kernel_runner.py 在执行代码前自动注入 DATA_DIR 全局变量,兼容 Docker 和 Native 模式。
注入机制:
import os
DATA_DIR = os.environ.get('DMLA_DATA_PATH', '/data')模式差异:
- Docker 模式:
DMLA_DATA_PATH未设置 →DATA_DIR = '/data'(容器挂载路径) - Native 模式:
DMLA_DATA_PATH已设置 →DATA_DIR = '~/dmla-data'(宿主机数据目录)
使用方式:
# 在代码中使用 DATA_DIR(无需导入,自动注入)
dataset_path = os.path.join(DATA_DIR, 'datasets', 'tiny-imagenet-200')
model_path = os.path.join(DATA_DIR, 'models', 'alexnet', 'final', 'model.pth')
cache_path = os.path.join(DATA_DIR, 'cache', 'preprocessing', 'lmdb')自定义数据路径(Native 模式):
# 通过环境变量自定义数据目录
export DMLA_DATA_PATH=/custom/data/path
dmla start --dev
# 或在 CLI 启动时指定
dmla data mount /custom/data/path文档代码块适配:
文档中的代码块应使用 DATA_DIR 变量而非硬编码 /data 路径:
# 错误(仅 Docker 模式可用)
data_dir = '/data/datasets/tiny-imagenet-200'
# 正确(Docker 和 Native 模式均可用)
data_dir = os.path.join(DATA_DIR, 'datasets', 'tiny-imagenet-200')文档中多个 runnable code 块可通过共享模块复用类定义:
# 从文档提取标记的类定义到共享模块
npm run extract:shared
# 构建镜像时自动执行提取
npm run build:sandbox:gpu使用方式:
- 在文档中标记需要提取的类:
```python runnable extract-class="LogisticRegression" class LogisticRegression: ...
- 在其他代码块中导入使用:
from shared.linear.logistic_regression import LogisticRegression model = LogisticRegression()
目录结构:
- 文档:
docs/statistical-learning/linear-models/*.md - 共享模块:
local-server/shared/linear/*.py
重要规则:
- 禁止手动创建共享模块文件:共享模块必须通过
node scripts/extract-shared-modules.js脚本从文档中自动提取生成 - 模块路径自动推断:脚本会根据文档路径自动推断模块名(如
deep-learning/sequence-models/→shared/sequence_models/),也可在脚本的CHAPTER_MAPPING中配置显式映射 - 开发流程:先在文档中编写带
extract-class标记的代码块 → 运行提取脚本 → 在其他代码块中导入使用
开发模式:Volume Mount 自动启用,修改代码无需重建镜像
生产模式:设置 MOUNT_SHARED_MODULES=false 禁用挂载