SUS05-BP04 Optimiser votre utilisation des accélérateurs de calcul matériels

Optimisez votre utilisation des instances de calcul accéléré pour réduire les exigences d'infrastructure physique de votre charge de travail.

Anti-modèles courants :

• Vous ne surveillez pas l'utilisation du GPU.

• Vous utilisez une instance à usage général pour la charge de travail alors qu'une instance spécialement conçue peut fournir des performances supérieures, des coûts plus faibles et de meilleures performances par watt.

• Vous utilisez des accélérateurs de calcul matériels pour les tâches où ils sont plus efficaces en utilisant des alternatives basées sur l'UC.

Avantages de la mise en place de cette bonne pratique : en optimisant l’utilisation d’accélérateurs matériels, vous pouvez réduire les demandes d’infrastructure physique de votre charge de travail.

Niveau de risque exposé si cette bonne pratique n’est pas respectée : moyen

Directives d’implémentation

Si vous avez besoin d'une capacité de traitement élevée, vous pouvez bénéficier de l'utilisation d'instances de calcul accéléré, qui vous donnent accès à des accélérateurs de calcul matériels tels que des unités de traitement graphique (GPU) et des matrices de portes programmables sur site (FPGA). Ces accélérateurs matériels exécutent certaines fonctions comme le traitement graphique ou la correspondance de modèles de données plus efficacement que les alternatives basées sur l'UC. De nombreuses charges de travail accélérées, telles que le rendu, le transcodage et le machine learning, sont très variables en termes d'utilisation des ressources. Exécutez ce matériel uniquement pendant le temps nécessaire et mettez-le hors service grâce à l'automatisation lorsque vous n'en avez plus besoin afin de limiter les ressources consommées.

Étapes d'implémentation

• Identifiez quelles instances de calcul accéléré peuvent répondre à vos exigences.

• Pour les charges de machine learning, tirez parti d’un matériel conçu spécialement pour votre charge de travail, comme : AWS Trainium, AWS Inferentia et Amazon EC2 DL1. Les instances AWS Inferentia telles que les instances Inf2 offrent des performances par watt jusqu’à 50 % supérieures à celles des instances Amazon EC2 comparables.

• Collectez des métriques d’utilisation pour vos instances de calcul accéléré. Par exemple, vous pouvez utiliser l'agent CloudWatch pour collecter des métriques comme utilization_gpu et utilization_memory pour vos GPU comme illustré dans Collecter des métriques GPU NVIDIA avec Amazon CloudWatch.

• Optimisez le code, le fonctionnement du réseau et les paramètres des accélérateurs matériels pour veiller à ce que le matériel sous-jacent soit pleinement utilisé.

  • Optimiser les paramètres GPU

  • GPU Monitoring and Optimization in the Deep Learning AMI (Surveillance et optimisation des GPI dans l’AMI Deep Learning)

  • Optimizing I/O for GPU performance tuning of deep learning training in Amazon SageMaker

• Utilisez les dernières bibliothèques performantes et les pilotes GPU.

• Utilisez l’automatisation pour libérer les instances GPU lorsqu’elles ne sont pas utilisées.

Ressources

Documents connexes :

• Accelerated Computing (Calcul accéléré)

• Let's Architect! Architecting with custom chips and accelerators

• Comment choisir le type d'instance Amazon EC2 EC2 approprié pour mon application ?

• Amazon EC2 VT1 Instances (Instances VT1 EC2)

• Choose the best AI accelerator and model compilation for computer vision inference with Amazon SageMaker

Vidéos connexes :

• AWS re:Invent 2021 - How to select Amazon EC2 GPU instances for deep learning

• AWS Online Tech Talks - Deploying Cost-Effective Deep Learning Inference

• AWS re:Invent 2023 - Cutting-edge AI with AWS and NVIDIA

• AWS re:Invent 2022 - [NEW LAUNCH!] Introducing AWS Inferentia2-based Amazon EC2 Inf2 instances

• AWS re:Invent 2022 - Accelerate deep learning and innovate faster with AWS Trainium

• AWS re:Invent 2022 - Deep learning on AWS with NVIDIA: From training to deployment