Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Frameworks Régions AWS, types d'instances et modèles testés pris en charge

Avant d'utiliser SageMaker Training Compiler, vérifiez si le framework de votre choix est pris en charge, si les types d'instances sont disponibles dans votre AWS compte et si votre AWS compte est dans l'un des frameworks pris en charge Régions AWS.

Cadres pris en charge

SageMaker Training Compiler prend en charge les frameworks de deep learning suivants et est disponible via AWS Deep Learning Containers.

PyTorch

TensorFlow

Pour plus d'informations, consultez la section Images disponibles dans le GitHub référentiel AWS Deep Learning Containers.

Régions AWS

Les conteneurs SageMaker Training Compiler sont disponibles dans les régions Régions AWS où les AWS Deep Learning Containers sont en service, à l'exception de la Chine.

Types d'instance pris en charge

SageMaker Training Compiler est testé et prend en charge les types d'instances ML suivants.

Pour les spécifications des types d'instances, consultez la section Accelerated Computing de la page Amazon EC2 Instance Types. Pour plus d'informations sur la tarification des instances, consultez Amazon SageMaker Pricing.

Si vous avez rencontré un message d'erreur similaire au suivant, suivez les instructions de la section Demander une augmentation du quota de service pour les SageMaker ressources.

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.

Modèles testés

Le tableau suivant inclut une liste des modèles qui ont été testés avec SageMaker Training Compiler. À titre de référence, la plus grande taille de lot capable de tenir en mémoire est également incluse aux côtés d'autres paramètres d'entraînement. SageMaker Le compilateur d'entraînement peut modifier l'empreinte mémoire du processus d'apprentissage du modèle ; par conséquent, une taille de lot plus importante peut souvent être utilisée pendant le processus d'apprentissage, ce qui réduit encore le temps total d'entraînement. Dans certains cas, SageMaker Training Compiler favorise intelligemment la mise en cache, ce qui entraîne une diminution de la plus grande taille de lot pouvant tenir sur le. GPU Vous devez réajuster les hyperparamètres de votre modèle et trouver la taille de lot optimale pour votre cas. Pour gagner du temps, utilisez les tableaux de référence suivants pour rechercher une taille de lot qui peut constituer un bon point de départ pour votre cas d'utilisation.