Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Berlatih Menggunakan Cluster Heterogen
Dengan menggunakan fitur klaster heterogen dari SageMaker Pelatihan, Anda dapat menjalankan pekerjaan pelatihan dengan beberapa jenis instans ML untuk penskalaan dan pemanfaatan sumber daya yang lebih baik untuk tugas dan tujuan pelatihan ML yang berbeda. Misalnya, jika pekerjaan pelatihan Anda di klaster dengan instans GPU mengalami pemanfaatan GPU yang rendah dan masalah kemacetan CPU karena tugas intensif CPU, menggunakan klaster heterogen dapat membantu menurunkan tugas intensif CPU dengan menambahkan grup instans CPU yang lebih hemat biaya, menyelesaikan masalah kemacetan tersebut, dan mencapai pemanfaatan GPU yang lebih baik.
catatan
Fitur ini tersedia di SageMaker Python SDK v2.98.0 dan yang lebih baru.
catatan
Fitur ini tersedia melalui kelas estimator SageMaker PyTorch
Topik
Cara Mengkonfigurasi Cluster Heterogen
Bagian ini memberikan instruksi tentang cara menjalankan pekerjaan pelatihan menggunakan cluster heterogen yang terdiri dari beberapa jenis instance.
Menggunakan SageMaker Python SDK
Ikuti petunjuk tentang cara mengonfigurasi grup instans untuk klaster heterogen menggunakan SageMaker Python SDK.
-
Untuk mengonfigurasi grup instance dari cluster heterogen untuk pekerjaan pelatihan, gunakan
sagemaker.instance_group.InstanceGroup
kelas. Anda dapat menentukan nama kustom untuk setiap grup instans, jenis instans, dan jumlah instance untuk setiap grup instans. Untuk informasi selengkapnya, lihat sagemaker.instance_group. InstanceGroupdalam dokumentasi SageMakerPython SDK. catatan
Untuk informasi selengkapnya tentang jenis instans yang tersedia dan jumlah maksimum grup instans yang dapat Anda konfigurasikan dalam klaster heterogen, lihat referensi InstanceGroupAPI.
Contoh kode berikut menunjukkan cara mengatur dua grup instance yang terdiri dari dua instance
ml.c5.18xlarge
khusus CPU bernamainstance_group_1
dan satu instanceml.p3dn.24xlarge
GPU bernamainstance_group_2
, seperti yang ditunjukkan pada diagram berikut.from sagemaker.instance_group import InstanceGroup instance_group_1 = InstanceGroup( "
instance_group_1
", "ml.c5.18xlarge
",2
) instance_group_2 = InstanceGroup( "instance_group_2
", "ml.p3dn.24xlarge
",1
) -
Dengan menggunakan objek grup instance, siapkan saluran input pelatihan dan tetapkan grup instance ke saluran melalui
instance_group_names
argumen sagemaker.inputs. TrainingInputkelas. instance_group_names
Argumen menerima daftar string nama grup contoh.Contoh berikut menunjukkan cara mengatur dua saluran input pelatihan dan menetapkan grup instance yang dibuat dalam contoh langkah sebelumnya. Anda juga dapat menentukan jalur bucket Amazon S3 ke
s3_data
argumen untuk grup instans untuk memproses data untuk tujuan penggunaan Anda.from sagemaker.inputs import TrainingInput training_input_channel_1 = TrainingInput( s3_data_type='
S3Prefix
', # Available Options: S3Prefix | ManifestFile | AugmentedManifestFile s3_data='s3://your-training-data-storage/folder1
', distribution='FullyReplicated
', # Available Options: FullyReplicated | ShardedByS3Key input_mode='File
', # Available Options: File | Pipe | FastFile instance_groups=["instance_group_1
"] ) training_input_channel_2 = TrainingInput( s3_data_type='S3Prefix
', s3_data='s3://your-training-data-storage/folder2
', distribution='FullyReplicated
', input_mode='File
', instance_groups=["instance_group_2
"] )Untuk informasi selengkapnya tentang argumen
TrainingInput
, lihat tautan berikut.-
Sagemaker.input. TrainingInput
kelas dalam dokumentasi SageMaker Python SDK -
API S3 di DataSource Referensi SageMakerAPI
-
-
Konfigurasikan SageMaker estimator dengan
instance_groups
argumen seperti yang ditunjukkan pada contoh kode berikut.instance_groups
Argumen menerima daftarInstanceGroup
objek.catatan
Pasangan
instance_count
argumeninstance_type
daninstance_groups
argumen dari kelas SageMaker estimator saling eksklusif. Untuk pelatihan cluster homogen, gunakan pasanganinstance_count
argumeninstance_type
and. Untuk pelatihan cluster heterogen, gunakaninstance_groups
.catatan
Untuk menemukan daftar lengkap container framework, versi framework, dan versi Python yang tersedia, lihat SageMaker Framework Container
di repositori AWS Deep Learning Container GitHub . -
Konfigurasikan
estimator.fit
metode dengan saluran input pelatihan yang dikonfigurasi dengan grup instans dan mulai pekerjaan pelatihan.estimator.fit( inputs={ 'training':
training_input_channel_1
, 'dummy-input-channel
':training_input_channel_2
} )
Menggunakan API Tingkat Rendah SageMaker
Jika Anda menggunakan AWS Command Line Interface atau AWS SDK for Python (Boto3) dan ingin menggunakan SageMaker API tingkat rendah untuk mengirimkan permintaan pekerjaan pelatihan dengan klaster heterogen, lihat referensi API berikut.
