Lesedauer < 1 Minute
) (Bildnachweis: Shutterstock / Ryzhi)
Hier weiter zum Artikel
startet,einzigartige
Amazon Web Products and Companies (AWS) hat EC2-Hüllen auf den Markt gebracht, von denen es sagt, dass sie besonders für tiefgehendes Üben optimiert sind.
Die einzigartigen Amazon EC2 Trn1-Gehäuse werden von AWS Trainium-Chips betrieben, einem von AWS entwickelten ML-Chip mit 2D-Fähigkeiten, der auf seinen AWS Inferentia-Chips aufbaut.
Die c Laut großen Behauptungen sind diese einzigartigen Fälle erfolgreich für das verteilte Üben komplexer Deep-Finding-Einheiten im eleganten Maßstab geeignet, die der Verarbeitung natürlicher Sprache und der Bilderkennung ähneln.
Was leisten Kunden?
Trn1-Gehäuse sind in zwei Konfigurationen erhältlich und werden von bis zu 16 AWS Trainium-Chips mit 128 vCPUs betrieben.
Die Gehäuse, die es zu sehen gibt, bieten bis zu 512 GB Speicher mit übermäßiger Bandbreite und liefern bis zu 3,4 petaFLOPS TF32/FP16/BF16-Rechenenergie und verfügen über eine NeuronLink-Verbindung zwischen den Chips. NeuronLink hilft, Kommunikationsengpässe zu vermeiden, wenn Workloads über eine Vielzahl von Trainium-Chips skaliert werden.
Um zu booten, sagt Amazon, dass Trn1-Gehäuse die ersten EC2-Gehäuse sind, die bis zu 800 Gbit/s von Elastic Fabric Adapter (EFA) ermöglichen. Community-Bandbreite für Community-Kommunikation mit übermäßigem Durchsatz. Und Trn1-Fälle erreichen mit bis zu 8 TB lokalem NVMe-SSD-Speicher für furchtbar schnellen Zugang zu eleganten Datensätzen. AWS gab außerdem an, dass seine Trainium-Chips spezifische Skalar-, Vektor- und Tensor-Engines enthalten, die dies tun würden vielleicht vielleicht gut vielleicht vielleicht Grund gebaut für tiefes Finden von Algorithmen.
Weitere einzigartige Aspekte von Trainium-Chips sind die Stärkung einer wertvollen Menge an Dateitypen neben FP32, TF32, BF16, FP16 und UINT8, stochastische Rundung, so erfolgreich wie benutzerdefinierte Operatoren schreiben
Die einzigartigen Amazon EC2 Trn1-Gehäuse werden von AWS Trainium-Chips betrieben, einem von AWS entwickelten ML-Chip mit 2D-Fähigkeiten, der auf seinen AWS Inferentia-Chips aufbaut.
Die c Laut großen Behauptungen sind diese einzigartigen Fälle erfolgreich für das verteilte Üben komplexer Deep-Finding-Einheiten im eleganten Maßstab geeignet, die der Verarbeitung natürlicher Sprache und der Bilderkennung ähneln.
Was leisten Kunden?
Trn1-Gehäuse sind in zwei Konfigurationen erhältlich und werden von bis zu 16 AWS Trainium-Chips mit 128 vCPUs betrieben.
Die Gehäuse, die es zu sehen gibt, bieten bis zu 512 GB Speicher mit übermäßiger Bandbreite und liefern bis zu 3,4 petaFLOPS TF32/FP16/BF16-Rechenenergie und verfügen über eine NeuronLink-Verbindung zwischen den Chips. NeuronLink hilft, Kommunikationsengpässe zu vermeiden, wenn Workloads über eine Vielzahl von Trainium-Chips skaliert werden.
Um zu booten, sagt Amazon, dass Trn1-Gehäuse die ersten EC2-Gehäuse sind, die bis zu 800 Gbit/s von Elastic Fabric Adapter (EFA) ermöglichen. Community-Bandbreite für Community-Kommunikation mit übermäßigem Durchsatz. Und Trn1-Fälle erreichen mit bis zu 8 TB lokalem NVMe-SSD-Speicher für furchtbar schnellen Zugang zu eleganten Datensätzen. AWS gab außerdem an, dass seine Trainium-Chips spezifische Skalar-, Vektor- und Tensor-Engines enthalten, die dies tun würden vielleicht vielleicht gut vielleicht vielleicht Grund gebaut für tiefes Finden von Algorithmen.
Weitere einzigartige Aspekte von Trainium-Chips sind die Stärkung einer wertvollen Menge an Dateitypen neben FP32, TF32, BF16, FP16 und UINT8, stochastische Rundung, so erfolgreich wie benutzerdefinierte Operatoren schreiben
- Trn1-Gehäuse sind in zwei Konfigurationen erhältlich und werden von bis zu 16 AWS Trainium-Chips mit 128 vCPUs betrieben.
Die Gehäuse, die es zu sehen gibt, bieten bis zu 512 GB Speicher mit übermäßiger Bandbreite und liefern bis zu 3,4 petaFLOPS TF32/FP16/BF16-Rechenenergie und verfügen über eine NeuronLink-Verbindung zwischen den Chips. NeuronLink hilft, Kommunikationsengpässe zu vermeiden, wenn Workloads über eine Vielzahl von Trainium-Chips skaliert werden.
Um zu booten, sagt Amazon, dass Trn1-Gehäuse die ersten EC2-Gehäuse sind, die bis zu 800 Gbit/s von Elastic Fabric Adapter (EFA) ermöglichen. Community-Bandbreite für Community-Kommunikation mit übermäßigem Durchsatz. Und Trn1-Fälle erreichen mit bis zu 8 TB lokalem NVMe-SSD-Speicher für furchtbar schnellen Zugang zu eleganten Datensätzen. AWS gab außerdem an, dass seine Trainium-Chips spezifische Skalar-, Vektor- und Tensor-Engines enthalten, die dies tun würden vielleicht vielleicht gut vielleicht vielleicht Grund gebaut für tiefes Finden von Algorithmen.
Weitere einzigartige Aspekte von Trainium-Chips sind die Stärkung einer wertvollen Menge an Dateitypen neben FP32, TF32, BF16, FP16 und UINT8, stochastische Rundung, so erfolgreich wie benutzerdefinierte Operatoren schreiben
Um zu booten, sagt Amazon, dass Trn1-Gehäuse die ersten EC2-Gehäuse sind, die bis zu 800 Gbit/s von Elastic Fabric Adapter (EFA) ermöglichen. Community-Bandbreite für Community-Kommunikation mit übermäßigem Durchsatz. Und Trn1-Fälle erreichen mit bis zu 8 TB lokalem NVMe-SSD-Speicher für furchtbar schnellen Zugang zu eleganten Datensätzen. AWS gab außerdem an, dass seine Trainium-Chips spezifische Skalar-, Vektor- und Tensor-Engines enthalten, die dies tun würden vielleicht vielleicht gut vielleicht vielleicht Grund gebaut für tiefes Finden von Algorithmen.
Weitere einzigartige Aspekte von Trainium-Chips sind die Stärkung einer wertvollen Menge an Dateitypen neben FP32, TF32, BF16, FP16 und UINT8, stochastische Rundung, so erfolgreich wie benutzerdefinierte Operatoren schreiben
startet,einzigartige
