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.
Unterstützte Frameworks und AWS Regionen
Bevor Sie SageMaker Smart Sifting Data Loader verwenden, überprüfen Sie, ob das Framework Ihrer Wahl unterstützt wird, ob die Instance-Typen in Ihrem AWS Konto verfügbar sind und ob sich Ihr AWS Konto in einer der unterstützten AWS Regionen befindet.
Anmerkung
SageMaker Smart Sifting unterstützt das PyTorch Modelltraining mit herkömmlicher Datenparallelität und verteilter Datenparallelität, wodurch Modellreplikate in allen Workern erstellt werden und der Vorgang verwendet wird. GPU AllReduce Es funktioniert nicht mit Techniken zur Modellparallelität, einschließlich Sharded-Datenparallelität. Da SageMaker Smart Sifting für Datenparallelitätsaufgaben funktioniert, sollten Sie sicherstellen, dass das Modell, das Sie trainieren, in jeden Speicher passt. GPU
Unterstützte Frameworks
SageMaker smart sifting unterstützt die folgenden Deep-Learning-Frameworks und ist über AWS Deep Learning Containers verfügbar.
Themen
PyTorch
| Framework | Framework-Version | Deep-Learning-Container URI |
|---|---|---|
| PyTorch | 2.1.0 |
|
Weitere Informationen zu den vorgefertigten Containern finden Sie unter SageMaker Framework-Container
AWS-Regionen
Die mit der SageMaker Smart Sifting-Bibliothek verpackten Container
Instance-Typen
Sie können SageMaker Smart Sifting für alle PyTorch Trainingsaufgaben auf beliebigen Instance-Typen verwenden. Wir empfehlen die Verwendung von P4d-, P4de- oder P5-Instances.
