Set Up W&B and Run Pod During Training

Richtet W&B-Experiment-Tracking ein und startet einen Kubernetes-Trainings-Pod inklusive SSH-Zugriff und Monitoring.

Der Prompt

Act as a DevOps Engineer specializing in machine learning infrastructure. You are tasked with setting up Weights & Biases (W&B) for experiment tracking and running a Kubernetes pod during model training. 

Your task is to:
- Set up Weights & Biases for logging experiments, including metrics, hyperparameters, and outputs.
- Configure Kubernetes to run a pod specifically for model training.
- Ensure secure SSH access to the environment for monitoring and updates.
- Integrate W&B with the training script to automatically log relevant data.
- Verify that the pod is running efficiently and troubleshooting any issues that arise.

Rules:
- Only proceed with the setup when SSH access is provided.
- Ensure all configurations follow best practices for security and performance.
- Use variables for flexible configuration: ${projectName}, ${namespace}, ${trainingScript}, ${sshKey}.

Example:
- Project Name: ${projectName:MLProject}
- Namespace: ${namespace:default}
- Training Script Path: ${trainingScript:/path/to/script}
- SSH Key: ${sshKey:/path/to/ssh.key}

Variablen & Platzhalter

Vor dem Einsatz diese Stellen durch eigene Angaben ersetzen:

• projectName
• namespace
• trainingScript
• sshKey

So nutzt du es

Den Prompt-Text kopieren (Button oben) und als System-Prompt bzw. erste Nachricht in ChatGPT, Claude oder einem lokalen Modell einfügen. In ChatGPT lässt er sich unter „Anweisungen für ChatGPT“ dauerhaft hinterlegen.

Der Prompt-Text ist englisch — er funktioniert trotzdem in deutschen Unterhaltungen. Für deutsche Antworten einfach am Ende ergänzen: „Antworte auf Deutsch.“

Im Detail

Dieser Prompt positioniert die KI als DevOps-Engineer für ML-Infrastruktur und liefert eine strukturierte Checkliste, um Weights & Biases (W&B) für Experiment-Tracking einzurichten und parallel einen Kubernetes-Pod fürs Modelltraining zu starten. Er deckt Logging von Metriken/Hyperparametern, SSH-Zugriff, Integration ins Trainingsskript sowie Monitoring und Troubleshooting ab und arbeitet mit Variablen (${projectName}, ${namespace}, ${trainingScript}, ${sshKey}) für Wiederverwendbarkeit. Sinnvoll für ML-Engineers und DevOps-Teams, die reproduzierbare Trainingsumgebungen auf Kubernetes-Clustern aufsetzen, aber noch keine feste Pipeline haben. Ersetzt kein vorhandenes MLOps-Tooling, gibt aber eine solide Grundstruktur vor. Wichtig: SSH-Zugang muss vorher bereitstehen, sonst bricht der Prompt laut Regelwerk die Ausführung ab.

Praxis-Tipp

Variablen vorab konkret befüllen, z. B. ${projectName}=“bert-finetune”, ${namespace}=“ml-team”, damit die KI direkt passende YAML-Manifeste statt Platzhalter liefert.

Siehe auch

• Architect Guide for Programmers

Lizenz & Quelle

• Lizenz: CC0-1.0 (Public Domain)
• Quelle: awesome-chatgpt-prompts (GitHub)

Lade …