Ejecute contenedores de Docker en un nodo de cómputo de Slurm en HyperPod

Para ejecutar contenedores Docker con Slurm activado SageMaker HyperPod, necesita usar Enroot y Pyxis. El paquete Enroot ayuda a convertir las imágenes de Docker en un entorno de ejecución que Slurm pueda entender, mientras que el Pyxis permite programar el tiempo de ejecución como una tarea de Slurm mediante un comando. srun srun --container-image=docker/image:tag

sugerencia

Los paquetes Docker, Enroot y Pyxis se deben instalar durante la creación del clúster como parte de la ejecución de los scripts del ciclo de vida, tal y como se indica en este artículo. Comience con los scripts básicos del ciclo de vida proporcionados por HyperPod Utilice los scripts básicos del ciclo de vida proporcionados por el equipo de HyperPod servicio al crear un clúster. HyperPod Estos scripts base están configurados para instalar los paquetes de forma predeterminada. En el config.pyscript, está la Config clase con el parámetro de tipo booleano para instalar los paquetes establecido en True ()enable_docker_enroot_pyxis=True. Esto lo llama y se analiza en el lifecycle_script.pyscript, que llama install_docker.sh y escribe desde la install_enroot_pyxis.sh carpeta. utils Los scripts de instalación son el lugar donde se llevan a cabo las instalaciones reales de los paquetes. Además, los scripts de instalación identifican si pueden detectar las rutas de NVMe almacenamiento desde las instancias en las que se ejecutan y configuran las rutas raíz para Docker y Enroot. /opt/dlami/nvme El volumen raíz predeterminado de cualquier instancia nueva se monta /tmp solo con un EBS volumen de 100 GB, que se agota si la carga de trabajo que planea ejecutar implica el entrenamiento de contenedores Docker LLMs y, por lo tanto, de gran tamaño. Si utilizas familias de instancias como P y G con NVMe almacenamiento local, asegúrate de utilizar el NVMe almacenamiento adjunto y de que los scripts de instalación se encargan de los procesos de configuración. /opt/dlami/nvme

Para comprobar si las rutas raíz están configuradas correctamente

En un nodo de cómputo de tu clúster de Slurm SageMaker HyperPod, ejecuta los siguientes comandos para asegurarte de que el script de ciclo de vida ha funcionado correctamente y que el volumen raíz de cada nodo está configurado en ese nivel. /opt/dlami/nvme/* Los siguientes comandos muestran ejemplos de cómo comprobar la ruta de tiempo de ejecución de Enroot y la ruta raíz de datos de 8 nodos de procesamiento de un clúster de Slurm.


$ 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

Una vez que confirme que las rutas de tiempo de ejecución están configuradas correctamente/opt/dlami/nvme/*, estará listo para crear y ejecutar contenedores de Docker con Enroot y Pyxis.

Para probar Docker con Slurm

En su nodo de cómputo, pruebe los siguientes comandos para comprobar si Docker y Enroot están instalados correctamente.
```
$ docker --help
$ enroot --help
```

Comprueba si Pyxis y Enroot se han instalado correctamente ejecutando una de las imágenes de Ubuntu. NVIDIA CUDA


$ srun --container-image=nvidia/cuda:XX.Y.Z-base-ubuntuXX.YY nvidia-smi
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                                                 |
+-----------------------------------------------------------------------------+

También puede probarlo creando un script y ejecutando un sbatch comando de la siguiente manera.


