运行时环境（镜像）概览
运行时环境中的通用依赖
大模型算力管理平台 默认在运行时环境中包含了大量的基础依赖，以减少在每次容器启动时耗费运行资源进行依赖的下载与安装。
预先安装的依赖可以按照用途分为一下几个方面：
1. 通用机器学习类库
- scikit-learn 通用机器学习类库，包含了大量的机器学习模型、数据分析、数据挖掘算法以及可视化工具
- XGBoost 一个性能优异的 GBDT 模型实现，大量 kaggle 的获奖算法都在此算法之上构建
- ONNX 深度学习模型转换类库
- spaCy 工业级自然语言处理类库
- LightGBM 由微软推出的 boosting 框架
2. 图像处理工具
常用的图形处理类库
3. 数据分析类库
- pandas
- SciPy
- Matplotlib
- NumPy
- h5py
如何添加不在列表中的依赖
默认的 大模型算力管理平台 运行时环境已经安装了大量的机器学习场景下的依赖，如果你依然需要额外的依赖，可以通过以下方式安装。
每个运行时环境所安装的 CUDA 版本有所不同，在安装额外的依赖时一定要注意和运行时环境中 CUDA 的环境相匹配。
安装 Python 的类库
如果你在上传代码并以「Python 脚本执行」的方式运行代码的时候需要一些额外的依赖，可以在在上传的代码的根目录定义一个名为 openbayes_requirements.txt 或者 requirements.txt 的文件并在里面添加需要的依赖和其他文件一并上传即可。在代码运行前，系统会首先安装这些依赖后再执行「python 脚本」。
该文件内容的格式和 Python 的 requirements.txt 格式是一致的，一个典型的 openbayes_requirements.txt 文件内容如下：
jieba
tqdm==4.11.2
其中 jieba tqdm 是两个可以通过 pip 安装的类库，通过以上格式即可在执行「python 脚本」之前首先安装这些类库。tqdm==4.11.2 的 == 之后指定了想要具体安装的版本。
系统中一些依赖如 tensorflow pytorch 的版本不建议被随意修改，因为不同版本的 tensorflow 或者 pytorch 对其底层的依赖也是有区别的，可能导致当前环境的损坏。
通过 Conda 进行依赖管理
对于「工作空间」这部分见 用 Conda 管理依赖。
对于「Python 脚本执行」可以在上传的代码根目录下提供名为 conda-packages.txt 的文件，其文件格式遵循
[channel::]package[=version[=buildid]]
这里有一个样例：
conda-forge::rdkit
conda-forge::pygpu
如果 requirements.txt、openbayes_requirements.txt 和 conda-packages.txt 同时存在，那么会首先安装 conda-packages.txt 里的依赖，然后再安装 openbayes_requirements.txt 以及 requirements.txt 中的依赖。
安装其他依赖
如果是在「Jupyter 工作空间」中可以参见下一部分。如果是「Python 脚本执行」场景你可以用以下方式安装额外的非 Python 的依赖：
-
将依赖安装命令包含在「执行命令」中
例如想要在运行程序前下载必要的 git 仓库，可以使用以下「执行命令」：
$ git clone https://github.com/tensorflow/models.git && cd models && python ... -
准备一个
dependencies.sh脚本对于非 Conda 和 PyPI 的依赖，可以在根目录提供一个名为
dependencies.sh的文件，在「Python 脚本执行」启动时它会被bash执行，并且其执行会早于openbayes_requirements.txtrequirements.txt和conda-packages.txt依赖的安装。例如我这里采用命令
dependencies.sh的脚本，其内容如下：dependencies.shgit clone https://github.com/tensorflow/models.git
cd models
pip install -r requirements.txt
你的运行时环境为 Linux Ubuntu 环境，如果想要安装额外的包依赖，可以采用 apt-get 或者 apt 命令，当然在执行之前通常需要执行命令 apt-get update 或者 apt update
在 Jupyter 工作空间中安装依赖
在「Jupyter 工作空间」中你可以在其中安装任意你需要的依赖，不论是 Python 的或者是通过 apt 安装的其他依赖。
例如下面就是在编辑器中安装一个额 外的 Python 依赖：
在输入 ! 之后跟上 pip 安装的命令即可，例如 !pip install jieba。
而通过 !apt install xxx 即可在其中安装 apt 的包依赖：
保留 pip 依赖
目前 大模型算力管理平台 下安装的额外的 pip 依赖会默认保存在系统盘，当容器重启后依赖需要重新安装。但是如果在使用 pip 安装依赖时添加额外的参数 --user 那么安装的依赖会保存在容器的工作空间（也就是 /openbayes/home）下，具体目录位置为 /openbayes/home/.pylibs，当「工作空间」关闭后再次启动时，.pylibs 目录也会被重新拷贝到容器指定目录下，通过 pip list 查看依赖依然可以看到已经安装的依赖列表。
1. 删除不必要的依赖
如果你不想保留这些依赖，可以在「执行命令」中添加 rm -rf /openbayes/home/.pylibs 命令。
2. 需要不同的 Python 版本
如果需要一个全新的 Python 版本（目前 大模型算力管理平台 下 Python 的版本为 3.6 或者 3.8）可以依据 在 /openbayes/home 下创建一个新的环境 创建一个全新的环境在 /openbayes/home 目录下，并在其中安装完整的依赖。
通过 conda 创建了一个全新的环境后不要使用 pip --user 的参数来安装依赖；在添加 --user 后依赖会被安排在 /openbayes/home/.pylibs 下而不是新创建的 conda 环境下，容易引发依赖的冲突。
安装 Jupyter 工作空间扩展
「Jupyter 工作空间」有很多扩展，我们可以在「Terminal」中添加我们需要的扩展。我们这里展示如何安装一个自动增加编辑器目录的扩展 jupyterlab-toc。
打开一个「Terminal」，并输入以下命令：
jupyter labextension install @jupyterlab/toc
再次打开一个 .ipynb 文件，即可看到左侧出现了「目录」的选项卡，点击后即可看到当前文件的目录了。
