本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。
在 Slurm 計算節點上運行碼頭容器 SageMaker HyperPod
要使用 Slurm 運行碼頭容器 SageMaker HyperPod,您需要使用恩srun
srun
--container-image=
docker/image:tag
提示
在叢集建立期間,應該安裝 Docker、Enroot 和 Pyxis 套件,作為執行生命週期指令碼的一部分,如中所述。從提供的基礎生命週期指令碼開始 HyperPod建立 HyperPod 叢集時,請使用 HyperPod 服務團隊提供的基礎生命週期指令碼config.py
True
(enable_docker_enroot_pyxis=True
)。Config
這是由腳本調用和解析的lifecycle_script.py
utils
install_docker.sh
和install_enroot_pyxis.sh
腳本。安裝指令碼是實際安裝套件的位置。此外,安裝指令碼會識別它們是否可以從執行的執行個體偵測 NVMe 儲存路徑,並為 Docker 和 Enroot 設定根路徑。/opt/dlami/nvme
任何新執行個體的預設根磁碟區/tmp
只會掛載到 100GB EBS 磁碟區,如果您打算執行的工作負載涉及訓練 LLM 以及大型 Docker 容器,則該磁碟區就會耗盡。如果您將執行個體系列 (例如 P 和 G) 與本機 NVMe 儲存體搭配使用,則必須確定您使用附加於的 NVMe 儲存體/opt/dlami/nvme
,而安裝指令碼會處理組態程序。
檢查根路徑是否設定正確
在 Slurm 叢集的計算節點上 SageMaker HyperPod,執行下列命令以確保生命週期指令碼正常運作,且每個節點的根磁碟區設定為。/opt/dlami/nvme/*
以下命令顯示了檢查 Slurm 集群的 8 個計算節點的 Enroot 運行時路徑和數據根路徑的示例。
$
srun -N
8
cat /etc/enroot/enroot.conf | grep "ENROOT_RUNTIME_PATH"ENROOT_RUNTIME_PATH /opt/dlami/nvme/tmp/enroot/user-$(id -u) ... // The same or similar lines repeat 7 times
$
srun -N
8
cat /etc/docker/daemon.json{ "data-root": "/opt/dlami/nvme/docker/data-root" } ... // The same or similar lines repeat 7 times
確認執行階段路徑已正確設定為之後/opt/dlami/nvme/*
,就可以使用 Enroot 和 Pyxis 來建置和執行 Docker 容器了。
用泥漿測試碼頭工人
-
在您的計算節點上,嘗試以下命令來檢查 Docker 和 Enroot 是否已正確安裝。
$
docker --help
$
enroot --help
-
通過運行 NVIDIA CU
DA Ubuntu 映像之一測試 Pyxis 和恩魯特正確安裝。 $
srun --container-image=nvidia/cuda:
XX.Y.Z
-base-ubuntuXX.YY
nvidia-smipyxis: importing docker image: nvidia/cuda:XX.Y.Z-base-ubuntuXX.YY pyxis: imported docker image: nvidia/cuda:XX.Y.Z-base-ubuntuXX.YY DAY MMM DD HH:MM:SS YYYY +-----------------------------------------------------------------------------+ | NVIDIA-SMI 470.141.03 Driver Version: 470.141.03 CUDA Version: XX.YY | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |===============================+======================+======================| | 0 Tesla T4 Off | 00000000:00:1E.0 Off | 0 | | N/A 40C P0 27W / 70W | 0MiB / 15109MiB | 0% Default | | | | N/A | +-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+ | Processes: | | GPU GI CI PID Type Process name GPU Memory | | ID ID Usage | |=============================================================================| | No running processes found | +-----------------------------------------------------------------------------+
您也可以通過創建腳本並運行
sbatch
命令來測試它,如下所示。$
cat <<EOF >> container-test.sh #!/bin/bash #SBATCH --container-image=nvidia/cuda:
XX.Y.Z
-base-ubuntuXX.YY
nvidia-smi EOF$
sbatch container-test.sh
