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. # SageMaker Perguntas frequentes sobre o compilador de treinamento **Importante** A Amazon Web Services (AWS) anuncia que não haverá novos lançamentos ou versões do SageMaker Training Compiler. Você pode continuar a utilizar o SageMaker Training Compiler por meio dos AWS Deep Learning Containers (DLCs) existentes para SageMaker treinamento. É importante observar que, embora os existentes DLCs permaneçam acessíveis, eles não receberão mais patches ou atualizações de AWS, de acordo com a [Política de Suporte do AWS Deep Learning Containers Framework](https://docs.aws.amazon.com/deep-learning-containers/latest/devguide/support-policy.html). Use os itens de perguntas frequentes a seguir para encontrar respostas às perguntas mais frequentes sobre o SageMaker Training Compiler. **P: Como sei se o SageMaker Training Compiler está funcionando?** Se você iniciou com sucesso seu trabalho de treinamento com o SageMaker Training Compiler, receberá as seguintes mensagens de registro: + Com `TrainingCompilerConfig(debug=False)` ``` Found configuration for Training Compiler Configuring SM Training Compiler... ``` + Com `TrainingCompilerConfig(debug=True)` ``` Found configuration for Training Compiler Configuring SM Training Compiler... Training Compiler set to debug mode ``` **P: Quais modelos o SageMaker Training Compiler acelera?** SageMaker O Training Compiler é compatível com os modelos de aprendizado profundo mais populares da biblioteca de transformadores Hugging Face. Com a maioria dos operadores que o compilador suporta, esses modelos podem ser treinados mais rapidamente com o SageMaker Training Compiler. Os modelos compiláveis incluem, mas não estão limitados ao seguinte: `bert-base-cased`, `bert-base-chinese`, `bert-base-uncased`, `distilbert-base-uncased`, `distilbert-base-uncased-finetuned-sst-2-english`, `gpt2`, `roberta-base`, `roberta-large`, `t5-base` e `xlm-roberta-base`. O compilador funciona com a maioria dos operadores e frameworks de dados de DL e pode acelerar muitos outros modelos de DL além dos que foram testados. **P: O que acontece se eu ativar o SageMaker Training Compiler com um modelo que não foi testado?** Para um modelo não testado, talvez seja necessário primeiro modificar o script de treinamento para ser compatível com o SageMaker Training Compiler. Para obter mais informações, consulte [Usar o seu próprio modelo de aprendizado profundo](training-compiler-modify-scripts.md) e siga as instruções sobre como preparar seu script de treinamento. Depois de atualizar seu script de treinamento, você pode iniciar o trabalho de treinamento. O compilador continua compilando o modelo. No entanto, a velocidade de treinamento pode não aumentar e até diminuir em relação à linha de base com um modelo não testado. Talvez seja necessário reajustar os parâmetros de treinamento, como `batch_size` e `learning_rate` para obter quaisquer benefícios de aceleração. Se a compilação do modelo não testado falhar, o compilador retornará um erro. Consulte [SageMaker Solução de problemas do compilador de treinamento](training-compiler-troubleshooting.md) para obter informações detalhadas sobre os tipos de falha e as mensagens de erro. **P: Sempre conseguirei um trabalho de treinamento mais rápido com o SageMaker Training Compiler?** Não necessariamente. Primeiro, o SageMaker Training Compiler adiciona alguma sobrecarga de compilação antes que o processo de treinamento contínuo possa ser acelerado. O trabalho de treinamento otimizado deve ser executado tempo suficiente para amortizar e compensar essa sobrecarga incremental de compilação no início do trabalho de treinamento. Além disso, como acontece com qualquer modelo de processo de treinamento, o treinamento com parâmetros abaixo do ideal pode aumentar o tempo de treinamento. SageMaker O Training Compiler pode alterar as características do trabalho de treinamento, por exemplo, alterando o espaço de memória do trabalho. Devido a essas diferenças, talvez seja necessário ajustar novamente os parâmetros do seu trabalho de treinamento para acelerar o processo de treinamento. Uma tabela de referência especificando os parâmetros de melhor desempenho para trabalhos de treinamento com diferentes tipos e modelos de instância pode ser encontrada em [Modelos testados](training-compiler-support.md#training-compiler-tested-models). Finalmente, algum código em um script de treinamento pode adicionar sobrecarga adicional ou interromper o gráfico de computação compilado, retardando o treinamento. Se estiver trabalhando com um modelo personalizado ou não testado, consulte as instruções em [Melhores práticas para usar o SageMaker Training Compiler com PyTorch /XLA](training-compiler-pytorch-models.md#training-compiler-pytorch-models-best-practices). **P: Posso sempre usar um lote maior com o SageMaker Training Compiler?** O tamanho do lote aumenta na maioria dos casos, mas não em todos. As otimizações feitas pelo SageMaker Training Compiler podem alterar as características do seu trabalho de treinamento, como a pegada de memória. Normalmente, um trabalho do Training Compiler ocupa menos memória do que um trabalho de treinamento não compilado com o framework nativo, o que permite um tamanho de lote maior durante o treinamento. Um tamanho de lote maior e um ajuste correspondente na taxa de aprendizado aumentam a produtividade do treinamento e podem diminuir o tempo total de treinamento. No entanto, pode haver casos em que o SageMaker Training Compiler possa realmente aumentar o consumo de memória com base em seu esquema de otimização. O compilador usa um modelo de custo analítico para prever o cronograma de execução com o menor custo de execução para qualquer operador com uso intensivo de computação. Esse modelo pode encontrar um cronograma ideal que aumente o uso da memória. Nesse caso, você não será capaz de aumentar o tamanho dos lotes, mas o throughput de sua amostra ainda é maior. **P: O SageMaker Training Compiler funciona com outros recursos de SageMaker treinamento, como as bibliotecas de treinamento distribuídas por SageMaker IA e SageMaker o Debugger?** SageMaker Atualmente, o Training Compiler não é compatível com as bibliotecas de treinamento distribuídas da SageMaker AI. SageMaker O Training Compiler é compatível com o SageMaker Debugger, mas o Debugger pode degradar o desempenho computacional ao adicionar sobrecarga. **P: O SageMaker Training Compiler oferece suporte a contêineres personalizados (traga seu próprio contêiner)?** SageMaker O Training Compiler é fornecido por meio do AWS Deep Learning Containers, e você pode estender um subconjunto dos contêineres para personalizar de acordo com seu caso de uso. Os contêineres que são estendidos AWS DLCs são compatíveis com o SageMaker Training Compiler. Para obter mais informações, consulte [Frameworks compatíveis](https://docs.aws.amazon.com/sagemaker/latest/dg/training-compiler-support.html#training-compiler-supported-frameworks) e [Usando o SDK SageMaker AI Python e estendendo os contêineres de Deep Learning do SageMaker AI Framework](training-compiler-enable-tensorflow.md#training-compiler-enable-tensorflow-sdk-extend-container). Se precisar de mais suporte, entre em contato com a equipe de SageMaker IA por meio de [AWS Support](https://console.aws.amazon.com/support/) ou [AWS Developer Forums for Amazon SageMaker AI](https://forums.aws.amazon.com/forum.jspa?forumID=285).