Műszaki ÚTMUTATÓ

Slurm az AI-képző klaszterekhez

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

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A Slurm jövője az AI-képző klaszterek számára
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

It matters because it reliably distributes massive training runs across thousands of GPUs.

Mély merülés

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.

Valós megvalósítás

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 jövője az AI-képző klaszterek számára

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.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

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

Take the Slurm for AI Training Clusters quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

What is Slurm for AI Training Clusters?

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.

Milyen parancsot használnak a felhasználók általában egy kötegelt feladat elküldésére a Slurmnak?

Az sbatch egy kötegelt szkriptet küld el a Slurm sorba, amely leírja egy job erőforrásait és parancsait.

Hogyan kér egy Slurm-feladat GPU-kat?

A Generic Resource (GRES) rendszer lehetővé teszi, hogy a feladatok kifejezetten GPU-kat kérjenek, például --gres=gpu:8.

Melyik Slurm komponens hozza meg a központi ütemezési döntéseket?

A slurmctld a jobokat ütemező vezérlődémon, míg a slurmd minden csomóponton fut a feladatok elindításához.

Why can srun help launch distributed training tasks inside a Slurm allocation?

srun launches task steps in the allocation and exposes Slurm task information; distributed frameworks may still require explicit rendezvous settings.

Mi a célja a háttérkitöltés ütemezésének a Slurmban?

A háttérkitöltés javítja a kihasználtságot azáltal, hogy a kisebb munkákat az ütemezési hézagok közé illeszti, mindaddig, amíg azok nem szorítják vissza a fenntartott feladatokat.