এআই ট্রেনিং ক্লাস্টারের জন্য স্লার্ম
Slurm হল একটি ওপেন-সোর্স ওয়ার্কলোড ম্যানেজার যেটি উচ্চ-পারফরম্যান্স কম্পিউটিং ক্লাস্টারে কাজের সময়সূচী নির্ধারণ করে এবং চালায় এবং এটি বড় AI প্রশিক্ষণের জন্য একটি ডিফল্ট পছন্দ হয়ে উঠেছে।
ওভারভিউ
It matters because it reliably distributes massive training runs across thousands of GPUs.
গভীর ডুব
Slurm (রিসোর্স ম্যানেজমেন্টের জন্য সহজ লিনাক্স ইউটিলিটি) সুপারকম্পিউটিং থেকে উদ্ভূত এবং এখন বিশ্বের অনেক বড় এআই প্রশিক্ষণ ক্লাস্টারকে ক্ষমতা দেয়। ব্যবহারকারীরা sbatch সহ ব্যাচ স্ক্রিপ্ট জমা দেয়, নোডের মতো রিসোর্স এবং জিপিইউ যেমন --gres=gpu:8, এবং Slurm সারিগুলির মতো নির্দেশ সহ অনুরোধ করে, কাজটিকে অগ্রাধিকার দেয় এবং চালু করে। এর srun লঞ্চার নোড জুড়ে সমন্বিত প্রক্রিয়ার জন্ম দেয়, যা প্রাকৃতিকভাবে পাইটর্চ ডিডিপি এবং এনসিসিএল-এর মতো বিতরণ করা কাঠামোর সাথে যুক্ত হয়। স্লার্ম রিসোর্স অ্যাকাউন্টিং ট্র্যাক করে, ন্যায্য-শেয়ার এবং পার্টিশন সীমা বলবৎ করে, এবং ছোট কাজগুলিকে ফাঁকে স্লট করার জন্য ব্যাকফিল সময়সূচী পরিচালনা করে। ফ্রন্টিয়ার মডেল প্রশিক্ষণের জন্য, দলগুলি হাজার হাজার জিপিইউ পরিচালনা করতে, নোড ব্যর্থতার পরে চেকপয়েন্ট থেকে পুনরায় চালু করতে এবং দীর্ঘ বহু-সপ্তাহ রানের জন্য ডেডিকেটেড ক্ষমতা সংরক্ষণ করতে স্লর্মের উপর নির্ভর করে।
প্রযুক্তিগত অন্তর্দৃষ্টি
একটি Slurm কন্ট্রোলার ডেমন (slurmctld) সময় নির্ধারণের সিদ্ধান্ত নেয় যখন প্রতিটি নোডের একটি slurmd এজেন্ট কাজ শুরু করে এবং স্থিতি প্রতিবেদন করে। জেনেরিক রিসোর্স (GRES) প্লাগইন GPU গুলিকে ট্র্যাক করে তাই চাকরিগুলি তাদের স্পষ্টভাবে অনুরোধ করে৷ srun এনভায়রনমেন্ট ভেরিয়েবল (র্যাঙ্ক, ওয়ার্ল্ড সাইজ, মাস্টার অ্যাড্রেস) সেট করে যা NCCL কমিউনিকেশন বুটস্ট্র্যাপ করার জন্য পড়া ট্রেনিং লাইব্রেরি বিতরণ করে। ব্যাকফিল শিডিউলিং ছোট চাকরিগুলিকে তাড়াতাড়ি চলতে দেয় যতক্ষণ না তারা উচ্চ-অগ্রাধিকার সংরক্ষণে বিলম্ব না করে, ব্যবহারকে উচ্চ রেখে।
কৌশলগত প্রভাব
খরচ ও বাজেট
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
সুস্পষ্ট সিদ্ধান্ত
কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
মান নিয়ন্ত্রণ
ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।
এআই ট্রেনিং ক্লাস্টারের জন্য স্লার্মের ভবিষ্যত
স্লার্ম ক্লাউড-বার্স্টিং, পিক্সিস এবং এনরুটের মাধ্যমে কন্টেইনার সমর্থন এবং আরও কঠোর GPU-সচেতন বৈশিষ্ট্যগুলি যোগ করতে চলেছে। যেহেতু AI ক্লাস্টারগুলি 100,000-প্লাস GPU-এর দিকে স্কেল করে, শক্তিশালী ত্রুটি সহনশীলতা, স্বয়ংক্রিয় চেকপয়েন্ট-রিস্টার্ট ইন্টিগ্রেশন এবং ইলাস্টিক কাজগুলি আশা করে যা ব্যর্থতার পরে পুনরায় আকার দেয়। অনেক সংস্থা এখন কুবারনেটসের পাশে বা নীচে স্লার্ম চালায় এবং হাইব্রিড শিডিউলারের লক্ষ্য ক্লাউড-নেটিভ নমনীয়তার সাথে HPC-শৈলীর দক্ষতাকে একত্রিত করা সবসময় বড় প্রশিক্ষণের জন্য।
