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
undSMALL
nicht unterstützt.