本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

支援的架構 AWS 區域、執行個體類型和測試模型

在使用 SageMaker 培訓編譯器之前，請檢查您選擇的框架是否受支持，您的 AWS 帳戶中是否可以使用實例類型，並且您的 AWS 帳戶位於其中一個受支持的框架中 AWS 區域。

支援的架構

SageMaker 訓練編譯器支援下列深度學習架構，並可透過 AWS Deep Learning Containers 取得。

PyTorch

TensorFlow

如需詳細資訊，請參閱 AWS Deep Learning Containers GitHub 儲存庫中的可用映像。

AWS 區域

SageMaker 訓練編譯器容器可用於服務中 AWS 區域 的 AWS Deep Learning Contain ers (中國區域除外)。

支援的執行個體類型

SageMaker 訓練編譯器會在測試並支援下列 ML 執行個體類型。

如需執行個體類型的規格，請參閱 Amazon EC2 執行個體類型頁面中的「加速運算」一節。如需執行個體定價的相關資訊，請參閱 Amazon SageMaker 定價。

如果您遇到類似下列內容的錯誤訊息，請遵循要求增加 SageMaker 資源的服務配額中的指示。

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.

測試模型模型

下表包含已使用 SageMaker 訓練編譯器測試的模型清單。作為參考，能夠放入記憶體的最大批次大小也包含在其他訓練參數中。 SageMaker 訓練編譯器可以變更模型訓練程序的記憶體佔用量；因此，在訓練過程中通常可以使用較大的批次大小，進一步減少總訓練時間。在某些情況下， SageMaker 訓練編譯器會智慧地提升快取，進而導致最大的批次大小減少，可適合. GPU 您必須重新調整模型超參數，找到適合您案例的最佳批次大小。若要節省時間，請利用下列參考資料表來查詢批次大小，作為您使用案例的良好起點。