AWS Machine Learning Blog· Roy Allela·· 19 小时前AI 评分30
Amazon SageMaker HyperPod 引入工作负载恢复与扩展基础设施检查
Introducing workload recovery and expanded infrastructure checks on Amazon SageMaker HyperPod
AI 导读
Amazon SageMaker HyperPod 推出三项新能力,旨在更早捕获硬件正常但训练失败的问题以提升有效吞吐量。 新增功能包括 MultiNodeTrainingValidation 验证 GPU 计算正确性、Kubernetes 资源监控 Agent 追踪集群组件故障,以及 Slurm 集群的挂起作业检测机制。
来源:AWS Machine Learning Blog · aws.amazon.com