Pelatihan Terdistribusi dengan Cluster Heterogen
Melalui distribution
argumen kelas SageMaker estimator, Anda dapat menetapkan grup instance tertentu untuk menjalankan pelatihan terdistribusi. Misalnya, asumsikan bahwa Anda memiliki dua grup instans berikut dan ingin menjalankan pelatihan multi-GPU pada salah satunya.
from sagemaker.instance_group import InstanceGroup instance_group_1 = InstanceGroup("instance_group_1", "ml.c5.18xlarge", 1) instance_group_2 = InstanceGroup("instance_group_2", "ml.p3dn.24xlarge", 2)
Anda dapat mengatur konfigurasi pelatihan terdistribusi untuk salah satu grup instans. Misalnya, contoh kode berikut menunjukkan cara menetapkan training_group_2
dengan dua ml.p3dn.24xlarge
instance ke konfigurasi pelatihan terdistribusi.
catatan
Saat ini, hanya satu grup instance dari cluster heterogen yang dapat ditentukan ke konfigurasi distribusi.
Dengan MPI
Dengan perpustakaan paralel SageMaker data
catatan
Saat menggunakan pustaka paralel SageMaker data, pastikan grup instance terdiri dari tipe instance yang didukung oleh pustaka.
Untuk informasi selengkapnya tentang pustaka paralel SageMaker data, lihat Pelatihan Paralel SageMaker Data.
Dengan perpustakaan paralel SageMaker model
Untuk informasi selengkapnya tentang pustaka paralel SageMaker model, lihat Pelatihan Paralel SageMaker Model.
Ubah Skrip Pelatihan Anda untuk Menetapkan Grup Instance
Dengan konfigurasi klaster heterogen di bagian sebelumnya, Anda telah menyiapkan lingkungan SageMaker pelatihan dan contoh untuk pekerjaan pelatihan Anda. Untuk menetapkan grup instans lebih lanjut ke tugas pelatihan dan pemrosesan data tertentu, langkah selanjutnya adalah memodifikasi skrip pelatihan Anda. Secara default, pekerjaan pelatihan hanya membuat replika skrip pelatihan untuk semua node terlepas dari ukuran instance, dan ini dapat menyebabkan hilangnya kinerja.
Misalnya, jika Anda mencampur instance CPU dan instance GPU dalam cluster heterogen sambil meneruskan skrip pelatihan jaringan saraf dalam ke entry_point
argumen SageMaker estimator, skrip direplikasi ke setiap entry_point
instance. Ini berarti bahwa, tanpa penugasan tugas yang tepat, instance CPU juga menjalankan seluruh skrip dan memulai pekerjaan pelatihan yang dirancang untuk pelatihan terdistribusi pada instance GPU. Oleh karena itu, Anda harus membuat perubahan dalam fungsi pemrosesan tertentu yang ingin Anda bongkar dan jalankan pada instance CPU. Anda dapat menggunakan variabel SageMaker lingkungan untuk mengambil informasi dari cluster heterogen dan membiarkan proses tertentu berjalan sesuai dengan itu.
