Il prossimoProssima guida
Spazio di archiviazione per cluster di addestramento AI
Tecnico
GUIDA TECNICA
Slurm è un gestore del carico di lavoro open source che pianifica ed esegue lavori su cluster di elaborazione ad alte prestazioni ed è diventato una scelta predefinita per la formazione sull'intelligenza artificiale di grandi dimensioni.
Ascolta questa guidaNarrato dall'IA · ~2 min
It matters because it reliably distributes massive training runs across thousands of GPUs.
Slurm (Simple Linux Utility for Resource Management) ha avuto origine nel supercalcolo e ora alimenta molti dei più grandi cluster di formazione AI del mondo. Gli utenti inviano script batch con sbatch, richiedono risorse come nodi e GPU con direttive come --gres=gpu:8 e Slurm mette in coda, dà priorità e avvia il lavoro. Il suo lanciatore srun genera processi coordinati tra i nodi, che si accoppiano naturalmente con framework distribuiti come PyTorch DDP e NCCL. Slurm tiene traccia della contabilità delle risorse, applica limiti di equa condivisione e partizione e gestisce la pianificazione del recupero per inserire piccoli lavori nelle lacune. Per l'addestramento dei modelli di frontiera, i team si affidano a Slurm per gestire migliaia di GPU, riavviare dai checkpoint dopo guasti dei nodi e riservare capacità dedicata per lunghe esecuzioni di più settimane.
Un laboratorio di frontiera avvia un corso di formazione di più settimane su migliaia di GPU con un singolo script sbatch che richiede centinaia di nodi.
Un ricercatore invia "srun --gres=gpu:8" per acquisire otto GPU su un nodo per un esperimento DDP PyTorch.
La pianificazione del backfill inserisce un breve lavoro di valutazione nelle GPU inattive mentre un'ampia sessione di formazione riservata attende l'inizio.
Dopo che un nodo fallisce a metà esecuzione, Slurm rimette in coda il lavoro e riprende dall'ultimo checkpoint invece di ricominciare da capo.
Slurm continua ad aggiungere il cloud bursting, il supporto dei container tramite Pyxis ed Enroot e funzionalità più rigorose compatibili con la GPU. Man mano che i cluster AI raggiungono oltre 100.000 GPU, ci si aspetta una maggiore tolleranza agli errori, integrazione automatica del checkpoint-riavvio e processi elastici che si ridimensionano dopo gli errori. Molte organizzazioni ora eseguono Slurm insieme o sotto Kubernetes e gli scheduler ibridi mirano a combinare l'efficienza in stile HPC con la flessibilità nativa del cloud per cicli di formazione sempre più grandi.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Slurm è un gestore del carico di lavoro open source che pianifica ed esegue lavori su cluster di elaborazione ad alte prestazioni ed è diventato una scelta predefinita per la formazione sull'intelligenza artificiale di grandi dimensioni. È importante perché distribuisce in modo affidabile massicce sessioni di addestramento su migliaia di GPU.
sbatch invia uno script batch che descrive le risorse e i comandi per un lavoro alla coda Slurm.
Il sistema Generic Resource (GRES) consente ai processi di richiedere GPU in modo esplicito, ad esempio --gres=gpu:8.
slurmctld è il demone del controller che pianifica i lavori, mentre slurmd viene eseguito su ciascun nodo per avviare le attività.
srun launches task steps in the allocation and exposes Slurm task information; distributed frameworks may still require explicit rendezvous settings.
Il recupero migliora l'utilizzo inserendo lavori più piccoli nelle lacune di pianificazione purché non respingano i lavori prenotati.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Spazio di archiviazione per cluster di addestramento AI
Tecnico