SageMaker Studio Lab 将是免费计算资源领域一个强有力的竞争对手。
一周前，亚马逊启动了 SageMaker Studio 的免费简化版 SageMaker Studio Lab，提供了一个时限为12小时的 CPU 实例和一个时限为 4 小时的 GPU 实例。SageMaker Studio Lab 成为继 Google Colab、Kaggle 和 Paperspace 之后的又一个免费深度学习计算空间。
Studio Lab 为用户提供了所有入门 AI 所需的基础能力，包括 JupyterLab IDE、CPU 和 GPU 模型训练算力以及 15 GB 的永久存储。
那么，SageMaker Studio Lab 如何与竞争对手抗衡？它是否值得使用？
现在一位名为 Benjamin Warner 的博主已经申请使用了 SageMaker Studio Lab，并为大家撰写了一篇博客「开箱测评」。以下是博客原文。
本文我使用图像和 NLP 分类任务，比较了在 SageMaker Studio Lab 和 Colab、Colab Pro 以及 Kaggle 上训练神经网络的效果。
与 Colab 和 Kaggle 的比较
与 Colab 和 Kaggle 一样，Studio Lab 提供 CPU 和 GPU 实例：运行时间为 12 小时的 T3.xlarge CPU 实例和运行时间为 4 小时的 G4dn.xlarge GPU 实例。比较结果如下表所示：
在测试比较中我发现：
- SageMaker 只有持久存储，但与 Google Drive 不同的是，它的速度足以训练；
- Colab 暂存盘因实例而异；
- Colab 的持久存储是 Google Drive 免费分配的；
- Colab Pro 可以分配 Tesla T4 或 Tesla K80；
- 免费版 Colab 也可以分配 Tesla T4 或 Tesla P100；
- Kaggle 的持久存储为每个笔记本 20GB；
- Kaggle 有一个每周 GPU 运行时间上限，它根据总使用量而变化，每周大约 40 小时。
启动 SageMaker Studio Lab 后将获得稍有修改的 JupyterLab 实例，其中安装了一些扩展，例如 Git。
SageMaker JupyterLab 环境。
在我的测试中，SageMaker Studio Lab 的 JupyterLab 的行为与在自己系统上正常安装 JupyterLab 完全相同。甚至之前对 JupyterLab 做的修改和已安装的 python 包都还在。
例如，我能够从 Jupyterlab Awesome List 中安装 python 语言服务器和 markdown 拼写检查器。但这也带来了一个问题，即亚马逊是否会更新像 PyTorch 这样的预安装包，或者维护更新的环境是否完全依赖于用户。
亚马逊后续可能会销毁我的实例，或者将来会升级底层映像，删除自定义安装的包和扩展。但就目前而言，相比于 Colab 和 Kaggle，Studio Lab 是三者中可定制程度最高的服务。
基准
数据集和模型
我选择了两个小数据集来对 SageMaker 和 Colab 进行基准测试：Imagenette 以及 IMDB。Imagenette 数据集用于计算机视觉，Hugging Face 的 IMDB 用于 NLP。为了减少训练时间，在训练 IMDB 时，我随机抽取了 20% 的测试集。
对于计算机视觉，模型选择 XResNet 和 XSE-ResNet，即 ResNet 的 fast.ai 版本；对于 NLP，我选择 Hugging Face 实现的 RoBERTa。
- Imagenette 地址：https://github.com/fastai/imagenette#imagenette
- IMDB 地址：https://huggingface.co/datasets/imdb
- fast.ai 地址：https://docs.fast.ai/
训练设置
训练 Imagenette 采用 fast.ai ，其在进行数据扩充时，可以对图像进行随机调整 crop 和随机水平翻转。
训练 IMDB 采用 blurr 库，该库将 fast.ai 和 Hugging Face Transformers 集成在一起。除了向 fast.ai 添加 Transformers 训练和推理支持外，blurr 还集成了每 batch token 化和 fast.ai 文本数据加载器，后者根据序列长度对数据集进行随机排序，以最大限度地减少训练时的填充（padding）。
XSE-ResNet50 和 RoBERTa 采用单精度和混合精度训练的方式 。XSE-ResNet50 训练图像大小为 224 像素，混合精度 batch 大小为 64，单精度 batch 大小为为 32。RoBERTa 混合精度 batch 大小为 16，单精度 batch 大小为 8。
