Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Kapazitätsreservierungen und Kapazitätsblöcke auf Abruf für ML
Mit Kapazitätsreservierungen können Sie Rechenkapazität für EC2 Amazon-Instances in einer bestimmten Availability Zone reservieren. Es gibt zwei Arten von Kapazitätsreservierungen für unterschiedliche Anwendungsfälle.
Arten von Kapazitätsreservierungen
Im Folgenden sind einige häufige Anwendungsfälle für On-Demand-Kapazitätsreservierungen aufgeführt:
-
Skalierung von Ereignissen – Erstellen Sie vor Ihren geschäftskritischen Ereignissen bedarfsgesteuerte Kapazitätsreservierungen, um sicherzustellen, dass Sie bei Bedarf skalieren können.
-
Regulatorische Anforderungen und Notfallwiederherstellung – Verwenden Sie On-Demand-Kapazitätsreservierungen, um regulatorische Anforderungen für Hochverfügbarkeit zu erfüllen und Kapazität in einer anderen Availability Zone oder Region für die Notfallwiederherstellung zu reservieren.
Im Folgenden sind einige häufige Anwendungsfälle für Kapazitätsblöcke für ML aufgeführt:
-
Training und Feinabstimmung von Modellen mit maschinellem Lernen (ML) — Erhalten Sie ununterbrochenen Zugriff auf die GPU Instanzen, die Sie für das Training und die Feinabstimmung des ML-Modells reserviert haben.
-
ML-Experimente und Prototypen — Führen Sie Experimente durch und erstellen Sie Prototypen, für die GPU Instanzen für kurze Zeiträume erforderlich sind.
Wann sollte die On-Demand-Kapazitätsreservierung verwendet werden?
Verwenden Sie On-Demand-Kapazitätsreservierungen, wenn Sie strenge Kapazitätsanforderungen haben und geschäftskritische Workloads ausführen, die eine Kapazitätssicherung erfordern. Mit On-Demand-Kapazitätsreservierungen können Sie sicherstellen, dass Sie immer Zugriff auf die von Ihnen reservierten EC2 Amazon-Kapazitäten haben, solange Sie sie benötigen.
Wann sollten Kapazitätsblöcke für ML verwendet werden?
Verwenden Sie Capacity Blocks for ML, wenn Sie sicherstellen müssen, dass Sie für einen definierten Zeitraum ab einem future Datum ununterbrochenen Zugriff auf GPU Instances haben. Kapazitätsblöcke eignen sich ideal für das Training und die Feinabstimmung von ML-Modellen, für kurze Ausführungen von Experimenten und für die Bewältigung eines vorübergehenden Anstiegs der Inferenznachfrage in der Zukunft. Mit Capacity Blocks können Sie sicherstellen, dass Sie an einem bestimmten Tag Zugriff auf GPU Ressourcen haben, um Ihre ML-Workloads auszuführen.
