使用 HyperPod 訓練運算子

Amazon SageMaker HyperPod 訓練運算子透過跨大型 GPU 叢集有效管理分散式訓練，協助您加速生成式 AI 模型開發。它引入智慧型故障復原、當掉任務偵測和程序層級管理功能，將訓練中斷減至最低並降低成本。與發生故障時需要完整重新啟動任務的傳統訓練基礎設施不同，此運算子會實作手術程序復原，讓您的訓練任務順利執行。

運算子也會使用 HyperPod 的運作狀態監控和可觀測性函數，提供訓練執行的即時可見性，並自動監控損失尖峰和輸送量降低等關鍵指標。您可以透過簡單的 YAML 組態定義復原政策，而無需變更程式碼，可讓您快速回應無法復原的訓練狀態並從中復原。這些監控和復原功能會共同運作，以維持最佳的訓練效能，同時將操作負荷降至最低。

雖然此訓練運算子不需要 Kueue，但您的叢集管理員可以安裝和設定它，以增強任務排程功能。如需詳細資訊，請參閱 Kueue 官方文件。

支援的版本

HyperPod 訓練運算子僅會使用特定版本的 Kubernetes、Kueue 和 HyperPod。如需相容版本的完整清單，請參閱下列清單。