用 Spot 实例训练 ML 模型，谁说训练成本降不下来！

用过 Amazon EC2 实例的用户可能都知道，EC2 有一种 Spot 实例，可以将亚马逊云科技 (Amazon Web Services）中暂未使用的 EC2 容量提供给用户，相比按需实例，最多可享受90%的价格折扣。

那么当你使用 Amazon SageMaker 训练自己的 ML 模型时，面对长时间运行训练任务导致的高额账单，是否考虑过，能不能通过 EC2 Spot 实例的方式来节约成本？

好消息来了！

托管 Spot 训练功能隆重上线

Amazon SageMaker 的托管 Spot 训练功能已经正式发布！这是一个基于Amazon EC2 Spot 实例的新功能，与在 Amazon SageMaker 中使用按需实例相比，最高可节约90%的 ML 训练成本。Spot 实例并不是新事物，从推出至今的近10年时间里，Spot 实例已经成为在亚马逊云科技上构建可扩展和经济实惠 IT 平台的基石之一。从今天开始，用户不仅能在完全托管的基础设施上运行 Amazon SageMaker 训练作业，同时也将受益于完全托管的成本优化优势，以同样预算取得更大成果。

所有训练配置中都可以使用托管 Spot 训练功能：

• Amazon SageMaker 支持的所有实例类型；
• 所有模型：内置算法、内置框架和自定义模型；
• 所有配置：单实例训练、分布式训练、自动模型调整。
• 与任何完全托管式服务一样，它的设置极为简单：
• 如果使用控制台，只需打开此功能即可。
• 如果使用 Amazon SageMaker 软件开发工具包，只需在 Estimator 构建器中将 train_use_spot_instances 设置为 true 即可。

就是这么简单：并且可以最高节省90%的成本！很棒吧。

中断与检查点设置

使用托管Spot训练功能时需要注意一个重要差异：按需训练实例在训练作业完成前都会保持可用，而托管Spot训练实例可能在我们需要更多容量时随时被收回。
使用 Amazon Elastic Compute Cloud (EC2) Spot 实例时，我们将提前2分钟收到终止通知，并且必须自行采取恰当行动。不过也无需担心，因为 Amazon SageMaker 是一种完全托管的服务，它会自动处理此工作，中断训练作业，再次取得足够的 Spot 容量后重启或恢复训练作业。如果在作业开始时间和持续时间上比较灵活，托管 Spot 训练功能将尤其有意义。此外，我们还可以使用 MaxWaitTimeInSeconds 参数来控制训练作业的总持续时间（实际训练时间加等候时间）。

为避免在训练作业中断时从头重启训练作业，强烈建议设置检查点，借此即可按一定间隔保存训练中的模型。这样我们就可以从定义明确的时间点恢复训练作业，从最近的部分训练模型继续作业。

• 内置框架和自定义模型：训练代码由我们自己完全控制。只需确保使用自己在 CheckpointConfig 参数中定义并传递到 SageMaker Estimator 的位置，通过恰当的 API 定期将模型检查点保存到 Amazon Simple Storage Service (S3)。请注意 TensorFlow 会默认使用检查点。对于其他框架，相关示例参见示例笔记本和文档。
• 内置算法：计算机视觉算法支持检查点功能（对象检测算法、语义分割算法以及最近推出的图像分类算法）。由于这些算法往往用于大型数据集的训练，运行的时间也长于其他算法，发生中断的可能性也更高。其他内置算法目前不支持检查点功能。

接下来一起看看实际操作演示吧。

使用 Spot 训练功能训练内置的对象检测模型

参考此示例笔记本，我们一起通过亚马逊云科技控制台使用托管 Spot 训练实例来训练同样的作业，而不使用按需训练实例。上文曾经提到，此时只需关注两件事情：

• 启用托管 Spot 训练功能（显而易见）。
• 设置 MaxWaitTimeInSeconds 参数。

首先为训练作业命名，确保它拥有恰当的 Amazon Identity and Access Management (IAM)权限（和以前的做法一样）。

然后选择内置的对象检测算法：

接下来为训练作业选择实例数量和实例类型，确保拥有足够的存储以满足检查点之需：

随后设置超参数，此处将使用与笔记本中相同的参数。然后定义训练数据集的位置和属性：

对验证数据集执行同样的操作：

再定义模型检查点的保存位置。这是 Amazon SageMaker 将在发生中断时提取检查点以恢复训练作业的位置。

这是最终模型构件的保存位置：

接下来只需要耐心等待。假设启用了托管 Spot 训练功能，并配置了一个十分宽松的48小时最大等待时间：

一切搞定，让我们来训练此模型。训练完成后，成本节省情况在控制台中一目了然。

从上图可以看到，训练作业运行了2423秒，但得益于托管 Spot 训练功能，实际上只支付了837秒的费用，节省达65%！说到费用，下文将介绍该方式的定价机制。

定价

托管 Spot 训练作业按照完成或终止前运行的持续时间收费。

如果不使用检查点功能的内置算法和 AWS Marketplace 算法，会强制执行60分钟最大训练时间（MaxWaitTimeInSeconds 参数）。

最后同样重要的是：无论训练作业重启或恢复了多少次，用户仅需为数据下载时间付费一次。

该功能已在提供 Amazon SageMaker 服务的所有区域推出，立即试试吧。