AWS Machine Learning Blog· Mijanur Palash·· 2 天前AI 评分36
Amazon SageMaker HyperPod 推出增强基础设施可观测性
Introducing enhanced infrastructure observability in Amazon SageMaker HyperPod
AI 导读
Amazon SageMaker HyperPod 新增增强可观测性能力,帮助用户更快诊断 GPU 训练问题。该能力通过 CloudWatch 的 DetectGroupOutliers API 对比同一训练任务中各 GPU 的利用率、内存、温度、功耗和 SM 时钟频率,标记异常 GPU,并用静态诊断规则识别 XID 错误、ECC 内存错误、EFA 吞吐下降和热降频等常见故障。
来源:AWS Machine Learning Blog · aws.amazon.com