beta9

环境要求

• 已安装 Python 与 pip（示例代码使用 python3.11）
• 已注册 Beam 账号（beam.cloud）
• 网络可访问 beam.cloud 与平台控制台

安装与启动步骤

1. 1安装客户端库

   用 pip 安装官方 Python 客户端 beam-client，这是与 Beam 平台交互的唯一入口。

   pip install beam-client

   复制

2. 2注册并完成引导

   先在 beam.cloud 创建账号，再按官方 Getting Started Guide 完成平台初始引导配置。

3. 3编写推理端点

   新建 app.py，用 @endpoint 装饰器定义自动扩缩容的推理端点，并按需设置 GPU、CPU、内存。

   from beam import Image, endpoint
   from beam import QueueDepthAutoscaler
   
   @endpoint(
       image=Image(python_version="python3.11"),
       gpu="A10G",
       cpu=2,
       memory="16Gi",
       autoscaler=QueueDepthAutoscaler(max_containers=5, tasks_per_container=30)
   )
   def handler():
       return {"label": "cat", "confidence": 0.97}

   复制

4. 4编写后台任务

   用 @task_queue 装饰器定义异步任务，在 __main__ 中直接调用 put() 本地触发一次任务。

   from beam import Image, TaskPolicy, schema, task_queue
   
   
   class Input(schema.Schema):
       image_url = schema.String()
   
   
   @task_queue(
       name="image-processor",
       image=Image(python_version="python3.11"),
       cpu=1,
       memory=1024,
       inputs=Input,
       task_policy=TaskPolicy(max_retries=3),
   )
   def my_background_task(input: Input, *, context):
       image_url = input.image_url
       print(f"Processing image: {image_url}")
       return {"image_url": image_url}
   
   
   if __name__ == "__main__":
       my_background_task.put(image_url="https://example.com/image.jpg")

   复制

5. 5部署到云端

   用 beam deploy 命令把任务函数以指定名称部署为带版本的可调用端点。

   beam deploy app.py:my_background_task --name image-processor

   复制

关键配置

如何确认成功

本地执行脚本可看到后台任务打印的图片处理日志；执行部署命令后在 Beam 控制台可查到该端点。

常见问题

注意事项

• README 未提供自托管（Self-Hosting）的具体安装步骤，如需自建请以 docs.beam.cloud 官方文档为准。
• 示例中的 gpu、cpu、memory、autoscaler 参数只是演示值，请按实际模型的资源需求调整。
• 项目采用 AGPL-3.0 许可，商用前请确认许可条款。
• 使用中遇到问题可加入官方 Slack 社区（README 中提供了邀请链接）。