AWS Machine Learning Blog· Roy Allela·· 20 小時前AI 評分36
Amazon SageMaker HyperPod 新增工作負載復原與擴充的基礎設施檢查
Introducing workload recovery and expanded infrastructure checks on Amazon SageMaker HyperPod
AI 導讀
Amazon SageMaker HyperPod 現提供工作負載復原與擴充的基礎設施檢查,以提升訓練 goodput。新增功能包括 MultiNodeTrainingValidation,這是一項深度健康檢查,會在執行個體上及跨執行個體訓練小型模型,以捕捉 NaN 或無限損失;HyperPod Kubernetes Resource Monitoring Agent,用於處理陷入崩潰迴圈的裝置外掛與缺失的 DaemonSet;以及針對在未退出的情況下停滯的 Slurm 作業進行卡住作業偵測。
來源:AWS Machine Learning Blog · aws.amazon.com