新闻 · AWS Machine Learning Blog
Amazon SageMaker HyperPod 推出工作负载恢复与扩展基础设施检查
大型训练任务即使在每个节点看起来都健康的情况下,也可能停滞或计算出错误结果。Amazon SageMaker HyperPod 现新增工作负载恢复和扩展基础设施检查功能,可更早发现此类故障,并提升训练工作负载的有效吞吐量(goodput)。
en
新闻 · AWS Machine Learning Blog
大型训练任务即使在每个节点看起来都健康的情况下,也可能停滞或计算出错误结果。Amazon SageMaker HyperPod 现新增工作负载恢复和扩展基础设施检查功能,可更早发现此类故障,并提升训练工作负载的有效吞吐量(goodput)。
英文原标题:Introducing workload recovery and expanded infrastructure checks on Amazon SageMaker HyperPod
本文为英文原文的机器翻译摘要,原文见:AWS Machine Learning Blog ↗
为什么值得看:这些能力针对硬件检查无法覆盖的数值故障、作业挂起和集群级故障,帮助减少无效计算时间并降低训练成本。