Tiếp theoHướng dẫn tiếp theo
Lưu trữ cho cụm Đào tạo AI
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Slurm cho các cụm đào tạo AI
Slurm là trình quản lý khối lượng công việc nguồn mở có chức năng lên lịch và điều hành các công việc trên các cụm điện toán hiệu suất cao và nó đã trở thành lựa chọn mặc định cho hoạt động đào tạo AI quy mô lớn.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
It matters because it reliably distributes massive training runs across thousands of GPUs.
Lặn sâu
Slurm (Tiện ích Linux đơn giản để quản lý tài nguyên) có nguồn gốc từ siêu máy tính và hiện cung cấp năng lượng cho nhiều cụm đào tạo AI lớn nhất thế giới. Người dùng gửi tập lệnh hàng loạt kèm theo sbatch, yêu cầu các tài nguyên như nút và GPU với các lệnh như --gres=gpu:8 và hàng đợi Slurm, ưu tiên và khởi chạy tác phẩm. Trình khởi chạy srun của nó tạo ra các quy trình phối hợp giữa các nút, kết hợp tự nhiên với các khung phân tán như PyTorch DDP và NCCL. Slurm theo dõi việc tính toán tài nguyên, thực thi các giới hạn chia sẻ và phân vùng công bằng, đồng thời xử lý việc lập kế hoạch chèn lấp để sắp xếp các công việc nhỏ vào các khoảng trống. Để đào tạo mô hình biên giới, các nhóm dựa vào Slurm để quản lý hàng nghìn GPU, khởi động lại từ các điểm kiểm tra sau khi nút bị lỗi và dự trữ công suất chuyên dụng cho các hoạt động kéo dài nhiều tuần.
Triển khai trong thế giới thực
Một phòng thí nghiệm ở biên giới triển khai một chương trình đào tạo kéo dài nhiều tuần trên hàng nghìn GPU với một tập lệnh sbatch duy nhất yêu cầu hàng trăm nút.
Một nhà nghiên cứu gửi 'srun --gres=gpu:8' để lấy tám GPU trên một nút cho thử nghiệm PyTorch DDP.
Lập kế hoạch chèn lấp sắp xếp một công việc đánh giá ngắn vào các GPU nhàn rỗi trong khi một đợt đào tạo dự trữ lớn đang chờ bắt đầu.
Sau khi một nút bị lỗi giữa chừng, Slurm sẽ yêu cầu công việc đó vào hàng đợi và nó sẽ tiếp tục lại từ điểm kiểm tra mới nhất thay vì bắt đầu lại.
Tương lai của Slurm cho các cụm đào tạo AI
Slurm tiếp tục bổ sung tính năng bùng nổ đám mây, hỗ trợ vùng chứa thông qua Pyxis và Enroot cũng như các tính năng nhận biết GPU chặt chẽ hơn. Khi các cụm AI mở rộng tới hơn 100.000 GPU, khả năng chịu lỗi sẽ cao hơn, tích hợp điểm kiểm tra-khởi động lại tự động và các tác vụ linh hoạt có thể thay đổi kích thước sau lỗi. Nhiều tổ chức hiện chạy Slurm cùng với hoặc bên dưới Kubernetes và các bộ lập lịch kết hợp nhằm mục đích kết hợp hiệu quả kiểu HPC với tính linh hoạt của nền tảng đám mây để thực hiện các đợt đào tạo lớn hơn bao giờ hết.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Slurm for AI Training Clusters quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Slurm for AI Training Clusters?
Slurm là trình quản lý khối lượng công việc nguồn mở có chức năng lên lịch và điều hành các công việc trên các cụm điện toán hiệu suất cao và nó đã trở thành lựa chọn mặc định cho hoạt động đào tạo AI quy mô lớn. Điều này quan trọng vì nó phân phối các chương trình đào tạo lớn trên hàng nghìn GPU một cách đáng tin cậy.
Người dùng thường sử dụng lệnh nào để gửi một công việc hàng loạt tới Slurm?
sbatch gửi một tập lệnh bó mô tả các tài nguyên và lệnh cho một công việc tới hàng đợi Slurm.
Công việc Slurm yêu cầu GPU như thế nào?
Hệ thống Tài nguyên chung (GRES) cho phép các công việc yêu cầu GPU một cách rõ ràng, ví dụ --gres=gpu:8.
Thành phần Slurm nào đưa ra quyết định lập lịch tập trung?
slurmctld là daemon điều khiển lên lịch công việc, trong khi slurmd chạy trên mỗi nút để khởi chạy các tác vụ.
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.
Mục đích của việc lập lịch chèn lấp trong Slurm là gì?
Chèn lấp cải thiện việc sử dụng bằng cách điều chỉnh các công việc nhỏ hơn vào các khoảng trống trong lịch trình miễn là chúng không đẩy lùi các công việc đã đặt trước.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này