Questa pagina spiega lo stato di un cluster di addestramento durante il ciclo di vita di un job di addestramento 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 durante il ciclo di vita di un job di addestramento.
Mettere in coda un nuovo job
Quando crei un CustomJob o 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 quote di addestramento personalizzato sufficienti per il job, Vertex AI mantiene il job in coda finché non ottieni quote sufficienti.
Avvia worker in parallelo
All'avvio di un job di addestramento, Vertex AI pianifica
il maggior numero possibile di worker in un breve lasso di tempo. Di conseguenza, i worker possono avviarsi
in parallelo anziché in sequenza. Per ridurre la latenza di avvio,
Vertex AI inizia a eseguire il codice su ogni worker non appena
è disponibile. 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 i worker che iniziano in parallelo. Se utilizzi una strategia di distribuzione nel codice di addestramento, potresti doverla regolare manualmente per gestire i worker che iniziano in parallelo. Scopri di più sulle strategie di distribuzione in TensorFlow e in PyTorch.
Riavvia 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 per i seguenti motivi:
- Manutenzione della VM: quando la VM che esegue un worker è soggetta 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 riavvia il worker immediatamente nella stessa VM.
- Se un worker non riesce a causa di un errore comune, viene trattato come un errore permanente e Vertex AI arresta l'intero job. Se alcuni container si riavviano prima che Vertex AI arresti l'intero job, possano generare log in Cloud Logging.
- Se un worker non riesce a causa di un errore non permanente (qualsiasi errore non elencato negli errori comuni), Vertex AI consente al worker riavviato di continuare l'esecuzione, con un massimo di cinque riavvii per worker. Dopo cinque riavvii, se un worker continua a funzionare, Vertex AI riprova l'intero job fino a tre volte prima di non riuscire a completare l'intero job.
Per gestire i riavvii dei worker nel codice di addestramento, salva regolarmente i checkpoint durante l'addestramento, in modo da poterli ripristinare dai checkpoint al riavvio di un worker. Se prevedi che l'addestramento richieda più di quattro ore, ti consigliamo di salvare un checkpoint almeno una volta ogni quattro ore. Scopri come utilizzare i checkpoint di addestramento in TensorFlow e in PyTorch.
Completare un lavoro correttamente
Un job di addestramento viene completato correttamente quando la replica principale viene chiusa con il codice di uscita 0. A quel punto, Vertex AI arresta tutti gli altri worker in esecuzione.
In che modo Vertex AI gestisce gli errori del job di addestramento
Questa sezione spiega in che modo Vertex AI gestisce gli errori comuni e interni dei job di addestramento.
Circa un minuto dopo il termine di un job, Vertex AI imposta il codice di errore sull'oggetto del job di addestramento, in base al codice di uscita.
Gestire gli errori comuni
Vertex AI arresta tutti i worker se si verifica 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 di 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
riprovare a eseguire il job includono quanto segue:
|
| Memoria insufficiente | La replica REPLICA_NAME ha esaurito la memoria ed è stata chiusa con uno stato diverso da zero, EXIT_CODE. |
GKE prenota memoria sui nodi Vertex AI. Sui tipi di macchina più piccoli (come n1-standard-4), gli agenti di sistema Vertex AI possono richiedere fino al 40% della memoria totale.
Per le VM più grandi, l'overhead è relativamente ridotto. Confronta la
memoria allocabile per n1-standard tipi di macchine.
|
| Capacità insufficiente nella tua regione (inventario di Compute Engine) | Le risorse non sono sufficienti nella regione REGION_NAME. Prova con una regione diversa o utilizza un acceleratore diverso. | Si verifica uno stockout quando Compute Engine ha raggiunto la capacità per la CPU o la GPU selezionata nella tua regione. Non è correlato alla quota del tuo progetto. 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.