本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

训练 PyTorch 模型

本主题将引导您完成使用训练 PyTorch 模型的过程 HyperPod。

在此场景中，让我们使用模板训练 PyTorch 模型，该hyp-pytorch-job模板通过公开常用参数来简化就业创建。模型构件将存储在 S3 存储桶中，以便后续用于推理。不过，此操作是可选的，您可以选择自己的首选存储位置。

创建训练作业

您可以使用 CLI 或 Python SDK 训练模型。

使用 CLI

使用以下命令创建训练作业：

hyp create hyp-pytorch-job \
    --version 1.0 \
    --job-name test-pytorch-job \
    --image pytorch/pytorch:latest \
    --command '["python", "train.py"]' \
    --args '["--epochs", "10", "--batch-size", "32"]' \
    --environment '{"PYTORCH_CUDA_ALLOC_CONF": "max_split_size_mb:32"}' \
    --pull-policy "IfNotPresent" \
    --instance-type ml.p4d.24xlarge \
    --tasks-per-node 8 \
    --label-selector '{"accelerator": "nvidia", "network": "efa"}' \
    --deep-health-check-passed-nodes-only true \
    --scheduler-type "kueue" \
    --queue-name "training-queue" \
    --priority "high" \
    --max-retry 3 \
    --volumes '["data-vol", "model-vol", "checkpoint-vol"]' \
    --persistent-volume-claims '["shared-data-pvc", "model-registry-pvc"]' \
    --output-s3-uri s3://my-bucket/model-artifacts

关键所需参数说明：

此命令启动一个名为 test-pytorch-job 的训练作业。--output-s3-uri 指定经过训练的模型构件的存储位置，例如 s3://my-bucket/model-artifacts。请记下此位置，因为您需要在此位置部署自定义模型。

使用 Python SDK

要通过编程方式进行控制，请使用 SDK。创建一个 Python 脚本来启动相同的训练作业。

from sagemaker.hyperpod import HyperPodPytorchJob
from sagemaker.hyperpod.job 
import ReplicaSpec, Template, Spec, Container, Resources, RunPolicy, Metadata

# Define job specifications
nproc_per_node = "1"  # Number of processes per node
replica_specs = 
[
    ReplicaSpec
    (
        name = "pod",  # Replica name
        template = Template
        (
            spec = Spec
            (
                containers =
                [
                    Container
                    (
                        # Container name
                        name="container-name",  
                        
                        # Training image
                        image="448049793756.dkr.ecr.us-west-2.amazonaws.com/ptjob:mnist",  
                        
                        # Always pull image
                        image_pull_policy="Always",  
                        resources=Resources\
                        (
                            # No GPUs requested
                            requests={"nvidia.com/gpu": "0"},  
                            # No GPU limit
                            limits={"nvidia.com/gpu": "0"},   
                        ),
                        # Command to run
                        command=["python", "train.py"],  
                        # Script arguments
                        args=["--epochs", "10", "--batch-size", "32"],  
                    )
                ]
            )
        ),
    )
]
# Keep pods after completion
run_policy = RunPolicy(clean_pod_policy="None")  

# Create and start the PyTorch job
pytorch_job = HyperPodPytorchJob
(
    # Job name
    metadata = Metadata(name="demo"),  
    # Processes per node
    nproc_per_node = nproc_per_node,   
    # Replica specifications
    replica_specs = replica_specs,     
    # Run policy
    run_policy = run_policy,           
    # S3 location for artifacts
    output_s3_uri="s3://my-bucket/model-artifacts"  
)
# Launch the job
pytorch_job.create()  
                

监控训练作业

使用以下命令监控作业进度：

使用 CLI

# Check job status
hyp list hyp-pytorch-job

# Get detailed information
hyp describe hyp-pytorch-job --job-name test-pytorch-job

# View logs
hyp get-logs hyp-pytorch-job \
    --pod-name test-pytorch-job-pod-0 \
    --job-name test-pytorch-job

注意：训练时间因模型复杂度和实例类型而异。监控日志以跟踪进度。

这些命令可帮助您验证任务的状态并排查问题。在作业成功完成后，模型构件将保存到 s3://my-bucket/model-artifacts。

使用 Python SDK

向 Python 脚本添加以下代码：

print("List all pods created for this job:")
print(pytorch_job.list_pods())

print("Check the logs from pod0:")
print(pytorch_job.get_logs_from_pod(pod_name="demo-pod-0"))

print("List all HyperPodPytorchJobs:")
print(HyperPodPytorchJob.list())

print("Describe job:")
print(HyperPodPytorchJob.get(name="demo").model_dump())

pytorch_job.refresh()
print(pytorch_job.status.model_dump())

后续步骤

训练完成后，模型构件将存储在您指定的 S3 存储桶（s3://my-bucket/model-artifacts）中。您可以使用这些构件来部署模型。目前，您必须手动管理从训练到推理的过渡过程。这涉及：