Regiones

Google Cloud Platform usa regiones subdivididas en zonas para definir la ubicación geográfica de los recursos de procesamiento físicos. Cuando ejecutas un trabajo en AI Platform, especificas la región en la que deseas que se ejecute.

Por lo general, debes usar la región más cercana a tu ubicación física o la ubicación física de tus usuarios previstos, pero ten en cuenta las regiones disponibles para cada servicio como se indica a continuación.

Regiones disponibles

Los servicios de AI Platform para TensorFlow están disponibles en las siguientes regiones:

América

Región Oregón
us-west1
Iowa
us-central1
Carolina del Sur
us-east1
Virginia del Norte
us-east4
Entrenamiento
Predicción en línea
Predicción por lotes

Europa

Región Bélgica
europe-west1
Países Bajos
europe-west4
Entrenamiento
Predicción en línea
Predicción por lotes

Asia-Pacífico

Región Singapur
asia-southeast1
Taiwán
asia-east1
Tokio
asia-northeast1
Entrenamiento
Predicción en línea
Predicción por lotes * *

Consideraciones de región

Entrenamiento con aceleradores

Los aceleradores están disponibles por región. A continuación se muestra una tabla que enumera todos los aceleradores disponibles para cada región:

América

Región Oregón
us-west1
Iowa
us-central1
Carolina del Sur
us-east1
NVIDIA Tesla K80
NVIDIA Tesla P4 (Beta)
NVIDIA Tesla P100
NVIDIA Tesla T4 (Beta)
NVIDIA Tesla V100
TPU v2

Europa

Región Bélgica
europe-west1
Países Bajos
europe-west4
NVIDIA Tesla K80
NVIDIA Tesla P4 (Beta)
NVIDIA Tesla P100
NVIDIA Tesla T4 (Beta)
NVIDIA Tesla V100
TPU v2

Asia-Pacífico

Región Singapur
asia-southeast1
Taiwán
asia-east1
NVIDIA Tesla K80
NVIDIA Tesla P4 (Beta)
NVIDIA Tesla P100
NVIDIA Tesla T4 (Beta)
NVIDIA Tesla V100
TPU v2

Si tu trabajo de entrenamiento usa varios tipos de GPU, todos deben estar disponible en una misma zona de tu región. Por ejemplo, no puedes ejecutar un trabajo en us-central1 con un trabajador principal que use GPU NVIDIA Tesla V100, servidores de parámetros con GPU NVIDIA Tesla K80 y trabajadores con GPU NVIDIA Tesla P100. Si bien todas estas GPU están disponibles para trabajos de entrenamiento en us-central1, ninguna zona de esa región ofrece los tres tipos de GPU. Para obtener más información sobre la disponibilidad de los distintos tipos de GPU en cada zona, consulta la comparación de GPU para las cargas de trabajo de procesamiento.

Recursos insuficientes

La demanda es alta para GPU y los recursos de procesamiento en la región us-central1. Es posible que obtengas un mensaje de error en tus registros de trabajo que diga: Resources are insufficient in region: <region>. Please try a different region.

Para resolver esto, prueba usar una región diferente o vuelve a intentar más tarde.

Cloud Storage

  • Debes ejecutar tu trabajo de AI Platform en la misma región que el depósito de Cloud Storage que usas para leer y escribir datos en el trabajo.

  • Debes usar el tipo de almacenamiento regional para cualquier depósito de Cloud Storage que uses para leer y escribir datos en tu trabajo de AI Platform.

Predicción en línea

  • Cuando implementas un modelo para la predicción en línea, especifica la región en la que deseas que se ejecute la predicción. Las predicciones en línea siempre se entregan desde la región predeterminada especificada para el modelo.

Predicción por lotes

  • No puedes implementar un modelo ni una versión de modelo en asia-east1 o asia-southeast1, pero puedes realizar una predicción por lotes en estas regiones con un modelo guardado de TensorFlow almacenado en Cloud Storage.
  • Para obtener el mejor rendimiento en la predicción por lotes, debes ejecutar tu trabajo de predicción y almacenar tus datos de entrada y salida en la misma región, en especial, para conjuntos de datos muy grandes.
  • Cuando implementas un modelo para la predicción por lotes, especifica la región predeterminada en la que deseas que se ejecute la predicción. Cuando comienzas un trabajo de predicción por lotes, puedes especificar una región en la que ejecutar el trabajo, lo que anula la región predeterminada.

Pasos siguientes

¿Te sirvió esta página? Envíanos tu opinión:

Enviar comentarios sobre…

Cloud ML Engine para TensorFlow