LegközelebbKövetkező útmutató
Tárhely mesterséges intelligencia oktatófürtök számára
Műszaki
Műszaki ÚTMUTATÓ
A Slurm egy nyílt forráskódú munkaterhelés-kezelő, amely ütemezi és futtatja a feladatokat nagy teljesítményű számítástechnikai fürtökön, és ez lett az alapértelmezett választás a nagyméretű mesterségesintelligencia-oktatáshoz.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
It matters because it reliably distributes massive training runs across thousands of GPUs.
A Slurm (Simple Linux Utility for Resource Management) a szuperszámítástechnikából indult ki, és jelenleg a világ legnagyobb mesterséges intelligencia-oktató klasztereinek egyikét látja el. A felhasználók kötegelt szkripteket küldenek be sbatch-el, erőforrásokat kérnek, például csomópontokat és GPU-kat a --gres=gpu:8 direktívával, valamint Slurm-sorokat, prioritásokat állítanak fel, és elindítják a munkát. A futtatott indítóprogramja koordinált folyamatokat hoz létre a csomópontok között, ami természetesen párosul az olyan elosztott keretrendszerekkel, mint a PyTorch DDP és az NCCL. A Slurm nyomon követi az erőforrás-elszámolást, érvényesíti a méltányos megosztási és partíciós korlátokat, és kezeli a háttérkitöltés ütemezését, hogy a kis feladatokat hézagokba helyezze. A határmodell-oktatáshoz a csapatok a Slurm-ra támaszkodnak több ezer GPU kezelésében, a csomópontok meghibásodása utáni ellenőrzőpontokról történő újraindításban és a dedikált kapacitás lefoglalásában a hosszú, több hetes futtatásokhoz.
Egy határlaboratórium több hetes képzést indít, amely több ezer GPU-n keresztül fut egyetlen sbatch szkripttel, amely több száz csomópontot igényel.
Egy kutató beküldi a „srun --gres=gpu:8” parancsot, hogy nyolc GPU-t ragadjon meg egy csomóponton egy PyTorch DDP-kísérlethez.
A háttérkitöltés ütemezése egy rövid kiértékelési feladatot helyez el a tétlen GPU-kba, miközben egy nagy lefoglalt betanítási futás vár a kezdésre.
Miután egy csomópont meghibásodik a futás közben, a Slurm újrasorolja a feladatot, és az újrakezdés helyett a legutóbbi ellenőrzőponttól folytatódik.
A Slurm továbbra is hozzáadja a felhő-feltörést, a Pyxis és az Enroot segítségével konténerek támogatását, valamint a szigorúbb GPU-tudatos funkciókat. Ahogy az AI-fürtök több mint 100 000 GPU felé skálázódnak, erősebb hibatűrésre, automatikus ellenőrzőpont-újraindítás integrációra és rugalmas, meghibásodás után átméretező feladatokra számíthatnak. Sok szervezet jelenleg a Kubernetes mellett vagy alatt futtatja a Slurm-ot, és a hibrid ütemezők célja, hogy a HPC-stílusú hatékonyságot a felhőben natív rugalmassággal kombinálják az egyre nagyobb edzési futások érdekében.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A Slurm egy nyílt forráskódú munkaterhelés-kezelő, amely ütemezi és futtatja a feladatokat nagy teljesítményű számítástechnikai fürtökön, és ez lett az alapértelmezett választás a nagyméretű mesterségesintelligencia-oktatáshoz. Ez azért fontos, mert megbízhatóan osztja el a hatalmas képzési futásokat több ezer GPU között.
Az sbatch egy kötegelt szkriptet küld el a Slurm sorba, amely leírja egy job erőforrásait és parancsait.
A Generic Resource (GRES) rendszer lehetővé teszi, hogy a feladatok kifejezetten GPU-kat kérjenek, például --gres=gpu:8.
A slurmctld a jobokat ütemező vezérlődémon, míg a slurmd minden csomóponton fut a feladatok elindításához.
srun launches task steps in the allocation and exposes Slurm task information; distributed frameworks may still require explicit rendezvous settings.
A háttérkitöltés javítja a kihasználtságot azáltal, hogy a kisebb munkákat az ütemezési hézagok közé illeszti, mindaddig, amíg azok nem szorítják vissza a fenntartott feladatokat.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Tárhely mesterséges intelligencia oktatófürtök számára
Műszaki