As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Seleção de instâncias para os estágios do Neptune ML
<a name="machine-learning-on-graphs-instance-selection"></a>

Os diferentes estágios do processamento do Neptune ML usam diferentes instâncias do SageMaker AI. Aqui, abordamos como escolher o tipo de instância correto para cada estágio. É possível encontrar informações sobre os tipos e preços de instâncias do SageMaker AI em [Preço do Amazon SageMaker](https://aws.amazon.com/sagemaker/pricing/).

## Selecionar uma instância para processamento de dados
<a name="machine-learning-on-graphs-processing-instance-size"></a>

A etapa de [processamento de dados](machine-learning-on-graphs-processing.md) do SageMaker AI requer uma [instância de processamento](https://docs.aws.amazon.com/sagemaker/latest/dg/processing-job.html) que tenha memória e armazenamento em disco suficientes para os dados de entrada, intermediários e de saída. A quantidade específica de memória e armazenamento em disco necessária depende das características do grafo do Neptune ML e de os respectivos atributos exportados.

Por padrão, o Neptune ML escolhe a menor instância `ml.r5` cuja memória é dez vezes maior que o tamanho dos dados de grafos exportados no disco.

## Selecionar uma instância para treinamento e transformação de modelos
<a name="machine-learning-on-graphs-training-transform-instance-size"></a>

Selecionar o tipo de instância certo para [treinamento de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html) ou [transformação de modelos](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-batch.html) depende do tipo de tarefa, do tamanho do grafo e dos requisitos de entrega. As instâncias de GPU oferecem o melhor desempenho. Geralmente, recomendamos instâncias seriais `p3` e `g4dn`. Também é possível usar instâncias `p2` ou `p4d`.

Por padrão, o Neptune ML escolhe a menor instância de GPU com mais memória do que o treinamento e a transformação de modelos exigem. É possível encontrar qual é essa seleção no arquivo `train_instance_recommendation.json`, no local de saída do processamento de dados do Amazon S3. Veja um exemplo do conteúdo de um arquivo `train_instance_recommendation.json`:

```
{ 
  "instance":     "(the recommended instance type for model training and transform)",
  "cpu_instance": "(the recommended instance type for base processing instance)", 
  "disk_size":    "(the estimated disk space required)",
  "mem_size":     "(the estimated memory required)"
}
```

## Selecionar uma instância para um endpoint de inferência
<a name="machine-learning-on-graphs-inference-endpoint-instance-size"></a>

Selecionar o tipo de instância certo para um [endpoint de inferência](machine-learning-on-graphs-inference-endpoint.md) depende do tipo de tarefa, do tamanho do grafo e do seu orçamento. Por padrão, o Neptune ML escolhe a menor instância `ml.m5d` com mais memória do que o endpoint de inferência exige.

**nota**  
Se forem necessários mais de 384 GB de memória, o Neptune ML usará uma instância `ml.r5d.24xlarge`.

É possível ver qual tipo de instância o Neptune ML recomenda no arquivo `infer_instance_recommendation.json` presente na localização do Amazon S3 que você está usando para treinamento de modelos. Veja uma amostra do conteúdo desse arquivo:

```
{ 
  "instance" :   "(the recommended instance type for an inference endpoint)",
  "disk_size" :  "(the estimated disk space required)",
  "mem_size" :   "(the estimated memory required)"
}
```