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.

Cadres, Régions AWS, types d’instance et modèles testés pris en charge

Avant d’utiliser SageMaker Training Compiler, vérifiez que le cadre de votre choix est pris en charge, que les types d’instances sont disponibles dans votre compte AWS et que votre compte AWS se trouve dans l’une des Régions AWS prises en charge.

Cadres pris en charge

SageMaker Training Compiler prend en charge les cadres de deep learning suivants et est disponible via AWSDeep Learning Containers.

PyTorch

TensorFlow

Pour plus d’informations, consultez Images disponibles dans le référentiel GitHub des conteneurs AWS de deep learning.

Régions AWS

Les conteneurs SageMaker Training Compiler sont disponibles dans les Régions AWS où les conteneurs AWS Deep Learning sont en service, à l’exception des régions chinoises.

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 Calcul accéléré sur la page Types d’instances Amazon EC2. Pour plus d’informations sur la tarification des instances, consultez Tarification d’Amazon SageMaker.

Si vous rencontrez un message d’erreur semblable au suivant, suivez les instructions de la section Demande d’augmentation du quota de service pour les ressources 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.

Modèles testés

Le tableau suivant comprend une liste des modèles qui ont été testés avec SageMaker Training Compiler. Pour référence, la plus grande taille de lot pouvant tenir dans la mémoire est également incluse aux côtés d’autres paramètres d’entraînement. SageMaker Training Compiler peut modifier l’empreinte mémoire du processus d’entraînement des modèles. Par conséquent, une taille de lot plus importante peut souvent être utilisée pendant le processus d’entraînement, 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 être stockée 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.