AWS_ACCESS_KEY_ID - Storage bucket access key
• AWS_SECRET_ACCESS_KEY - Storage bucket secret key
• AWS_STORAGE_BUCKET - Storage bucket name
• AWS_STORAGE_BUCKET_MODEL_PATH (Optional) - Path in the storage bucket where trained model will be stored to

Environment variables for ODH integration test suite

• ODH_NAMESPACE - Namespace where ODH components are installed to
• NOTEBOOK_USER_NAME - Username of user used for running Workbench
• NOTEBOOK_USER_PASSWORD - Password of user used for running Workbench
• NOTEBOOK_USER_TOKEN - Login token of user used for running Workbench
• NOTEBOOK_IMAGE - Image used for running Workbench

To download MNIST training script datasets from S3 compatible storage, use the environment variables mentioned below :

• AWS_DEFAULT_ENDPOINT - Storage bucket endpoint from which to download MNIST datasets