Snowpark-optimierte Warehouses¶

Mit Snowpark-optimierten Warehouses können Sie die verfügbaren Speicherressourcen und die CPU-Architektur auf einer Single-Node Instanz für Ihre Workloads konfigurieren.

Wann ein Snowpark-optimiertes Warehouse verwendet werden sollte¶

Während Snowpark Workloads sowohl auf Standard- als auch auf Snowpark-optimierten Warehouses ausgeführt werden können, werden Snowpark-optimierte Warehouses für die Ausführung von Snowpark-Workloads empfohlen, z. B. für Code mit hohem Speicherbedarf oder Abhängigkeiten von einer bestimmten CPU-Architektur. Zu den Beispielen für Workloads gehört das Training von maschinellem Lernen (ML) Anwendungsfälle, die eine gespeicherte Prozedur auf einem einzelnen virtuellen Warehouse-Knoten nutzen. Snowpark-Workloads, die UDF oder UDTF verwenden, könnten ebenfalls von Snowpark-optimierten Warehouses profitieren. Workloads, die Snowpark nicht nutzen, profitieren möglicherweise nicht von der Ausführung auf Snowpark-optimierten Warehouses.

Bemerkung

Die erstmalige Erstellung und Wiederaufnahme eines für Snowpark optimierten virtuellen Warehouses kann länger dauern als bei Standard-Warehouses.

Optionen für die Konfiguration von Snowpark-optimierten Warehouses¶

Die Standardkonfiguration für ein Snowpark-optimiertes Warehouse bietet den 16-fachen Speicher pro Knoten im Vergleich zu einem Standard-Warehouse. Sie können optional zusätzlichen Speicher pro Knoten konfigurieren und die CPU-Architektur mit der Eigenschaft resource_constraint des Befehls CREATE WAREHOUSE oder ALTER WAREHOUSE angeben. Die folgenden Optionen sind verfügbar:

Speicher (bis zu)	CPU-Architektur	RESOURCE_CONSTRAINT-Werte	Mindestgröße des Warehouses
16GB	Standard oder x86	MEMORY_1X, MEMORY_1X_x86	XSMALL
256GB	Standard oder x86	MEMORY_16X, MEMORY_16X_x86	M
1TB	Standard oder x86	MEMORY_64X, MEMORY_64X_x86	L

Erstellen eines Snowpark-optimierten Warehouses¶

Um ein neues Snowpark-optimiertes Warehouse zu erstellen, können Sie die Eigenschaft Warehouse-Typ in den folgenden Weboberflächen festlegen.

Setzen Sie die Eigenschaft WAREHOUSE_TYPE auf 'SNOWPARK-OPTIMIZED', wenn Sie den Befehl CREATE WAREHOUSE ausführen. Beispiel:

CREATE OR REPLACE WAREHOUSE snowpark_opt_wh WITH
  WAREHOUSE_SIZE = 'MEDIUM'
  WAREHOUSE_TYPE = 'SNOWPARK-OPTIMIZED';

Copy

Erstellen Sie ein großes Snowpark-optimiertes Warehouse so_warehouse mit 256 GB Speicherplatz, indem Sie die Ressourceneinschränkung MEMORY_16X_X86 angeben:

CREATE WAREHOUSE so_warehouse WITH
  WAREHOUSE_SIZE = 'LARGE'
  WAREHOUSE_TYPE = 'SNOWPARK-OPTIMIZED'
  RESOURCE_CONSTRAINT = 'MEMORY_16X_X86';

Copy

Bemerkung

Die Standard-Ressourceneinschränkung ist MEMORY_16X.

Setzen Sie die Eigenschaft warehouse_type auf 'SNOWPARK-OPTIMIZED', wenn Sie ein Warehouse Objekt erstellen.

Dann übergeben Sie dieses Warehouse Objekt an die Methode WarehouseCollection.create, um das Warehouse in Snowflake zu erstellen. Beispiel:

from snowflake.core import CreateMode
from snowflake.core.warehouse import Warehouse

my_wh = Warehouse(
  name="snowpark_opt_wh",
  warehouse_size="MEDIUM",
  warehouse_type="SNOWPARK-OPTIMIZED"
)
root.warehouses.create(my_wh, mode=CreateMode.or_replace)

Copy

Bemerkung

Ressourceneinschränkungen werden derzeit in Snowflake Python APIs nicht unterstützt.

Ändern der Eigenschaften von Snowpark-optimierten Warehouses¶

Zum Ändern von Warehouse-Eigenschaften, einschließlich des Lagertyps, können Sie die folgenden Weboberflächen verwenden.

Bemerkung

Sie können den Warehouse-Typ ändern, unabhängig davon, ob sich das Warehouse im Status STARTED oder SUSPENDED befindet. Wenn Sie ein Warehouse aussetzen, bevor Sie die Eigenschaft warehouse_type ändern, führen Sie die folgende Operation aus:

ALTER WAREHOUSE snowpark_opt_wh SUSPEND;

Copy

root.warehouses["snowpark_opt_wh"].suspend()

Copy

Verwenden Sie den Befehl ALTER WAREHOUSE, um die Speicherressourcen und die CPU-Architektur für das Snowpark-optimierte Warehouse so_warehouse zu ändern:

ALTER WAREHOUSE so_warehouse SET
  RESOURCE_CONSTRAINT = 'MEMORY_1X_x86';

Copy

Verwenden von gespeicherten Snowpark Python-Prozeduren zum Ausführen von ML-Trainingsworkloads¶

Weiter Informationen zu Machine Learning-Modellen und zu Snowpark Python finden Sie unter Training von Machine Learning-Modellen mit Snowpark Python.

Abrechnung von Snowpark-optimierten Warehouses¶

Informationen zum Snowpark-optimierten Warehouse-Credit-Verbrauch finden Sie unter Table 1 in der Snowflake Service Consumption Table.

Tipp

Weitere Informationen zu den Kostenauswirkungen der Änderung der RESOURCE_CONSTRAINT-Eigenschaft finden Sie in den Hinweisen zum Ändern von RESOURCE_CONSTRAINT, während ein Warehouse ausgeführt oder ausgesetzt wird.

Regionsverfügbarkeit¶

Snowpark-optimierte Warehouses sind in allen Regionen über AWS, Azure und Google Cloud verfügbar.

1 TB Speicheroptionen sind derzeit nicht für die Cloud-Plattformen Microsoft Azure und Google Cloud Platform (GCP) verfügbar. Auf der Cloud-Plattform Amazon Web Services (AWS) ist die Speicheroption 1 TB ebenfalls noch ein Vorschau-Feature.