Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.

Unterstützte Frameworks, AWS-Regionen, Instanztypen und getestete Modelle

Bevor Sie den SageMaker Training Compiler verwenden, überprüfen Sie, ob das Framework Ihrer Wahl unterstützt wird, ob die Instance-Typen in Ihrem AWS Konto verfügbar sind und Ihr AWS Konto zu einem der unterstützten Programme gehört. AWS-Regionen

Unterstützte Frameworks

SageMaker Der Training Compiler unterstützt die folgenden Deep-Learning-Frameworks und ist über Deep Learning Containers verfügbar. AWS

PyTorch

TensorFlow

Weitere Informationen finden Sie unter Verfügbare Bilder im Deep-Learning-Container-Repository. https://github.com/aws/deep-learning-containers/blob/master/available_images.md AWS GitHub

AWS-Regionen

Die SageMaker Training Compiler-Container sind überall dort verfügbar, AWS-Regionen wo AWS Deep Learning-Container in Betrieb sind, außer in den Regionen Chinas.

Unterstützte Instance-Typen

SageMaker Der Training Compiler wurde auf den folgenden ML-Instanztypen getestet und unterstützt diese.

Die Spezifikationen der Instance-Typen finden Sie im Abschnitt Beschleunigte Datenverarbeitung auf der Seite Amazon-EC2-Instance-Typen. Informationen zu Instance-Preisen finden Sie unter SageMaker Amazon-Preise.

Wenn Sie auf eine Fehlermeldung ähnlich der folgenden gestoßen sind, folgen Sie den Anweisungen unter Anfordern einer Erhöhung des Servicekontingents für SageMaker KI-Ressourcen.

ResourceLimitExceeded: An error occurred (ResourceLimitExceeded) when calling
the CreateTrainingJob operation: The account-level service limit 'ml.p3dn.24xlarge
for training job usage' is 0 Instances, with current utilization of 0 Instances
and a request delta of 1 Instances.
Please contact AWS support to request an increase for this limit.

Getestete Modelle

Die folgende Tabelle enthält eine Liste der Modelle, die mit dem SageMaker Training Compiler getestet wurden. Als Referenz: Die größte Chargengröße, die in den Speicher passt, ist neben anderen Trainingsparametern auch enthalten. SageMaker Der Training Compiler kann den Speicherbedarf des Modelltrainingsprozesses ändern. Daher kann während des Trainingsprozesses häufig eine größere Batchgröße verwendet werden, wodurch die Gesamttrainingszeit weiter reduziert wird. In einigen Fällen fördert der SageMaker Training Compiler das Zwischenspeichern auf intelligente Weise, was dazu führt, dass die größte Batchgröße, die auf die GPU passt, verringert wird. Sie müssen die Hyperparameter Ihres Modells erneut anpassen und eine optimale Batch-Größe für Ihren Fall finden. Um Zeit zu sparen, können Sie anhand der folgenden Referenztabellen nach einer Batch-Größe suchen, die sich gut als Ausgangspunkt für Ihren Anwendungsfall eignen kann.