AWS教程：HyperPod训练中检测恢复静默数据损坏
热点事件持续更新
AWS教程：HyperPod训练中检测恢复静默数据损坏
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
AWS 发布教程，介绍在 Amazon SageMaker HyperPod 的 PyTorch DDP 训练循环中加入三道检查来检测静默数据损坏（SDC）：all-reduce 前后的 NaN/Inf 梯度检查、跨节点重放的 ring replay 审计、以及 optimizer 更新后的权重指纹比对。检查触发后，方案将可疑 rank 定位到具体节点、隔离损坏，并由 SageMaker HyperPod 替换该节点。 该方案要求由 Amazon EKS 编排、至少三个 GPU 节点的 HyperPod 集群，完整代码在配套 GitHub 仓库中。AWS 称生产环境可从每 100 步一次的确定性审计起步，此处开销为 10%；在拿到自身负载上的检查精度证据前，每次节点替换都应保留人工审批。
AI 根据报道生成 · 12 小时前更新
最新进展11月12日 07:30
AWS 教程：在 Amazon SageMaker HyperPod 上检测并恢复静默数据损坏报道时间线
沿着报道，了解事件的不同侧面。
11月12日
- AWS Machine Learning Blog精选AWS 教程：在 Amazon SageMaker HyperPod 上检测并恢复静默数据损坏
AWS 发布教程，介绍如何在 Amazon SageMaker HyperPod 的 PyTorch DDP 训练循环中加入三道检查来检测静默数据损坏（SDC）：all-reduce 前后的 NaN/Inf 梯度检查、跨节点重放的 ring replay 审计、以及 optimizer 更新后的权重指纹比对。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月12日 09:00
- 近 24 小时变化
- –
02.557.510
10:0012:0014:0016:0018:0020:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。