pyxis: importing docker image: nvidia/cuda:XX.Y.Z-base-ubuntuXX.YY pyxis: imported docker image: nvidia/cuda:XX.Y.Z-base-ubuntuXX.YY DAY MMM DD HH:MM:SS YYYY +-----------------------------------------------------------------------------+ | NVIDIA-SMI 470.141.03 Driver Version: 470.141.03 CUDA Version: XX.YY | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | | | | MIG M. | |===============================+======================+======================| | 0 Tesla T4 Off | 00000000:00:1E.0 Off | 0 | | N/A 40C P0 27W / 70W | 0MiB / 15109MiB | 0% Default | | | | N/A | +-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+ | Processes: | | GPU GI CI PID Type Process name GPU Memory | | ID ID Usage | |=============================================================================| | No running processes found | +-----------------------------------------------------------------------------+
使用 Docker 執行測試 Slurm 工作
使用 Docker 完成 Slurm 設置後,您可以攜帶任何預構建的 Docker 映像並使用 Slurm 運行。 SageMaker HyperPod下列範例使用案例會逐步引導您如何使用 Docker 和 Slurm 執行訓練工作。 SageMaker HyperPod它顯示了與模型 parallel 性(SMP)庫的駱駝 2 模型的模型平行培訓的示例工作。 SageMaker
-
如果您想要使用其中一個由 SageMaker 或 DLC 發佈的預先建置 ECR 映像檔,請確定您授與 HyperPod 叢集的權限,以便透過. 適用於的 IAM 角色 SageMaker HyperPod 如果您使用自己的圖像或開源 Docker 映像,則可以跳過此步驟。將下列權限新增至適用於的 IAM 角色 SageMaker HyperPod。在本教學課程中,我們會使用預先封裝在 SMP 程式庫中的 SMP 泊塢視窗映像檔。
{ "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "ecr:BatchCheckLayerAvailability", "ecr:BatchGetImage", "ecr-public:*", "ecr:GetDownloadUrlForLayer", "ecr:GetAuthorizationToken", "sts:*" ], "Resource": "*" } ] }
-
在計算節點上,複製存放庫,然後移至提供 SMP 訓練範例指令碼的資料夾。
$
git clone https://github.com/aws-samples/awsome-distributed-training/
$
cd awsome-distributed-training/3.test_cases/17.SM-modelparallelv2
-
在此教學課程中,請執行提取 SMP Docker 映像檔的範例指令碼
docker_build.sh
、建置 Docker 容器,然後以 Enroot 執行階段的形式執行。您可以根據需要修改它。 $
cat docker_build.sh
#!/usr/bin/env bash region=
us-west-2
dlc_account_id=658645717510
aws ecr get-login-password --region $region | docker login --username AWS --password-stdin $dlc_account_id.dkr.ecr.$region.amazonaws.com docker build -t smpv2 . enroot import -o smpv2.sqsh dockerd://smpv2:latest$
bash docker_build.sh
-
使用建立批次指令碼以啟動訓練工作
sbatch
。在本教學課程中,提供的範例指令碼會launch_training_enroot.sh
啟動 70 億個參數 Lamama 2 模型的模型 parallel 訓練工作,並在 8 個運算節點上使用合成資料集。在提供了一組培訓腳本 3.test_cases/17.SM-modelparallelv2/scripts
,並 launch_training_enroot.sh
作train_external.py
為入口點腳本。重要
若要在上使用 Docker 容器 SageMaker HyperPod,您必須將
/var/log
目錄從主機 (在本例中為 HyperPod 計算節點) 掛載到容器中的/var/log
目錄上。您可以通過為 Enroot 添加以下變量來設置它。"${HYPERPOD_PATH:="
/var/log/aws/clusters
":"/var/log/aws/clusters
"}"$
cat
launch_training_enroot.sh
#!/bin/bash # Copyright Amazon.com, Inc. or its affiliates. All Rights Reserved. # SPDX-License-Identifier: MIT-0 #SBATCH --nodes=
8
# number of nodes to use, 2 p4d(e) = 16 A100 GPUs #SBATCH --job-name=smpv2_llama
# name of your job #SBATCH --exclusive # job has exclusive use of the resource, no sharing #SBATCH --wait-all-nodes=1 set -ex; ########################### ###### User Variables ##### ########################### ######################### model_type=llama_v2
model_size=70b
