# البدء السريع

شغّل كود بايثون الخاص بك على وحدات المعالجة المركزية ووحدات معالجة الرسوميات في Hugging Face. في هذا الدليل، ستشغّل أمرًا بسيطًا على وحدة المعالجة المركزية، ثم تولّد نصًا باستخدام نموذج لغة صغير على وحدة معالجة الرسوميات.

ستحتاج إلى حساب Hugging Face يحتوي على [رصيد مدفوع مسبقًا](https://huggingface.co/settings/billing). راجع [التسعير والفوترة](./jobs-pricing) لمعرفة تكاليف الحوسبة.

## 1. إعداد واجهة سطر الأوامر

[ثبّت واجهة سطر أوامر Hugging Face](https://huggingface.co/docs/huggingface_hub/en/guides/cli#getting-started)، ثم سجّل الدخول إلى حسابك:

```bash
>>> hf auth login
```

## 2. تشغيل Hello World

نفّذ هذا الأمر في طرفية النظام:

```bash
>>> hf jobs uv run python -c 'print("Hello from the cloud!")'
```

`hf jobs uv run` يشغّل الأمر في بيئة Python على بنية Hugging Face التحتية. يستخدم وحدة المعالجة المركزية (CPU) افتراضيًا ويبث سجلات المهمة إلى طرفية جهازك. بعد بدء التشغيل، ستظهر لك:

```text
Hello from the cloud!
```

يطبع سطر الأوامر أيضاً معرّف مهمتك ورابطاً إلى صفحتها. افتح الرابط لعرض حالتها وسجلاتك في متصفحك. يمكنك العثور على مهامك مرة أخرى في [صفحة المهام](https://huggingface.co/settings/jobs)، أو استخدم المعرّف مع أوامر سطر الأوامر أدناه.

يمكن أيضًا تشغيل أوامر في أي صورة Docker:

```bash
>>> hf jobs run ubuntu echo 'Hello from the cloud!'
```

يستخدم بقية هذا الدليل `hf jobs uv run`. راجع [استخدام صور Docker](./jobs-images) لمعرفة متى وكيف تستخدم صورة.

## 3. تشغيل نموذج على وحدة معالجة رسومية

شغّل هذا السكربت المُعدّ لتوليد اسم روبوت. يمكنك [عرضه على GitHub](https://github.com/huggingface/hub-docs/blob/main/examples/jobs/hello_gpu.py) أو قراءة الكود أدناه.

```bash
hf jobs uv run \
    --flavor t4-small \
    --timeout 5m \
    https://raw.githubusercontent.com/huggingface/hub-docs/main/examples/jobs/hello_gpu.py
```

- `--flavor t4-small` يختار جهازًا مزودًا بوحدة معالجة رسومية NVIDIA T4.
- `--timeout 5m` يحدد حدًا زمنيًا قدره خمس دقائق للمهمة.

يقوم Job بتنزيل النموذج وطباعة إجابته في السجلات. على سبيل المثال:

```text
RoboLearnbot
```

إليك النص البرمجي الكامل:

```python
# /// script
# dependencies = ["torch", "transformers"]
# ///

from transformers import pipeline

generator = pipeline(
    "text-generation",
    model="HuggingFaceTB/SmolLM2-360M-Instruct",
    dtype="float16",
)
messages = [{
    "role": "user",
    "content": "Suggest a name for a robot that helps people learn Python. Answer with only the name.",
}]
outputs = generator(messages, max_new_tokens=48, do_sample=False, return_full_text=False)
print(outputs[0]["generated_text"])
```

يُخبر [ترويسة الاعتماديات](https://docs.astral.sh/uv/guides/scripts/#declaring-script-dependencies) أداة uv بتثبيت `torch` و`transformers` في المهمة. يمكنك أيضاً تحديد الاعتماديات باستخدام `--with`. لا تحتاج إلا إلى واجهة `hf` على جهازك محلياً.

تشغّل السكربت [SmolLM2-360M-Instruct](https://huggingface.co/HuggingFaceTB/SmolLM2-360M-Instruct) على وحدة معالجة الرسوميات الخاصة بالمهمة. يحدد `max_new_tokens` الحد الأقصى لطول الإجابة.

تختلف مدة بدء التشغيل حسب توفر الأجهزة، وتثبيت الاعتماديات، وتنزيل النماذج.

> [!TIP]
> يوقف الضغط على Ctrl+C بثّ السجلات؛ بينما يستمر تشغيل المهمة. لإيقاف المهمة، استخدم `hf jobs cancel JOB_ID`، مع استبدال `JOB_ID` بالمعرّف الذي طبعته واجهة سطر الأوامر.

يمكنك أيضاً تشغيل نفس المهمة من بايثون باستخدام عميل [`huggingface_hub`](https://huggingface.co/docs/huggingface_hub/guides/jobs):

```python
from huggingface_hub import run_uv_job

job = run_uv_job(
    "https://raw.githubusercontent.com/huggingface/hub-docs/main/examples/jobs/hello_gpu.py",
    flavor="t4-small",
    timeout="5m",
)
print(job.url)
```

## 4. تحقق من نتيجتك

استخدم معرّف مهمة وحدة المعالجة الرسومية (GPU Job) للتحقق من حالتها وقراءة سجلاتها مرة أخرى:

```bash
>>> hf jobs inspect JOB_ID
>>> hf jobs logs JOB_ID
```

يكون لحالة التشغيل الناجح `COMPLETED`، وتحتوي سجلاته على الإجابة المولّدة.

تظل الإجابة متاحة في سجلات المهمة بعد انتهائها. عند تعديل السكربت لإنتاج ملفات، [احفظ تلك النتائج في دلو أو مستودع Hub](./jobs-manage#persist-your-results) حتى تبقى بعد انتهاء المهمة.

## جرّب سكريبتك الخاص (اختياري)

انسخ الكود أعلاه إلى `hello_gpu.py`، وعدّل الاستعلام في `messages`، ثم شغّل ملفك المحلي:

```bash
hf jobs uv run --flavor t4-small --timeout 5m hello_gpu.py
```

ترفع واجهة سطر الأوامر (CLI) سكربتك المُعدَّل تلقائيًا. استبدل `hello_gpu.py` بمساره إذا كنت قد حفظته في مكان آخر.

## الخطوات التالية

ابنِ على هذا المثال مع حمل عمل أكبر:

- [تعليم مجموعة بيانات باستخدام التعرف الضوئي على الحروف أو التصنيف أو الاستدلال الدُفعي](./jobs-examples#uv-scripts).
- [تدريب نموذج أو ضبطه](./jobs-training) وحفظه في المستودع.
- [قراءة مجموعات البيانات أو الدلاء وحفظ النتائج المعالجة](./jobs-large-datasets).
- [تشغيل الأوامر في صور Docker](./jobs-configuration#docker-jobs).
- [استخدام Jobs من وكيل برمجي](./jobs-examples#coding-agent-skills).