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.
Allocation d'un quota de calcul dans le cadre de la gouvernance des SageMaker HyperPod tâches Amazon
Les administrateurs de clusters peuvent décider de la manière dont l'organisation utilise le calcul acheté. Cela permet de réduire le gaspillage et les ressources inutilisées. Vous pouvez allouer un quota de calcul afin que les équipes puissent emprunter les ressources inutilisées les unes aux autres. L'allocation de quotas de calcul dans le cadre de la gouvernance des HyperPod tâches permet aux administrateurs d'allouer des ressources au niveau de l'instance et à un niveau de ressources plus granulaire. Cette fonctionnalité permet une gestion flexible et efficace des ressources pour les équipes en permettant un contrôle granulaire des ressources informatiques individuelles au lieu de nécessiter des allocations d'instances complètes. L'allocation à un niveau granulaire élimine les inefficiences de l'allocation traditionnelle au niveau de l'instance. Grâce à cette approche, vous pouvez optimiser l'utilisation des ressources et réduire les temps de calcul inactifs.
L'allocation de quotas de calcul prend en charge trois types d'allocation de ressources : les accélérateurs, les vCPU et la mémoire. Les accélérateurs sont des composants d'instances informatiques accélérées qui exécutent des fonctions telles que le calcul de nombres à virgule flottante, le traitement graphique ou la mise en correspondance de modèles de données. Les accélérateurs incluent les GPUs accélérateurs Trainium et les cœurs de neurones. Pour le partage de GPU entre plusieurs équipes, différentes équipes peuvent recevoir des allocations de GPU spécifiques à partir du même type d'instance, optimisant ainsi l'utilisation du matériel d'accélérateur. Pour les charges de travail gourmandes en mémoire qui nécessitent de la RAM supplémentaire pour le prétraitement des données ou les scénarios de mise en cache des modèles, vous pouvez allouer un quota de mémoire supérieur au ratio par défaut. GPU-to-memory Pour les tâches de prétraitement gourmandes en ressources CPU qui nécessitent des ressources CPU importantes en plus de la formation du GPU, vous pouvez allouer une allocation de ressources CPU indépendante.
Une fois que vous avez fourni une valeur, la gouvernance des HyperPod tâches calcule le ratio à l'aide de la formule ressource allouée divisée par la quantité totale de ressources disponibles dans l'instance. HyperPod la gouvernance des tâches utilise ensuite ce ratio pour appliquer des allocations par défaut à d'autres ressources, mais vous pouvez remplacer ces valeurs par défaut et les personnaliser en fonction de votre cas d'utilisation. Voici des exemples de scénarios illustrant la manière dont la gouvernance des HyperPod tâches alloue les ressources en fonction de vos valeurs :
-
Seul l'accélérateur est spécifié : la gouvernance des HyperPod tâches applique le ratio par défaut au vCPU et à la mémoire en fonction des valeurs de l'accélérateur.
-
Seul le vCPU est spécifié : la gouvernance des HyperPod tâches calcule le ratio et l'applique à la mémoire. Les accélérateurs sont définis sur 0.
-
Seule la mémoire est spécifiée : la gouvernance des HyperPod tâches calcule le ratio et l'applique au vCPU car le calcul est nécessaire pour exécuter les charges de travail spécifiées par la mémoire. Les accélérateurs sont définis sur 0.
Pour contrôler l'allocation de quotas par programme, vous pouvez utiliser l' ComputeQuotaResourceConfigobjet et spécifier vos allocations en nombres entiers.
{ "ComputeQuotaConfig": { "ComputeQuotaResources": [{ "InstanceType": "ml.g5.24xlarge", "Accelerators": "16", "vCpu": "200.0", "MemoryInGiB": "2.0" }] } }
Pour voir toutes les allocations allouées, y compris les valeurs par défaut, utilisez l' DescribeComputeQuotaopération. Pour mettre à jour vos allocations, utilisez l' UpdateComputeQuotaopération.
Vous pouvez également utiliser la HyperPod CLI pour allouer des quotas de calcul. Pour plus d'informations sur la HyperPod CLI, consultezExécution de tâches sur SageMaker HyperPod des clusters orchestrés par Amazon EKS. L'exemple suivant montre comment définir des quotas de calcul à l'aide de la HyperPod CLI.
hyp create hyp-pytorch-job --version 1.1 --job-name sample-job \ --image 123456789012.dkr.ecr.us-west-2.amazonaws.com/ptjob:latest \ --pull-policy "Always" \ --tasks-per-node 1 \ --max-retry 1 \ --priority high-priority \ --namespace hyperpod-ns-
team-name
\ --queue-name hyperpod-ns-team-name
-localqueue \ --instance-typesample-instance-type
\ --accelerators 1 \ --vcpu 3 \ --memory 1 \ --accelerators-limit 1 \ --vcpu-limit 4 \ --memory-limit 2
Pour allouer des quotas à l'aide de la AWS console, procédez comme suit.
-
Ouvrez la console Amazon SageMaker AI à l'adresse https://console.aws.amazon.com/sagemaker/
. -
Sous HyperPod clusters, choisissez Cluster management.
-
Sous Calculer les allocations, choisissez Créer.
-
Si vous n'avez pas encore d'instances, choisissez Ajouter une allocation pour ajouter une instance.
-
Sous Allocations, choisissez d'allouer par instances ou par ressources individuelles. Si vous allouez par ressources individuelles, l' SageMaker IA affecte automatiquement des allocations aux autres ressources selon le ratio que vous avez choisi. Pour annuler cette allocation basée sur le ratio, utilisez le bouton correspondant pour annuler ce calcul.
-
Répétez les étapes 4 et 5 pour configurer des instances supplémentaires.
Après avoir alloué le quota de calcul, vous pouvez ensuite soumettre des tâches via la HyperPod CLI oukubectl
. HyperPodplanifie efficacement les charges de travail en fonction du quota disponible.