# Toggle this to use synthetic data use_synthetic_data=1 # To run training on your own data set Training/Test Data path -> Change this to the tokenized dataset path in Fsx. Acceptable formats are huggingface (arrow) and Jsonlines. # Also change the use_synthetic_data to 0 export TRAINING_DIR=/fsx/path_to_data
export TEST_DIR=/fsx/path_to_data
export CHECKPOINT_DIR=$(pwd)/checkpoints # Variables for Enroot : "${IMAGE:=$(pwd)/smpv2.sqsh
}" : "${HYPERPOD_PATH:="/var/log/aws/clusters
":"/var/log/aws/clusters
"}"# This is needed for validating its hyperpod cluster
: "${TRAIN_DATA_PATH:=$TRAINING_DIR:$TRAINING_DIR}" : "${TEST_DATA_PATH:=$TEST_DIR:$TEST_DIR}" : "${CHECKPOINT_PATH:=$CHECKPOINT_DIR:$CHECKPOINT_DIR}" ########################### ## Environment Variables ## ########################### #export NCCL_SOCKET_IFNAME=en export NCCL_ASYNC_ERROR_HANDLING=1 export NCCL_PROTO="simple" export NCCL_SOCKET_IFNAME="^lo,docker" export RDMAV_FORK_SAFE=1 export FI_EFA_USE_DEVICE_RDMA=1 export NCCL_DEBUG_SUBSYS=off export NCCL_DEBUG="INFO" export SM_NUM_GPUS=8 export GPU_NUM_DEVICES=8 export FI_EFA_SET_CUDA_SYNC_MEMOPS=0 # async runtime error ... export CUDA_DEVICE_MAX_CONNECTIONS=1 ######################### ## Command and Options ## ######################### if [ "$model_size" == "7b" ]; then HIDDEN_WIDTH=4096 NUM_LAYERS=32 NUM_HEADS=32 LLAMA_INTERMEDIATE_SIZE=11008 DEFAULT_SHARD_DEGREE=8 # More Llama model size options elif [ "$model_size" == "70b" ]; then HIDDEN_WIDTH=8192 NUM_LAYERS=80 NUM_HEADS=64 LLAMA_INTERMEDIATE_SIZE=28672 # Reduce for better perf on p4de DEFAULT_SHARD_DEGREE=64 fi if [ -z "$shard_degree" ]; then SHARD_DEGREE=$DEFAULT_SHARD_DEGREE else SHARD_DEGREE=$shard_degree fi if [ -z "$LLAMA_INTERMEDIATE_SIZE" ]; then LLAMA_ARGS="" else LLAMA_ARGS="--llama_intermediate_size $LLAMA_INTERMEDIATE_SIZE " fi if [ $use_synthetic_data == 1 ]; then echo "using synthetic data" declare -a ARGS=( --container-image $IMAGE --container-mounts $HYPERPOD_PATH,$CHECKPOINT_PATH ) else echo "using real data...." declare -a ARGS=( --container-image $IMAGE --container-mounts $HYPERPOD_PATH,$TRAIN_DATA_PATH,$TEST_DATA_PATH,$CHECKPOINT_PATH ) fi declare -a TORCHRUN_ARGS=( # change this to match the number of gpus per node: --nproc_per_node=8
\ --nnodes=$SLURM_JOB_NUM_NODES \ --rdzv_id=$SLURM_JOB_ID \ --rdzv_backend=c10d
\ --rdzv_endpoint=$(hostname) \ ) srun -l "${ARGS[@]}" torchrun "${TORCHRUN_ARGS[@]}"/path_to/train_external.py
\ --train_batch_size4
\ --max_steps100
\ --hidden_width $HIDDEN_WIDTH \ --num_layers $NUM_LAYERS \ --num_heads $NUM_HEADS \ ${LLAMA_ARGS} \ --shard_degree $SHARD_DEGREE \ --model_type $model_type \ --profile_nsys1
\ --use_smp_implementation1
\ --max_context_width4096
\ --tensor_parallel_degree1
\ --use_synthetic_data $use_synthetic_data \ --training_dir $TRAINING_DIR \ --test_dir $TEST_DIR \ --dataset_typehf
\ --checkpoint_dir $CHECKPOINT_DIR \ --checkpoint_freq100
\$
sbatch
launch_training_enroot.sh
若要尋找可下載的程式碼範例,請參閱在 Awsome 分散式訓練存放庫中使用 SageMaker 模型 parallel 處理原則程式庫、Docker 和具有 Slurm 的 Enroot 執行模型平行訓練工作