Kueri informasi grup instance selama fase inisialisasi pekerjaan SageMaker pelatihan
Ketika pekerjaan pelatihan Anda dimulai, skrip pelatihan Anda membaca informasi lingkungan SageMaker pelatihan yang mencakup konfigurasi klaster heterogen. Konfigurasi berisi informasi seperti grup instance saat ini, host saat ini di setiap grup, dan di grup mana host saat ini berada.
Anda dapat mengambil informasi grup instance dengan cara berikut.
(Disarankan) Membaca informasi grup instance dengan toolkit SageMaker pelatihan
Gunakan modul Python lingkungan yang disediakan perpustakaan toolkit SageMaker pelatihan
from sagemaker_training import environment env = environment.Environment()
Variabel lingkungan yang terkait dengan SageMaker pelatihan umum dan cluster heterogen:
-
env.is_hetero
— Mengembalikan hasil Boolean apakah cluster heterogen dikonfigurasi atau tidak. -
env.current_host
— Mengembalikan host saat ini. -
env.current_instance_type
— Mengembalikan jenis instance dari host saat ini. -
env.current_instance_group
— Mengembalikan nama grup instance saat ini. -
env.current_instance_group_hosts
— Mengembalikan daftar host dalam kelompok contoh saat ini. -
env.instance_groups
— Mengembalikan daftar nama grup contoh yang digunakan untuk pelatihan. -
env.instance_groups_dict
— Mengembalikan seluruh konfigurasi klaster heterogen dari pekerjaan pelatihan. -
env.distribution_instance_groups
— Mengembalikan daftar kelompok contoh ditugaskan untukdistribution
parameter dari kelas SageMaker estimator. -
env.distribution_hosts
— Mengembalikan daftar host milik kelompok instance yang ditugaskan kedistribution
parameter kelas SageMaker estimator.
Misalnya, perhatikan contoh berikut dari cluster heterogen yang terdiri dari dua kelompok contoh.
from sagemaker.instance_group import InstanceGroup instance_group_1 = InstanceGroup( "instance_group_1", "ml.c5.18xlarge", 1) instance_group_2 = InstanceGroup( "instance_group_2", "ml.p3dn.24xlarge", 2)
Output env.instance_groups_dict
dari contoh cluster heterogen harus serupa dengan berikut ini.
{ "instance_group_1": { "hosts": [ "algo-2" ], "instance_group_name": "instance_group_1", "instance_type": "ml.c5.18xlarge" }, "instance_group_2": { "hosts": [ "algo-3", "algo-1" ], "instance_group_name": "instance_group_2", "instance_type": "ml.p3dn.24xlarge" } }
(Opsional) Membaca informasi grup instance dari file JSON konfigurasi sumber daya
Jika Anda lebih suka mengambil variabel lingkungan dalam format JSON, Anda dapat langsung menggunakan file JSON konfigurasi sumber daya. File JSON dalam instance SageMaker pelatihan terletak di secara /opt/ml/input/config/resourceconfig.json
default.
file_path = '/opt/ml/input/config/resourceconfig.json' config = read_file_as_json(file_path) print(json.dumps(config, indent=4, sort_keys=True))
Pertimbangan
Pertimbangkan item berikut saat menggunakan fitur cluster heterogen.
-
Semua grup instance berbagi gambar Docker dan skrip pelatihan yang sama. Oleh karena itu, skrip pelatihan Anda harus dimodifikasi untuk mendeteksi grup instans mana yang dimilikinya dan eksekusi fork yang sesuai.
-
Fitur cluster heterogen tidak didukung dalam mode SageMaker lokal.
-
Aliran CloudWatch log Amazon dari pekerjaan pelatihan klaster heterogen tidak dikelompokkan berdasarkan grup instans. Anda perlu mencari tahu dari log node mana yang ada di grup mana.
-
Fitur cluster heterogen tersedia melalui kelas SageMaker PyTorch
and TensorFlow framework estimator. Kerangka kerja yang didukung adalah PyTorch v1.10 atau yang lebih baru dan TensorFlow v2.6 atau yang lebih baru. Untuk menemukan daftar lengkap container framework, versi framework, dan versi Python yang tersedia, lihat SageMaker Framework Container di repositori AWS Deep Learning Container GitHub . -
Strategi pelatihan terdistribusi hanya dapat diterapkan pada satu kelompok contoh.
Contoh, Blog, dan Studi Kasus
Blog berikut membahas studi kasus tentang penggunaan pelatihan cluster SageMaker heterogen.