$ 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                                                 |
+-----------------------------------------------------------------------------+

Para ejecutar un trabajo de prueba de Slurm con Docker

Una vez que haya terminado de configurar Slurm con Docker, puede utilizar cualquier imagen de Docker prediseñada y ejecutarla con Slurm activado. SageMaker HyperPod El siguiente es un ejemplo de caso de uso que explica cómo realizar un trabajo de formación con Docker y Slurm on. SageMaker HyperPod Muestra un ejemplo de trabajo de entrenamiento en paralelo del modelo Llama 2 con la biblioteca de SageMaker modelos parallelism (). SMP

Si desea utilizar una de las ECR imágenes prediseñadas distribuidas por SageMaker oDLC, asegúrese de conceder a su HyperPod clúster los permisos necesarios para extraer imágenes a través de. ECR IAMrol para SageMaker HyperPod Si utilizas tu propia imagen de Docker o una imagen de código abierto, puedes saltarte este paso. Agregue los siguientes permisos a. IAMrol para SageMaker HyperPod En este tutorial, utilizamos la imagen de SMP Docker preempaquetada con la SMP biblioteca.
```
{
    "Version": "2012-10-17",
    "Statement": [
        {
            "Effect": "Allow",
            "Action": [
                "ecr:BatchCheckLayerAvailability",
                "ecr:BatchGetImage",
                "ecr-public:*",
                "ecr:GetDownloadUrlForLayer",
                "ecr:GetAuthorizationToken",
                "sts:*"
            ],
            "Resource": "*"
        }
    ]
}
```

En el nodo de cómputo, clona el repositorio y ve a la carpeta que contiene los ejemplos de scripts de entrenamiento. SMP


$ git clone https://github.com/aws-samples/awsome-distributed-training/
$ cd awsome-distributed-training/3.test_cases/17.SM-modelparallelv2

En este tutorial, ejecute el script de ejemplo docker_build.shque extrae la imagen de SMP Docker, crea el contenedor de Docker y lo ejecuta como un entorno de ejecución de Enroot. Puede modificarlo como desee.


$ 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

Cree un script por lotes para iniciar un trabajo de formación utilizandosbatch. En este tutorial, el script de ejemplo proporcionado launch_training_enroot.shinicia un trabajo de entrenamiento en paralelo con un modelo del modelo Llama 2 de 70 000 millones de parámetros con un conjunto de datos sintético en 8 nodos de cómputo. Se proporciona un conjunto de guiones de entrenamiento que se utilizan como guion de 3.test_cases/17.SM-modelparallelv2/scriptspunto de partidalaunch_training_enroot.sh. train_external.py

importante

Para utilizar un contenedor de Docker SageMaker HyperPod, debe montar el /var/log directorio de la máquina host, que es el nodo de HyperPod cómputo en este caso, en el /var/log directorio del contenedor. Puede configurarlo añadiendo la siguiente variable para Enroot.


"${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_size 4 \
            --max_steps 100 \
            --hidden_width $HIDDEN_WIDTH \
            --num_layers $NUM_LAYERS \
            --num_heads $NUM_HEADS \
            ${LLAMA_ARGS} \
            --shard_degree $SHARD_DEGREE \
            --model_type $model_type \
            --profile_nsys 1 \
            --use_smp_implementation 1 \
            --max_context_width 4096 \
            --tensor_parallel_degree 1 \
            --use_synthetic_data $use_synthetic_data \
            --training_dir $TRAINING_DIR \
            --test_dir $TEST_DIR \
            --dataset_type hf \
            --checkpoint_dir $CHECKPOINT_DIR \
            --checkpoint_freq 100 \

$ sbatch launch_training_enroot.sh

Para encontrar los ejemplos de código descargables, consulte Ejecutar un trabajo de formación en paralelo con modelos utilizando la biblioteca de paralelismo de SageMaker modelos, Docker y Enroot con Slurm en el repositorio Awsome Distributed Training. GitHub Para obtener más información sobre el entrenamiento distribuido con un clúster de Slurm activado, continúe con el siguiente tema en. SageMaker HyperPod Ejecute cargas de trabajo de formación distribuidas con Slurm activado HyperPod

Aviso JavaScript está desactivado o no está disponible en su navegador.

Para utilizar la documentación de AWS, debe estar habilitado JavaScript. Para obtener más información, consulte las páginas de ayuda de su navegador.

Convenciones del documento

Programa un trabajo de Slurm en un clúster SageMaker HyperPod

Ejecute cargas de trabajo de formación distribuidas con Slurm activado HyperPod