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 nutzen eine gespeicherte Prozedur auf einem einzelnen virtuellen Warehouse-Knoten. 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. Optional können Sie zusätzlichen Speicher pro Knoten konfigurieren und die CPU-Architektur mithilfe der Eigenschaft resource_constraint angeben. Die folgenden Optionen sind verfügbar:

Speicher (bis zu)	CPU-Architektur	Erforderliche Mindestgröße des Warehouses
16GB	Standard oder x86	XSMALL
256GB	Standard oder x86	M
1TB [1]	Standard oder 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

Das Ändern des Lagertyps wird nur für ein Warehouse im Zustand SUSPENDED unterstützt. Um ein Warehouse auszusetzen, 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(a): Snowflake Credit Table for Virtual Warehouse Services in der Snowflake Service Consumption Table.

Regionsverfügbarkeit¶

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