AWS 教程：在 Amazon SageMaker HyperPod 上检测并恢复静默数据损坏

AWS 发布教程，介绍如何在 PyTorch DDP 训练循环中加入三道检查来检测静默数据损坏（SDC），并把可疑 rank 映射到节点、隔离后交由 SageMaker HyperPod 替换：all-reduce 前后的 NaN/Inf 梯度检查、审计步的环形重放比对 loss 与梯度指纹、优化器步后的权重指纹比对。