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.
# Configurar pontos de verificação gerenciados em camadas
Esta seção contém o processo de configuração do ponto de verificação hierárquico gerenciado para a Amazon. SageMaker HyperPod Você aprenderá a habilitar o recurso no cluster e implementar pontos de verificação no código de treinamento.
**Topics**
+ [Pré-requisitos](#managed-tier-checkpointing-setup-prerequisites)
+ [Etapa 1: habilitar o ponto de verificação gerenciado em camadas para seu cluster](#managed-tier-checkpointing-setup-step-enable-for-cluster)
+ [Etapa 2: instalar a biblioteca do Python na imagem de treinamento](#managed-tier-checkpointing-setup-step-install-library)
+ [Etapa 3: salve os pontos de verificação em seu ciclo de treinamento](#managed-tier-checkpointing-setup-step-save-checkpoint-in-loop)
+ [Etapa 4: pontos de verificação de carga para recuperação](#managed-tier-checkpointing-setup-step-load-checkpoint)
+ [Valide suas operações gerenciadas de ponto de verificação hierárquico](#managed-tier-checkpointing-setup-validation)
## Pré-requisitos
Antes de configurar o ponto de verificação hierárquico gerenciado, verifique se você tem:
+ Um HyperPod cluster Amazon EKS com memória de CPU suficiente disponível para alocação de pontos de verificação
+ PyTorch cargas de trabalho de treinamento e tarefas de DCP (ambas são suportadas)
+ Permissões do IAM apropriadas para gerenciamento de clusters, como:
+ A Amazon CloudWatch e o Amazon S3 escrevem permissões para o pod de treinamento ler/gravar pontos de verificação e enviar métricas
+ Essas permissões podem ser definidas por meio da [configuração do OIDC do EKS](https://docs.aws.amazon.com/eks/latest/userguide/iam-roles-for-service-accounts.html).
## Etapa 1: habilitar o ponto de verificação gerenciado em camadas para seu cluster
**Importante**
Você deve optar por usar o ponto de verificação hierárquico gerenciado.
Ative o checkpoint gerenciado em camadas por meio do HyperPod APIs ao criar ou atualizar seu cluster. O serviço instala automaticamente o sistema de gerenciamento de memória quando você especifica o parâmetro `TieredStorageConfig`.
Para novos clusters, você pode usar [https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-cluster.html](https://docs.aws.amazon.com/cli/latest/reference/sagemaker/create-cluster.html) AWS CLI.
```
aws sagemaker create-cluster \
--cluster-name cluster-name \
--orchestrator "Eks={ClusterArn=eks-cluster-arn}" \
--instance-groups '{
"InstanceGroupName": "instance-group-name",
"InstanceType": "instance-type",
"InstanceCount": instance-count,
"LifeCycleConfig": {
"SourceS3Uri": "s3-path-to-lifecycle-scripts",
"OnCreate": "lifecycle-script-name"
},
"ExecutionRole": "instance-group-iam-role",
"ThreadsPerCore": threads-per-core,
"InstanceStorageConfigs": [
{ "EbsVolumeConfig": {"VolumeSizeInGB": volume-size} }
]
}' \
--vpc-config '{
"SecurityGroupIds": ["security-group-ids"],
"Subnets": ["subnets"]
}' \
--tiered-storage-config '{
"Mode": "Enable"
}'
```
O parâmetro `InstanceMemoryAllocationPercentage` especifica a `percentage` (int) da memória do cluster a ser alocada ao ponto de verificação. O intervalo é 20-100.
## Etapa 2: instalar a biblioteca do Python na imagem de treinamento
Instale a [biblioteca SageMaker de pontos de verificação da Amazon](https://pypi.org/project/amzn-sagemaker-checkpointing/) e suas dependências em sua imagem de treinamento adicionando-a ao seu Dockerfile:
```
# Add this line to your training image Dockerfile
RUN pip install amzn-sagemaker-checkpointing s3torchconnector tenacity torch boto3 s3torchconnector
```
## Etapa 3: salve os pontos de verificação em seu ciclo de treinamento
Em seu ciclo de treinamento, você pode salvar pontos de verificação de forma assíncrona usando o DCP. PyTorch Veja a seguir um exemplo de como fazer isso.
