SageMaker HyperPod クラスターの耐障害性

次のコード例を使用してスクリプトを作成し、 として保存しますtrain_auto_resume.sh。このスクリプトは、置き換えられたノードに対して以前に手動設定が行われていないことを前提として、トレーニング環境のセットアップをデプロイします。これにより、環境がノードに依存しないため、ノードが置き換えられると、ジョブを再開する前にノードで同じ環境がプロビジョニングされます。

#!/bin/bash

# Filename: train_auto_resume.sh
# Sample containerized script to launch a training job with a single srun which can be auto-resumed.

# Place your training environment setup here. 
# Example: Install conda, docker, activate virtual env, etc.

# Get the list of nodes for a given job
NODE_LIST=$(scontrol show jobid=$SLURM_JOBID | \ # Show details of the SLURM job
            awk -F= '/NodeList=/{print $2}' | \  # Extract NodeList field
            grep -v Exc)                         # Exclude nodes marked as excluded

# Determine the master node from the node list
MASTER_NODE=$(scontrol show hostname $NODE_LIST | \ # Convert node list to hostnames
              head -n 1)                            # Select the first hostname as master node

# Get the master node address
MASTER_ADDR=$(scontrol show node=$MASTER_NODE | \ # Show node information
              awk -F= '/NodeAddr=/{print $2}' | \ # Extract NodeAddr
              awk '{print $1}')                   # Print the first part of NodeAddr


# Torchrun command to launch the training job
torchrun_cmd="torchrun --nnodes=$SLURM_NNODES \
                       --nproc_per_node=1 \
                       --node_rank=$SLURM_NODE \
                       --master-addr=$MASTER_ADDR \
                       --master_port=1234 \
                       <your_training_script.py>"

# Execute the torchrun command in the 'pytorch' Conda environment, 
# streaming output live
/opt/conda/bin/conda run --live-stream -n pytorch $torchrun_cmd

ハードウェア障害が発生した場合--auto-resume=1にsrunコマンドを自動的に再試行する必要があることを示すフラグを追加して、 SageMaker HyperPod 自動再開を有効にしてジョブを起動します。

auto-resume を有効にしたsrunコマンドの例を次に示します。

スバッチの使用

環境を設定するためのロジックのほとんどが既に にあるためtrain_auto_resume.sh、バッチスクリプトはシンプルで、次のコード例に似ている必要があります。次のバッチスクリプトが として保存されるとしますbatch.sh。

#!/bin/bash
#SBATCH --nodes 2
#SBATCH --exclusive
srun --auto-resume=1 train_auto_resume.sh

次のコマンドを使用して、前述のバッチスクリプトを実行します。

sbatch batch.sh

salloc の使用

まず排他的な割り当てを取得し、 --auto-resumeフラグとエントリポイントスクリプトを使用して srun コマンドを実行します。

salloc -N 2 --exclusive
srun --auto-resume=1 train_auto_resume.sh