Использование виртуальных машин с низким приоритетом для пакетных развертываний

ОБЛАСТЬ ПРИМЕНЕНИЯ:Расширение машинного обучения Azure CLI версии 2 (current)Python SDK azure-ai-ml версии 2 (current)

Развертывания пакетной службы Azure поддерживают низкоприоритетные виртуальные машины для снижения затрат на рабочие нагрузки пакетного вывода. Низкоприоритетные виртуальные машины позволяют использовать большое количество вычислительных ресурсов для низкой стоимости. Виртуальные машины с низким приоритетом используют преимущества избыточной емкости в Azure. При указании низкоприоритетных виртуальных машин в пулах Azure может использовать этот профицит при наличии.

Виртуальные машины с низким приоритетом предоставляются по сниженной цене по сравнению с выделенными виртуальными машинами. Сведения о ценах см. в Машинное обучение Azure ценах.

Как пакетное развертывание работает с виртуальными машинами с низким приоритетом

Машинное обучение Azure пакетные развертывания предоставляют несколько возможностей, которые упрощают использование и преимущества виртуальных машин с низким приоритетом:

• Задания пакетного развертывания используют виртуальные машины с низким приоритетом, выполняя Машинное обучение Azure вычислительные кластеры, созданные с низкоприоритетными виртуальными машинами. После того как развертывание связано с кластером виртуальных машин с низким приоритетом, все задания, созданные таким развертыванием, используют виртуальные машины с низким приоритетом. Конфигурация для каждого задания невозможна.
• Задания пакетного развертывания автоматически ищут целевое число виртуальных машин в доступном вычислительном кластере на основе количества задач для отправки. Если виртуальные машины предварительно или недоступны, задания пакетного развертывания пытаются заменить потерянную емкость путем очереди неудачных задач в кластер.
• Низкоприоритетные виртуальные машины имеют отдельную квоту виртуального ЦП, которая отличается от одной для выделенных виртуальных машин. Ядра с низким приоритетом в каждом регионе имеют ограничение по умолчанию 100 до 3000 в зависимости от вашей подписки. Количество ядер с низким приоритетом для каждой подписки можно увеличить, и оно является одним значением в разных семействах виртуальных машин. См. Машинное обучение Azure квоты вычислений.

Рекомендации и варианты использования

Многие пакетные рабочие нагрузки подходят для виртуальных машин с низким приоритетом. Использование виртуальных машин с низким приоритетом может привести к задержкам выполнения при размещении виртуальных машин. Если у вас есть гибкость во время выполнения заданий, возможно, вы можете терпеть возможные падения емкости.

При развертывании моделей в конечных точках пакетной службы можно выполнить перепланировку на уровне минибатча. Этот подход имеет преимущество, что распределение сделки влияет только на эти мини-баты, которые в настоящее время обрабатываются и не завершены на затронутом узле. Все завершенные ход выполнения хранятся.

Ограничения

• После того как развертывание связано с кластером виртуальных машин с низким приоритетом, все задания, созданные таким развертыванием, используют виртуальные машины с низким приоритетом. Конфигурация для каждого задания невозможна.
• Перепланирование выполняется на мини-пакетном уровне независимо от хода выполнения. Возможность контрольных точек не предоставляется.

Создание пакетных развертываний, использующих виртуальные машины с низким приоритетом

Задания пакетного развертывания используют виртуальные машины с низким приоритетом, выполняя Машинное обучение Azure вычислительные кластеры, созданные с низкоприоритетными виртуальными машинами.

Вы можете создать низкоприоритетный Машинное обучение Azure вычислительный кластер следующим образом:

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: low-pri-cluster
type: amlcompute
size: STANDARD_DS3_v2
min_instances: 0
max_instances: 2
idle_time_before_scale_down: 120
tier: low_priority

az ml compute create -f low-pri-cluster.yml

from azure.ai.ml.entities import AmlCompute

compute_name = "low-pri-cluster"
compute_cluster = AmlCompute(
   name=compute_name, 
   description="Low priority compute cluster", 
   min_instances=0, 
   max_instances=2,
   tier='LowPriority'
)

ml_client.begin_create_or_update(compute_cluster)

После создания нового вычисления можно создать или обновить развертывание, чтобы использовать новый кластер:

$schema: https://azuremlschemas.azureedge.net/latest/batchDeployment.schema.json
endpoint_name: heart-classifier-batch
name: classifier-xgboost
description: A heart condition classifier based on XGBoost
type: model
model: azureml:heart-classifier@latest
compute: azureml:low-pri-cluster
resources:
  instance_count: 2
settings:
  max_concurrency_per_instance: 2
  mini_batch_size: 2
  output_action: append_row
  output_file_name: predictions.csv
  retry_settings:
    max_retries: 3
    timeout: 300

az ml batch-endpoint create -f endpoint.yml

deployment = ModelBatchDeployment(
    name="classifier-xgboost",
    description="A heart condition classifier based on XGBoost",
    endpoint_name=endpoint.name,
    model=model,
    compute=compute_name,
    settings=ModelBatchDeploymentSettings(
      instance_count=2,
      max_concurrency_per_instance=2,
      mini_batch_size=2,
      output_action=BatchDeploymentOutputAction.APPEND_ROW,
      output_file_name="predictions.csv",
      retry_settings=BatchRetrySettings(max_retries=3, timeout=300),
   )
)

ml_client.batch_deployments.begin_create_or_update(deployment)

Просмотр и мониторинг размещения сделки узлов

Новые метрики доступны в портал Azure для виртуальных машин с низким приоритетом для мониторинга виртуальных машин с низким приоритетом. Эти метрики перечислены ниже.

• Замещенные узлы
• Предварительно подготовленные ядра

Чтобы просмотреть эти метрики в портал Azure:

1. Перейдите к рабочей области Машинное обучение Azure в портал Azure.
2. В разделе Мониторинг щелкните Метрики.
3. Выберите нужные показатели из списка Показатель.

Связанный контент

• Создание вычислительного кластера Машинное обучение Azure
• Развертывание моделей MLflow в пакетных развертываниях
• Управление вычислительными ресурсами для обучения модели