বাস্তব-বিশ্ব বাস্তবায়ন
একটি ফ্রন্টিয়ার ল্যাব কয়েক হাজার নোডের অনুরোধ করে একটি একক স্ব্যাচ স্ক্রিপ্ট সহ হাজার হাজার GPU জুড়ে বহু-সপ্তাহের প্রশিক্ষণ চালু করে।
একজন গবেষক PyTorch DDP পরীক্ষার জন্য একটি নোডে আটটি জিপিইউ দখল করতে 'srun --gres=gpu:8' জমা দেন।
ব্যাকফিল শিডিউলিং স্লট একটি সংক্ষিপ্ত মূল্যায়নের কাজকে নিষ্ক্রিয় GPU-তে দেয় যখন একটি বড় সংরক্ষিত প্রশিক্ষণ শুরু হতে অপেক্ষা করে।
একটি নোড মাঝামাঝি রানে ব্যর্থ হওয়ার পরে, স্লার্ম কাজটির জন্য অনুরোধ করে এবং এটি আবার শুরু করার পরিবর্তে সর্বশেষ চেকপয়েন্ট থেকে পুনরায় শুরু হয়।
ঝুঁকি এবং প্রহরী
একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।
বাস্তবায়ন রোডম্যাপ
বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Slurm for AI Training Clusters quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
ডিপস্পিড এবং মেগাট্রন ট্রেনিং স্ট্যাক
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
What is Slurm for AI Training Clusters?
Slurm হল একটি ওপেন-সোর্স ওয়ার্কলোড ম্যানেজার যেটি উচ্চ-পারফরম্যান্স কম্পিউটিং ক্লাস্টারে কাজের সময়সূচী নির্ধারণ করে এবং চালায় এবং এটি বড় AI প্রশিক্ষণের জন্য একটি ডিফল্ট পছন্দ হয়ে উঠেছে। এটি গুরুত্বপূর্ণ কারণ এটি নির্ভরযোগ্যভাবে হাজার হাজার জিপিইউ জুড়ে বিশাল প্রশিক্ষণ বিতরণ করে।
ব্যবহারকারীরা সাধারণত স্লার্মে একটি ব্যাচ কাজ জমা দেওয়ার জন্য কোন কমান্ড ব্যবহার করে?
sbatch একটি ব্যাচ স্ক্রিপ্ট জমা দেয় যা স্লার্ম কিউতে কাজের জন্য সংস্থান এবং কমান্ড বর্ণনা করে।
কিভাবে একটি Slurm কাজ GPUs অনুরোধ করে?
জেনেরিক রিসোর্স (GRES) সিস্টেম কাজের জন্য GPU-গুলিকে স্পষ্টভাবে অনুরোধ করতে দেয়, উদাহরণস্বরূপ --gres=gpu:8।
কোন Slurm উপাদান কেন্দ্রীয় সময় নির্ধারণের সিদ্ধান্ত নেয়?
slurmctld হল কন্ট্রোলার ডেমন যা কাজের সময়সূচী নির্ধারণ করে, যখন slurmd প্রতিটি নোডে কাজ শুরু করার জন্য চালায়।
PyTorch DDP-এর মতো বিতরণকৃত প্রশিক্ষণ কাঠামোর সাথে srun কেন ভালভাবে জোড়া লাগে?
srun নোড জুড়ে সিঙ্ক্রোনাইজ করা কাজগুলি চালু করে এবং র্যাঙ্ক এবং মাস্টার-ঠিকানার তথ্য প্রদান করে যা বিতরণ করা লাইব্রেরিগুলি বুটস্ট্র্যাপ করতে ব্যবহার করে।
স্লার্মে ব্যাকফিল শিডিউলিংয়ের উদ্দেশ্য কী?
ব্যাকফিল ছোট কাজগুলিকে সময়সূচীর ফাঁকে ফিট করে ব্যবহারকে উন্নত করে যতক্ষণ না তারা সংরক্ষিত চাকরিগুলিকে পিছনে ঠেলে না দেয়৷