```
import torch
import torch.distributed as dist
from torch.distributed.checkpoint import async_save, load
from amzn_sagemaker_checkpointing.checkpointing.filesystem.filesystem import (
SageMakerTieredStorageWriter,
SageMakerTieredStorageReader
)
# Initialize distributed training
dist.init_process_group(backend="nccl")
# Configure checkpointing
checkpoint_config = SageMakerCheckpointConfig(
# Unique ID for your training job
# Allowed characters in ID include: alphanumeric, hyphens, and underscores
namespace=os.environ.get('TRAINING_JOB_NAME', f'job-{int(time.time())}'),
# Number of distributed processes/available GPUs
world_size=dist.get_world_size(),
# S3 storage location, required for SageMakerTieredStorageReader for read fallbacks
# Required for SageMakerTieredStorageWriter when save_to_s3 is True
s3_tier_base_path="s3://my-bucket/checkpoints"
)
# Your model and optimizer
model = MyModel()
optimizer = torch.optim.AdamW(model.parameters())
# Training loop
future = None
in_memory_ckpt_freq = 10
s3_ckpt_freq = 50
for training_step in range(1000):
# ... training code ...
# Save checkpoint
if (training_step % in_memory_ckpt_freq == 0 or
training_step % s3_ckpt_freq == 0):
# Create state dictionary
state_dict = {
"model": model.state_dict(),
"optimizer": optimizer.state_dict(),
"step": training_step,
"epoch": epoch
}
# Create storage writer for current step
checkpoint_config.save_to_s3 = training_step % s3_ckpt_freq == 0
storage_writer = SageMakerTieredStorageWriter(
checkpoint_config=checkpoint_config,
step=training_step
)
# wait for previous checkpoint to get completed
if future is not None:
exc = future.exception()
if exc:
print(f"Failure in saving previous checkpoint:{str(exc)}")
# Handle failures as required
else:
result = future.result()
# Process results from save, if required
# Async save checkpoint using PyTorch DCP
future = async_save(state_dict=state_dict, storage_writer=storage_writer)
# Continue training while checkpoint saves in background
```
## Etapa 4: pontos de verificação de carga para recuperação
Veja a seguir um exemplo de carregamento de um ponto de verificação.
```
# Create state dictionary template
state_dict = {
"model": model.state_dict(),
"optimizer": optimizer.state_dict(),
"step": 0,
"epoch": 0
}
# Load latest checkpoint
storage_reader = SageMakerTieredStorageReader(checkpoint_config=checkpoint_config)
load(state_dict, storage_reader=storage_reader)
# Load specific checkpoint step
storage_reader = SageMakerTieredStorageReader(
checkpoint_config=checkpoint_config,
step=500 # Or don't pass step if you have to load the latest available step.
)
try:
load(state_dict, storage_reader=storage_reader)
except BaseException as e:
print(f"Checkpoint load failed: {str(e)}")
# Add additional exception handling
```
## Valide suas operações gerenciadas de ponto de verificação hierárquico
Você pode validar suas operações gerenciadas de ponto de verificação em camadas com registros.
**Registro em log personalizado (opcional)**
Você pode integrar logs de ponto de verificação a outros logs transferindo um agente de log personalizado para a biblioteca. Por exemplo, é possível adicionar um agente de log personalizado ao código de treinamento para que todos os logs da biblioteca também sejam coletados no agente de log de treinamento.
**Registro em log aprimorado do serviço (opcional)**
Para melhorar a depuração e a visibilidade do serviço, é possível montar o caminho de log do ponto de verificação `/var/log/sagemaker_checkpointing` dentro do pod até um caminho `/var/logs/sagemaker_checkpointing` no host. Isso garante que somente os logs específicos da biblioteca sejam coletados separadamente. Isso oferece visibilidade aprimorada à equipe do serviço para depuração e suporte.