Snowpark-optimierte Warehouses

Unter diesem Thema wird das Erstellen und Verwenden von Snowpark-optimierten Warehouses erläutert, die im Vergleich zu einem virtuellen Standard-Warehouse in Snowflake den 16-fachen Arbeitsspeicher pro Knoten bereitstellen.

Unter diesem Thema:

Einführung

Wann ein Snowpark-optimiertes Warehouse verwendet werden sollte

Snowpark-Workloads können sowohl auf Standard- als auch auf Snowpark-optimierten Warehouses ausgeführt werden. Snowpark-optimierte Warehouses werden für Workloads empfohlen, die einen großen Bedarf an Arbeitsspeicher haben, wie z. B. beim ML-Training, bei dem eine gespeicherte Prozedur auf einem einzelnen virtuellen Warehouse-Knoten verwendet wird. Darüber hinaus können Snowpark-Workloads, die UDF oder UDTF verwenden, ebenfalls von Snowpark-optimierten Warehouses profitieren.

Erstellen eines Snowpark-optimierten Warehouses

Mit dieser Vorschau wird die neue Eigenschaft warehouse_type für den Befehl CREATE WAREHOUSE eingeführt.

Erstellen Sie ein neues Snowpark-optimiertes Warehouse snowpark_opt_wh:

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

Tipp

Um die CPU- und Arbeitsspeicherressourcen bei der Ausführung von Snowpark-UDFs oder gespeicherten Prozeduren zu maximieren, legen Sie bei Verwendung des Befehls CREATE WAREHOUSE oder ALTER WAREHOUSE den Parameter MAX_CONCURRENCY_LEVEL für Ihr Warehouse fest. Beispiel:

alter warehouse snowpark_opt_wh set max_concurrency_level = 1;

Um zu überprüfen, ob die Computeressourcen für Ihr Warehouse vollständig bereitgestellt wurden, prüfen Sie mit SHOW WAREHOUSES den state-Wert des Warehouses.

Ändern der für Snowpark optimierten Warehouse-Eigenschaften

Mit dem Befehl ALTER WAREHOUSE können Warehouse-Eigenschaften, einschließlich des Warehouse-Typs, geändert werden.

Bemerkung

Das Ändern des Warehouse-Typs mit dem Befehl ALTER WAREHOUSE wird nur für ein Warehouse mit Status SUSPENDED unterstützt. Um ein Warehouse anzuhalten, bevor Sie die Eigenschaft warehouse_type ändern, führen Sie die folgende Anweisung aus:

ALTER WAREHOUSE snowpark_opt_wh SUSPEND;

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

Die folgende Tabelle zeigt die Snowflake-Credits an, die pro Stunde für ein Snowpark-optimiertes virtuelles Warehouse nach Warehouse-Größe berechnet werden. Weitere Informationen zur Credit-Nutzung bei virtuellen Warehouses finden Sie unter Credit-Nutzung für virtuelle Warehouses.

X-Small

X

M

L

X-Large

2X-Large

3X-Large

4X-Large

5X-Large

6X-Large

Credits/Stunde

k.A.

k.A.

6

12

24

48

96

192

384

768

Regionsverfügbarkeit

Snowpark-optimierte Warehouses sind in den folgenden Regionen verfügbar:

AWS

  • us-east-1

  • us-west-2

  • eu-west-1

  • eu-central-1

  • ap-south-1

  • ap-northeast-1

  • ap-southeast-1

  • ap-southeast-2

  • us-east-2

Azure

  • eastus2

  • westus

  • westeurope

  • australiaeast

  • japaneast

Google Cloud:

  • us-central-1

Bekannte Einschränkungen

  • Das erstmalige Erstellen und das Fortsetzen eines Snowpark-optimierten virtuellen Warehouses können länger dauern als bei Standard-Warehouses.

  • Bestimmte „Scikit-learn“-Algorithmen nutzen möglicherweise nicht alle in einem Snowpark-optimierten Warehouse verfügbaren Ressourcen.

  • Snowpark-optimierte Warehouses unterstützen keine Abfragebeschleunigung (Query Acceleration).

  • Snowpark-optimierte Warehouses werden bei den Warehouse-Größen XSMall und SMALL nicht unterstützt.

Zurück zum Anfang