Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

Marcos Regiones de AWS, tipos de instancias y modelos probados compatibles

Antes de utilizar SageMaker Training Compiler, compruebe si el marco que ha elegido es compatible, si los tipos de instancias están disponibles en su AWS cuenta y si su AWS cuenta forma parte de uno de los sistemas compatibles Regiones de AWS.

Marcos admitidos

SageMaker Training Compiler es compatible con los siguientes marcos de aprendizaje profundo y está disponible a través de AWS Deep Learning Containers.

PyTorch

TensorFlow

Para obtener más información, consulte Imágenes disponibles en el GitHub repositorio de AWS Deep Learning Containers.

Regiones de AWS

Los contenedores SageMaker Training Compiler están disponibles en los Regiones de AWS lugares en los que AWS Deep Learning Containers están en servicio, excepto en las regiones de China.

Tipos de instancias admitidos

SageMaker Training Compiler se ha probado en los siguientes tipos de instancias de aprendizaje automático y es compatible con ellos.

Para ver las especificaciones de los tipos de instancias, consulta la sección Computación acelerada en la página de tipos de EC2 instancias de Amazon. Para obtener información sobre los precios de las instancias, consulta Amazon SageMaker Pricing.

Si te aparece un mensaje de error similar al siguiente, sigue las instrucciones que se indican en Solicitar un aumento de la cuota de servicio para SageMaker los recursos.

ResourceLimitExceeded: An error occurred (ResourceLimitExceeded) when calling
the CreateTrainingJob operation: The account-level service limit 'ml.p3dn.24xlarge
for training job usage' is 0 Instances, with current utilization of 0 Instances
and a request delta of 1 Instances.
Please contact AWS support to request an increase for this limit.

Modelos probados

La siguiente tabla incluye una lista de los modelos que se han probado con SageMaker Training Compiler. Como referencia, el tamaño de lote más grande que cabe en la memoria también se incluye junto con otros parámetros de entrenamiento. SageMaker Training Compiler puede cambiar el tamaño de memoria del proceso de entrenamiento del modelo; como resultado, a menudo se puede utilizar un tamaño de lote mayor durante el proceso de entrenamiento, lo que reduce aún más el tiempo total de entrenamiento. En algunos casos, SageMaker Training Compiler promueve el almacenamiento en caché de forma inteligente, lo que reduce el tamaño de lote más grande que cabe en el mismo. GPU Debe volver a ajustar los hiperparámetros del modelo y encontrar un tamaño de lote óptimo para su caso. Para ahorrar tiempo, utilice las siguientes tablas de referencia para buscar un tamaño de lote que pueda ser un buen punto de partida para su caso de uso.