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 el Compilador de entrenamiento de SageMaker, compruebe si el marco que ha elegido es compatible, si los tipos de instancia están disponibles en su cuenta de AWS y si su cuenta de AWS está en uno de las Regiones de AWS admitidas.

Marcos admitidos

El comCompilador de entrenamiento de SageMaker es compatible con los siguientes marcos de aprendizaje profundo y está disponible a través de contenedores de aprendizaje profundo de AWS.

PyTorch

TensorFlow

Para obtener más información, consulta Imágenes disponibles en el repositorio de GitHub de contenedores de aprendizaje profundo de AWS.

Regiones de AWS

Los contenedores del Compilador de entrenamiento de Sagemaker están disponibles en las Regiones de AWS en las que los contenedores de aprendizaje profundo de AWS están en servicio, excepto en las regiones de China.

Tipos de instancias admitidos

El Compilador de entrenamiento Sagemaker se ha probado y es compatible con los siguientes tipos de instancias de ML.

Para ver las especificaciones de los tipos de instancias, consulte la sección Computación acelerada en la página de tipos de instancias de Amazon EC2. Para obtener información acerca de los precios de las instancias, consulte Precios de Amazon SageMaker.

Si encuentra un mensaje de error similar al siguiente, siga las instrucciones de Solicitar un aumento de la cuota de servicio para los recursos de SageMaker AI.

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

En la siguiente tabla se incluye una lista de los modelos que se han probado con Compilador de entrenamiento de SageMaker. Como referencia, el tamaño de lote más grande que cabe en la memoria también se incluye junto con otros parámetros de entrenamiento. El Compilador de entrenamiento de SageMaker puede cambiar el espacio 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, el Compilador de entrenamiento de SageMaker promueve de forma inteligente el almacenamiento en caché, lo que reduce el tamaño de lote más grande que cabe en la 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.