Ressourcenbegrenzungen für die automatische Modellabstimmung - Amazon SageMaker

Ressourcenbegrenzungen für die automatische Modellabstimmung

SageMaker legt die folgenden Standardgrenzwerte für Ressourcen fest, die von der automatischen Modelloptimierung verwendet werden:

Ressource Regionen Standardlimits Kann auf erhöht werden

Anzahl der gleichzeitigen Hyperparameter-Optimierungsaufträge

Alle

100

Anzahl der Hyperparameter, die durchsucht werden können *

Alle

30

Anzahl der pro Hyperparameter-Optimierungsauftrag definierten Metriken

Alle

20

Anzahl paralleler Trainingsaufträge pro Hyperparameter-Optimierungsauftrag

Alle

10

100

[Bayes'sche Optimierung] Anzahl der Trainingsaufträge pro Hyperparameter-Optimierungsauftrag

Alle

750

[Zufällige Suche] Anzahl paralleler Trainingsaufträge pro Hyperparameter-Optimierungsauftrag

Alle

750

10000

[Hyperband] Anzahl der Trainingsaufträge pro Hyperparameter-Optimierungsauftrag

Alle

750

[Grid] Anzahl der Trainingsjobs pro Hyperparameter-Tuning-Job, entweder explizit angegeben oder aus dem Suchraum abgeleitet

Alle

750

Maximale Laufzeit für einen Hyperparameter-Optimierungsauftrag

Alle

30 Tage

* Jeder kategoriale Hyperparameter kann maximal 30 verschiedene Werte haben.

Beispiel für ein Ressourcenlimit

Bei der Planung von Hyperparameter-Tuning-Aufgaben müssen auch die begrenzten Trainingsressourcen berücksichtigt werden. Informationen zu den Standard-Ressourcenbegrenzungen für SageMaker-Trainingsaufträge finden Sie unter SageMaker Limits. Every concurrent training instance on which all of your hyperparameter tuning jobs run counts against the total number of training instances allowed. Wenn Sie beispielsweise 10 Hyperparameter-Tuning-Jobs gleichzeitig ausführen, führt jeder dieser Hyperparameter-Optimierungsjobs insgesamt 100 Trainingsjobs und 20 gleichzeitige Trainingsjobs aus. Jeder dieser Trainingsaufträge wird auf einer ml.m4.xlarge-Instance ausgeführt. Es gelten die folgenden Limits:

  • Anzahl der gleichzeitigen Hyperparameter-Abstimmungsaufträge: Sie brauchen das Limit nicht zu erhöhen, da 10 Tuning-Jobs unter dem Limit von 100 liegen.

  • Anzahl der Trainingsaufträge pro Hyperparameter-Abstimmungsauftrag: Sie brauchen das Limit nicht zu erhöhen, da 100 Trainingsaufträge unter dem Limit von 750 liegen.

  • Anzahl der gleichzeitigen Trainingsaufträge pro Hyperparameter-Abstimmungsauftrag: Sie müssen eine Erhöhung des Limits auf 20 beantragen, da das Standardlimit bei 10 liegt.

  • SageMaker Training ml.m4.xlarge Instanzen: Sie müssen eine Erhöhung des Limits auf 200 beantragen, weil Sie 10 Hyperparameter-Abstimmungsaufträge haben, von denen jeder 20 gleichzeitige Trainingsaufträge ausführt. Das Standardlimit beträgt 20 Instances.

  • Gesamtzahl der SageMaker-Trainingsinstanzen: Sie müssen eine Erhöhung des Limits auf 200 beantragen, da Sie 10 Hyperparameter-Abstimmungsaufträge haben, von denen jeder 20 gleichzeitige Trainingsaufträge ausführt. Das Standardlimit beträgt 20 Instances.

So fordern Sie eine Kontingenterhöhung an
  1. Öffnen Sie die Seite des AWS Support Center, melden Sie sich an und wählen Sie Create Case (Fall erstellen) aus.

  2. Wählen Sie auf der Seite Create case (Fall erstellen) die Option Service limit increase (Servicelimiterhöhung).

  3. Wählen Sie im Bereich Falldetails die Option SageMaker Automatic Model Tuning [Hyperparameter Optimization] für den Limit Typ

  4. Wählen Sie im Bereich Anfragen für Anfrage 1 die Region, das zu erhöhende Ressourcenlimit und den neuen Grenzwert aus, den Sie anfordern. Wählen Sie Weitere Anfrage hinzufügen aus, wenn Sie weitere Anfragen zur Erhöhung des Kontingents haben.

    
            Benutzeroberfläche für Anfragen zur Erhöhung des Ressourcenlimits.
  5. Geben Sie im Bereich Fallbeschreibung eine Beschreibung Ihres Anwendungsfalls ein.

  6. Wählen Sie im Bereich Kontaktoptionen Ihre bevorzugten Kontaktmethoden (Web, Chat oder Telefon) aus und klicken Sie dann auf Senden.