计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
态势感知 SA
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive
文档首页/ AI开发平台ModelArts/ ModelArts用户指南(Lite Cluster)/ Lite Cluster资源使用/ 在Lite Cluster资源池上使用ranktable路由规划完成Pytorch NPU分布式训练

在Lite Cluster资源池上使用ranktable路由规划完成Pytorch NPU分布式训练

更新时间:2024-11-08 GMT+08:00

场景描述

ranktable路由规划是一种用于分布式并行训练中的通信优化能力,在使用NPU的场景下,支持对节点之间的通信路径根据交换机实际topo做网络路由亲和规划,进而提升节点之间的通信速度。

本案例介绍如何在ModelArts Lite场景下使用ranktable路由规划完成Pytorch NPU分布式训练任务,训练任务默认使用Volcano job形式下发到Lite资源池集群。

图1 任务示意图

约束与限制

  • 该功能只支持贵阳一区域,如果要在其他区域使用请联系技术支持。
  • ModelArts Lite资源池对应的CCE集群需要安装1.10.12及以上版本的华为云版Volcano插件。Volcano调度器的安装升级请参见Volcano调度器。仅华为云版Volcano插件支持开启路由加速特性。
  • 训练使用的Python版本是3.7或3.9,否则无法实现ranktable路由加速。
  • 训练作业的任务节点数要大于或等于3,否则会跳过ranktable路由加速。建议在大模型场景(512卡及以上)使用ranktable路由加速。
  • 脚本执行目录不能是共享目录,否则ranktable路由加速会失败。
  • 路由加速的原理是改变rank编号,所以代码中对rank的使用要统一,如果rank的使用不一致会导致训练异常。

操作步骤

  1. 开启ModelArts Lite资源池对应的CCE集群的cabinet插件。

    1. 在ModelArts Lite专属资源池列表,单击资源池名称,进入专属资源池详情页面。
    2. 在基本信息页面单击CCE集群,跳转到CCE集群详情页面。
    3. 在左侧导航栏选择“插件市场”,搜索“Volcano调度器”。
    4. 单击“编辑”,查看高级配置的“plugins”参数下是否有“{"name":"cabinet"}”
      • 是,则执行2
      • 否,则在高级配置的“plugins”参数下添加“{"name":"cabinet"}”,单击下方的“安装”使Volcano调度器更新配置,完成滚动重启。

  2. 修改torch_npu训练启动脚本。

    须知:

    脚本要使用torch.distributed.launch/run命令启动,不能使用mp.spawn命令启动,否则无法实现ranktable路由加速。

    在使用Pytorch训练时,需要将“RANK_AFTER_ACC”环境变量赋值给“NODE_RANK”,使得ranktable路由规划生效。训练启动脚本(xxxx_train.sh)示例如下。其中“MASTER_ADDR”“NODE_RANK”必须保持该赋值。

    #!/bin/bash
    
    # MASTER_ADDR
    MASTER_ADDR="${MA_VJ_NAME}-${MA_TASK_NAME}-${MA_MASTER_INDEX}.${MA_VJ_NAME}"
    NODE_RANK="$RANK_AFTER_ACC"
    NNODES="$MA_NUM_HOSTS"
    NGPUS_PER_NODE="$MA_NUM_GPUS"
    # self-define, it can be changed to >=10000 port
    MASTER_PORT="39888"
    
    # replace ${MA_JOB_DIR}/code/torch_ddp.py to the actutal training script
    PYTHON_SCRIPT=${MA_JOB_DIR}/code/torch_ddp.py
    PYTHON_ARGS=""
    
    # set hccl timeout time in seconds
    export HCCL_CONNECT_TIMEOUT=1800
    
    # replace ${ANACONDA_DIR}/envs/${ENV_NAME}/bin/python to the actual python
    CMD="${ANACONDA_DIR}/envs/${ENV_NAME}/bin/python -m torch.distributed.launch \
        --nnodes=$NNODES \
        --node_rank=$NODE_RANK \
        --nproc_per_node=$NGPUS_PER_NODE \
        --master_addr $MASTER_ADDR \
        --master_port=$MASTER_PORT \
        $PYTHON_SCRIPT \
        $PYTHON_ARGS
    "
    echo $CMD
    $CMD