为了探索 CPU 使用极限，我还训练了一个 XResNet18 模型，图像大小为 128 像素，batch 大小为 64。
blurr 地址：https://ohmeow.github.io/blurr/
结果
当进行混合精度训练时，SageMaker Studio Lab 的 Tesla T4 优于 Google Colab 的 Tesla P100，但在训练全单精度模型时表现稍差。
XSE-ResNet50
在相似的设置下，Colab Pro High RAM 和 SageMaker 比较，XSE-ResNet50 在 SageMaker 上的总体训练速度提高了 17.4%。仅查看训练循环（training loop）时，SageMaker 比 Colab Pro 快 19.6%。SageMaker 在所有操作中都更快，但有一个明显的例外：在向后传递中，SageMaker 比 Colab Pro 慢 10.4%。
当以单精度训练 XSE-ResNet50 时，结果相反，SageMaker 的执行速度比 Colab Pro High RAM 慢 95.9%， 训练循环比 Colab Pro 慢 93.8%。
XSE-ResNet50 Imagenette 简单分析器结果
RoBERTa
混合精度训练 RoBERTa， SageMaker 进一步领先 Colab Pro，执行速度提高了 29.1%。SageMaker 在训练循环期间比 Colab Pro 快 32.1%，并且在所有操作中 SageMaker 都更快，除了在计算损失时，SageMaker 比 Colab Pro 慢 66.7%。
在单精度下，SageMaker 训练的结果再次翻转，总体上 SageMaker 比 Colab Pro 慢 72.2%。训练循环比 Colab Pro 慢 67.9%。当以单精度训练 XSE-ResNet50 时，由于向后传递和优化器步骤，SageMaker 比 Colab Pro 慢了 83.0%，而 SageMaker 执行所有其他操作的速度快了 27.7%。
奇怪的是，Colab Pro High RAM 实例的训练速度比普通 Colab Pro 实例慢，尽管前者有更多的 CPU 核和 CPU RAM 以及相同的 GPU。然而，它们之间的差异并不大。
表 3：RoBERTa 基准结果
XResNet18
对于 XResNet18 基准测试，了解绘制动作测量内容很关键。XResNet18 基准测试是从数据加载器绘制 batch 之前到开始 batch 操作之间的时间。数据加载器的 prefetch_factor 设置为默认值 2，这意味着研究者尝试在训练循环调用它们之前提前加载两个 batch。其中包括前向和后向传递、损失和优化器 step 和零梯度操作。
绘制动作越低，实例 CPU 就越能满足需求。
这里的结果符合预期，更多的 CPU 核意味着更少的绘制时间，并且在相同的核数下，较新的 CPU 的性能优于较旧的 CPU。
表 4：XResNet18 基准结果
Colab Tesla K80
由于免费 Colab 实例的 Tesla K80 的 RAM 比其他 GPU 少四分之一，因此我将混合精度 batch 大小也减少了四分之一。此外，我没有运行任何单精度测试。
我运行了两个 epoch 的 Imagenette 基准测试，并将 IMDB 数据集从 20% 的样本减少到 10% 的样本，并将训练长度减少到一个 epoch。
Colab K80 在半数 Imagenette epoch 上进行训练花费的时间大约是 Colab Pro 实例的两倍。与 Colab P100 相比，在 Colab K80 上进行等效的 IMDB 训练时间要长 3 倍。如果可能的话，应避免使用 K80 对除小型模型以外的任何其他模型进行训练。
XResNet & RoBERTa Colab K80 基准结果
总的来说，我认为 SageMaker Studio Lab 是免费计算资源领域一个强有力的竞争对手。特别是对于一直在 K80 上使用免费 Colab 和训练模型的用户来说，SageMaker Studio Lab 将给你全面的升级体验。
SageMaker Studio Lab 可以作为机器学习工作流程的有用补充和 Kaggle 或 Colab Pro 的增强版。混合精度的训练速度比 Kaggle 或 Colab Pro 快了 17.4% 到 32.1%，这意味着迭代时的等待时间更少。
此外，更快的训练速度和持久存储让 SageMaker Studio Lab 对于深度学习初学者也非常友好，因为这意味着环境只需要设置一次，让学生能够专注于学习而不是持续的包管理。
原文链接：https://benjaminwarner.dev/2021/12/08/testing-amazon-sagemaker-studio-lab
