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 traditioneller Datenparallelität und verteilter Datenparallelität, wodurch Modellreplikate in allen GPU-Workern erstellt und die Operation verwendet wird. AllReduce Es funktioniert nicht mit Methoden zur Modellparallelität wie der Parallelität fragmentierter Daten. Da SageMaker Smart Sifting für Datenparallelitätsaufgaben geeignet ist, sollten Sie sicherstellen, dass das von Ihnen trainierte Modell in jeden GPU-Speicher passt.
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 AI Framework-Container im Deep-Learning-Container-Repository. SageMaker
AWS-Regionen
Die Container, die in der SageMaker Smart Sifting-Bibliothek enthalten
Instance-Typen
Sie können SageMaker Smart Sifting für alle PyTorch Trainingsjobs auf beliebigen Instanztypen verwenden. Wir empfehlen die Verwendung von P4d-, P4de- oder P5-Instances.
