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.
SageMaker HyperPod KI-Schulung
Sie können Amazon Nova-Modelle mithilfe von Amazon Nova-Rezepten anpassen und sie mit SageMaker KI trainieren HyperPod. Ein Rezept ist eine YAML-Konfigurationsdatei, die der SageMaker KI Einzelheiten zur Ausführung Ihrer Modellanpassung zur Verfügung stellt.
SageMaker KI HyperPod bietet Hochleistungsdatenverarbeitung mit optimierten GPU-Instances und Amazon FSx for Lustre-Speicher, robuste Überwachung durch Integration mit Tools wie TensorBoard flexiblem Checkpoint-Management für iterative Verbesserungen, nahtlose Bereitstellung auf Amazon Bedrock für Inferenz und effizientes, skalierbares, verteiltes Training mit mehreren Knoten — alles zusammen bietet Unternehmen eine sichere, leistungsstarke und flexible Umgebung, in der sie Amazon Nova-Modelle an ihre spezifischen Geschäftsanforderungen anpassen können.
Die Amazon Nova-Anpassung auf SageMaker KI HyperPod speichert Modellartefakte, einschließlich Modell-Checkpoints, in einem vom Service verwalteten Amazon S3 S3-Bucket. Artefakte im vom Service verwalteten Bucket werden mit SageMaker -verwalteten KMS-Schlüsseln verschlüsselt. Serviceverwaltete Amazon S3 S3-Buckets unterstützen derzeit keine Datenverschlüsselung mit vom Kunden verwalteten Schlüsseln. Sie können diesen Checkpoint-Standort für Bewertungsaufträge oder Amazon Bedrock-Inferenz verwenden.
Dieser Abschnitt enthält Einzelheiten zu den Amazon Nova-Modellparametern, die Sie mit SageMaker KI optimieren können HyperPod, wann Sie sie möglicherweise optimieren möchten und wie sie sich auf die Modellleistung auswirken können. Die Parameter werden nach Trainingstechniken dargestellt. Informationen darüber, wie Sie einen Job einreichen, finden Sie unter Einen SageMaker Trainingsjob ausführen.
Themen
