Questa pagina spiega lo stato di un cluster di addestramento attraverso il ciclo di vita di un e il modo in cui Vertex AI gestisce gli errori di addestramento. Puoi utilizzare queste informazioni per adattare il codice di addestramento di conseguenza.
Ciclo di vita di un job di addestramento
Questa sezione spiega in che modo Vertex AI gestisce le VM worker tramite ciclo di vita di un job di addestramento.
Mettere in coda un nuovo job
Quando crei un CustomJob o un HyperparameterTuningJob, il job potrebbe rimanere
nello stato JOB_STATE_QUEUED per un po' di tempo prima che
Vertex AI lo esegua. Di solito questo periodo è breve, ma se
Il progetto Google Cloud non dispone di sufficiente addestramento personalizzato rimanente
quote per il tuo job, quindi Vertex AI
e mantiene il job in coda finché non si dispone di quote sufficienti.
Avvia worker in parallelo
Quando viene avviato un job di addestramento, Vertex AI pianifica il maggior numero possibile di worker in breve tempo. Di conseguenza, i worker potrebbero avviarsi in parallelo anziché in sequenza. Per ridurre la latenza di avvio,
Vertex AI inizia a eseguire il codice su ogni worker non appena viene
la disponibilità del servizio. Quando tutti i worker sono disponibili, Vertex AI imposta lo stato del job su JOB_STATE_RUNNING.
Nella maggior parte dei casi, il framework di machine learning gestisce automaticamente l'avvio in parallelo dei worker. Se utilizzi una strategia di distribuzione nel tuo codice di addestramento, potresti doverlo modificare manualmente per gestire i worker parallelo. Scopri di più sulle strategie di distribuzione in TensorFlow e in PyTorch.
Riavviare i worker durante il job di addestramento
Durante un job di addestramento, Vertex AI può riavviare i worker da qualsiasi pool di worker con lo stesso nome host. Ciò può verificarsi nei seguenti casi: motivi:
- Manutenzione della VM: quando la VM che esegue un worker è sottoposta a manutenzione, Vertex AI riavvia il worker su un'altra VM. Scopri di più sulla migrazione live per la manutenzione delle VM.
Uscite diverse da zero: se un worker esce con un codice di uscita diverso da zero, Vertex AI lo riavvia immediatamente nella stessa VM.
- Se un worker non riesce a completare il job a causa di un errore comune, viene trattato come errore permanente e Vertex AI arresta l'intero job. Se un container si riavvia prima dell'arresto di Vertex AI l'intero job, questi container possono produrre log in Cloud Logging.
- Se un worker non riesce a causa di un errore non permanente (qualsiasi errore non elencato in gli errori comuni), Vertex AI consente worker riavviato per continuare a eseguire, con un massimo di cinque riavvii per worker. Dopo cinque riavvii, se un worker non riesce di nuovo, Vertex AI ritenta l'intero job fino a tre volte prima di non riuscire nell'intero job.
Per gestire i riavvii dei worker nel codice di addestramento, salva regolarmente i checkpoint durante l'addestramento, in modo da poter eseguire il ripristino dai checkpoint quando si riavvia. Se prevedi che l'addestramento richieda più di quattro ore, ti consigliamo di salvare un checkpoint almeno ogni quattro ore. Scopri come utilizzare i checkpoint dell'addestramento TensorFlow e in PyTorch.
Completare correttamente un job
Un job di addestramento viene completato correttamente quando la relativa replica principale esce con codice di uscita 0. A quel punto, Vertex AI arresta tutte le altre worker in esecuzione.
In che modo Vertex AI gestisce gli errori del job di addestramento
Questa sezione spiega come Vertex AI gestisce gli errori comuni dei job di addestramento e gli errori interni.
Circa un minuto dopo la fine di un job, Vertex AI imposta il codice di errore sull'oggetto job di addestramento in base al codice di uscita.
Gestire gli errori comuni
Vertex AI arresta tutti i worker se rileva uno dei seguenti problemi:
| Tipo di errore | Messaggio/log di errore | Nota |
| Eccezione codice utente | La replica REPLICA_NAME è stata chiusa con uno stato diverso da zero EXIT_CODE. Motivo della risoluzione: REASON. | Se il job ha rilevato codici di uscita che potrebbero essere temporanei,
Vertex AI prova a riavviare il job fino a tre volte.
I codici di errore potenzialmente temporanei che richiedono a Vertex AI di
riprova a eseguire il job e includi quanto segue:
|
| Memoria insufficiente | La replica REPLICA_NAME ha esaurito la memoria ed è stata chiusa con un diverso da zero di EXIT_CODE. |
GKE prenota memoria sui nodi Vertex AI. Attivato
i tipi di macchina più piccoli (ad esempio n1-standard-4),
Gli agenti di sistema Vertex AI possono occupare fino al 40% della memoria totale.
Per le VM più grandi, l'overhead è relativamente ridotto. Confronta
memoria allocabile per n1-standard tipi di macchine.
|
| Capacità insufficiente nella tua regione (disponibilità di Compute Engine) | Le risorse non sono sufficienti nella regione REGION_NAME. Prova un'altra regione o utilizzare un acceleratore diverso. | Un esaurimento scorte si verifica quando Compute Engine ha raggiunto la capacità per la CPU o la GPU selezionata nella tua regione. Non è correlata alla quota di progetti. In questo caso, Vertex AI tenta di riavviare il job fino a tre volte. |
Gestire gli errori interni
Se Vertex AI presenta un errore interno, tenta di riavviare un job
due volte (tre tentativi in totale). Se anche i tentativi di riavvio non vanno a buon fine,
Vertex AI restituisce un errore interno con il messaggio:
Internal error occurred for the current attempt.