本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

在 Amazon 中使用检查点 SageMaker

在训练期间，使用 Amazon SageMaker 中的检查点保存机器学习 (ML) 模型的状态。检查点是模型的快照，可以通过机器学习框架的回调函数进行配置。您可以使用保存的检查点，根据上次保存的检查点重新启动训练作业。

通过使用检查点，可执行以下操作：

SageMaker 训练机制在 Amazon EC2 实例上使用训练容器，检查点文件保存在容器的本地目录下（默认为/opt/ml/checkpoints）。 SageMaker 提供了将检查点从本地路径复制到 Amazon S3 并自动将该目录中的检查点与 S3 同步的功能。S3 中的现有检查点会在作业开始时写入 SageMaker容器，从而使作业能够从检查点恢复。任务启动后添加到 S3 文件夹的检查点不会复制到训练容器中。 SageMaker 还会在训练期间将新的检查点从容器写入 S3。如果在 SageMaker 容器中删除了某个检查点，它也将在 S3 文件夹中删除。

您可以将亚马逊中的检查点 SageMaker 与 Amazon S3 Express One 区域存储类别（S3 Express One 区域）配合使用，以便更快地访问检查点。启用检查点功能并为检查点存储目标指定 S3 URI 时，您可以为 S URI 3 通用存储桶或 S3 目录存储桶中的文件夹提供 S3。有关 S3 Express One 区域和 S3 目录存储桶的更多信息，请参阅什么是 S3 Express One 区域。

如果您在 SageMaker 托管竞价训练中使用检查点，请 SageMaker 管理在竞价实例上检查您的模型训练，并在下一个竞价实例上恢复训练作业。借助 SageMaker 托管现场训练，您可以显著缩短训练 ML 模型的计费时间。有关更多信息，请参阅 在 Amazon 中使用托管竞技训练 SageMaker。

中的框架和算法的检查点 SageMaker

使用检查点将基于您的首选框架构建的机器学习模型的快照保存在其中 SageMaker。

SageMaker 支持检查点的框架和算法

SageMaker 支持 Dee AWS p Learning Containers 和一部分内置算法的检查点，无需更改训练脚本。 SageMaker 将检查点保存到默认本地路径'/opt/ml/checkpoints'并将其复制到 Amazon S3。

如果在托管点训练作业中使用了不支持检查点的预建算法，则 SageMaker 不允许该作业的最长等待时间超过一小时，以限制因中断而浪费的训练时间。

用于自定义训练容器和其他框架

如果您使用的是自己的训练容器、训练脚本或其他未在上一节中列出的框架，则必须使用回调或训练正确设置训练脚本，APIs以便将检查点保存到本地路径 ('/opt/ml/checkpoints') 并从训练脚本中的本地路径加载。 SageMaker 估算器可以与本地路径同步，并将检查点保存到 Amazon S3。

启用检查点功能

启用检查点功能后， SageMaker 将检查点保存到 Amazon S3，并将您的训练作业与检查点 S3 存储桶同步。您可以将 S3 通用存储桶或 S3 目录存储桶用于检查点 S3 存储桶。

以下示例说明如何在构造 SageMaker 估算器时配置检查点路径。要启用检查点，将 checkpoint_s3_uri 和 checkpoint_local_path 参数添加到估算器。

以下示例模板展示了如何创建通用 SageMaker 估算器并启用检查点功能。通过指定 image_uri 参数，可以将此模板用于支持的算法。要查找支持检查点URIs的算法的 Docker 镜像 SageMaker，请参阅 Docker 注册表路径和示例代码。您也可以Estimator用其他 SageMaker 框架的估计器父类和估计器类替换estimator和，例如、、和。TensorFlow PyTorch MXNet HuggingFace XGBoost

import sagemaker
from sagemaker.estimator import Estimator

bucket=sagemaker.Session().default_bucket()
base_job_name="sagemaker-checkpoint-test"
checkpoint_in_bucket="checkpoints"

# The S3 URI to store the checkpoints
checkpoint_s3_bucket="s3://{}/{}/{}".format(bucket, base_job_name, checkpoint_in_bucket)

# The local path where the model will save its checkpoints in the training container
checkpoint_local_path="/opt/ml/checkpoints"

estimator = Estimator(
    ...
    image_uri="<ecr_path>/<algorithm-name>:<tag>" # Specify to use built-in algorithms
    output_path=bucket,
    base_job_name=base_job_name,
    
    # Parameters required to enable checkpointing
    checkpoint_s3_uri=checkpoint_s3_bucket,
    checkpoint_local_path=checkpoint_local_path
)

以下两个参数指定检查点的路径：

要查找 SageMaker 估算器参数的完整列表，请参阅 API Amazon Python 文档中的估算器。 SageMaker SDK

浏览检查点文件

使用 SageMaker Python SDK 和 Amazon S3 控制台查找检查点文件。

以编程方式查找检查点文件

要检索保存检查点的 S3 存储桶URI，请检查以下估算器属性：

estimator.checkpoint_s3_uri

这将返回请求时配置的检查点的 S3 输出路径。CreateTrainingJob要使用 S3 控制台查找保存的检查点文件，请按以下步骤操作。

从检查点恢复训练

要从检查点恢复训练作业，请使用您在启用检查点功能部分创建的相同 checkpoint_s3_uri 运行新的估算器。在训练恢复后，该 S3 存储桶中的检查点将恢复到新训练作业的每个实例的 checkpoint_local_path。确保 S3 存储桶与当前 SageMaker 会话所在的区域相同。

集群修复GPU错误

如果您运行的训练作业在上失败GPU，则 SageMaker 将运行GPU状况检查以查看失败是否与GPU问题有关。 SageMaker 根据运行状况检查结果采取以下操作：

作为 SageMaker 集群修复过程的一部分，实例要么被替换，要么重新启动。在此过程中，您将在训练作业状态中看到以下消息：

Repairing training cluster due to hardware failure

SageMaker 将尝试修复群集多达10几次。如果集群修复成功， SageMaker 将自动从上一个检查点重新启动训练作业。如果集群修复失败，训练作业也将失败。您无需为集群修复过程付费。除非您的训练作业失败，否则集群修复不会启动。如果检测到 warmpool 集群存在GPU问题，则集群将进入修复模式以重启或更换故障实例。修复后，集群仍可用作 warmpool 集群。

前面描述的集群和实例修复过程如下图所示：

检查点操作的注意事项

在中使用检查点时，请考虑以下几点 SageMaker。