  3. 在主机上新建“config.yaml”文件。

    “config.yaml”文件用于配置pod,代码示例如下。代码中的“xxxx_train.sh”即为2修改的训练启动脚本。

    apiVersion: batch.volcano.sh/v1alpha1
    kind: Job
    metadata:
      name: yourvcjobname                  # job名字,根据实际场景修改
      namespace: default            # 命名空间,根据实际场景修改
      labels:
        ring-controller.cce: ascend-1980   # 保持不动
        fault-scheduling: "force"
    spec:
      minAvailable: 6                       # 节点数,根据实际场景修改,对应分布式训练使用的节点数
      schedulerName: volcano                # 保持不动
      policies:
        - event: PodEvicted
          action: RestartJob
      plugins:
        configmap1980:
          - --rank-table-version=v2           # 保持不动,生成v2版本ranktablefile
        env: []
        svc:
          - --publish-not-ready-addresses=true   # 保持不动,pod间互相通信使用及生成一些必要环境变量
      maxRetry: 1
      queue: default
      tasks:
        - name: "worker"  # 保持不动
          replicas: 6                              # 任务数,对于pytorch而言就是节点数,与minAvailable一致即可
          template:
            metadata:
              annotations:
                cabinet: "cabinet"  # 保持不动,开启tor-topo下发的开关
              labels:
                app: pytorch-npu   # 标签,根据实际场景修改
                ring-controller.cce: ascend-1980  # 保持不动
            spec:
              affinity:
                podAntiAffinity:
                  requiredDuringSchedulingIgnoredDuringExecution:
                    - labelSelector:
                        matchExpressions:
                          - key: volcano.sh/job-name
                            operator: In
                            values:
                              - yourvcjobname   # job名字,根据实际场景修改
                      topologyKey: kubernetes.io/hostname
              containers:
                - image:  swr.xxxxxx.com/xxxx/custom_pytorch_npu:v1             # 镜像地址,根据实际场景修改
                  imagePullPolicy: IfNotPresent
                  name: pytorch-npu          # 容器名称,根据实际场景修改
                  env:
                    - name: OPEN_SCRIPT_ADDRESS     # 开放脚本地址,其中region-id根据实际region修改,例如cn-southwest-2
                      value: "https://mtest-bucket.obs.{region-id}.myhuaweicloud.com/acc/rank"
                    - name: NAME
                      valueFrom:
                        fieldRef:
                          fieldPath: metadata.name
                    - name: MA_CURRENT_HOST_IP                         # 保持不动,表示运行时当前pod所在节点的ip
                      valueFrom:
                        fieldRef:
                          fieldPath: status.hostIP
                    - name: MA_NUM_GPUS     # 每个pod使用的NPU卡数,根据实际场景修改
                      value: "8"
                    - name: MA_NUM_HOSTS   # 参与分布式训练的节点数,与minAvailable一致即可
                      value: "6"
                    - name: MA_VJ_NAME # volcano job名称
                      valueFrom:
                        fieldRef:
                          fieldPath: metadata.annotations['volcano.sh/job-name']
                    - name: MA_TASK_NAME #任务pod名称
                      valueFrom:
                        fieldRef:
                          fieldPath: metadata.annotations['volcano.sh/task-spec']
                  command:
                    - /bin/bash
                    - -c
                    - "wget ${OPEN_SCRIPT_ADDRESS}/bootstrap.sh -q && bash bootstrap.sh; export RANK_AFTER_ACC=${VC_TASK_INDEX}; rank_acc=$(cat /tmp/RANK_AFTER_ACC 2>/dev/null); [ -n \"${rank_acc}\" ] && export RANK_AFTER_ACC=${rank_acc};export MA_MASTER_INDEX=$(cat /tmp/MASTER_INDEX 2>/dev/null || echo 0); bash xxxx_train.sh" #  xxxx_train.sh换成实际训练脚本路径
                  resources:
                    requests:
                      huawei.com/ascend-1980: "8"                 # 每个节点的需求卡数,key保持不变。与MA_NUM_GPUS一致
                    limits:
                      huawei.com/ascend-1980: "8"                 # 每个节点的限制卡数,key保持不变。与MA_NUM_GPUS一致
                  volumeMounts:
                    - name: ascend-driver               #驱动挂载,保持不动
                      mountPath: /usr/local/Ascend/driver
                    - name: ascend-add-ons           #驱动挂载,保持不动
                      mountPath: /usr/local/Ascend/add-ons
                    - name: localtime
                      mountPath: /etc/localtime
                    - name: hccn                             # 驱动hccn配置,保持不动
                      mountPath: /etc/hccn.conf
                    - name: npu-smi
                      mountPath: /usr/local/sbin/npu-smi
              nodeSelector:
                accelerator/huawei-npu: ascend-1980
              volumes:
                - name: ascend-driver
                  hostPath:
                    path: /usr/local/Ascend/driver
                - name: ascend-add-ons
                  hostPath:
                    path: /usr/local/Ascend/add-ons
                - name: localtime
                  hostPath:
                    path: /etc/localtime
                - name: hccn
                  hostPath:
                    path: /etc/hccn.conf
                - name: npu-smi
                  hostPath:
                    path: /usr/local/sbin/npu-smi
              restartPolicy: OnFailure

  4. 执行如下命令,根据“config.yaml”创建并启动pod。容器启动后会自动执行训练作业。

    kubectl apply -f config.yaml

  5. 执行如下命令,检查pod启动情况。如果显示“1/1 running”状态代表启动成功。

    kubectl get pod
    图2 启动成功的回显

  6. 执行如下命令,查看日志。日志显示如图所示表示成功执行动态路由。

    kubectl logs {pod-name}

    其中{pod-name}替换为实际pod名称,可以在5的回显信息中获取。

    图3 成功执行动态路由的回显
    说明:

故障排除:ranktable路由优化执行失败

故障现象

容器日志有error信息。

可能原因

集群节点没有下发topo文件和ranktable文件。

操作步骤

  1. 在ModelArts Lite专属资源池列表,单击资源池名称,进入专属资源池详情页面。
  2. 在基本信息页面单击CCE集群,跳转到CCE集群详情页面。
  3. 在CCE集群详情页,选择左侧导航栏的“节点管理”,选择“节点”页签。
  4. 在节点列表,单击操作列的“更多 > 查看YAML”查看节点配置信息。
  5. 查看节点的yaml文件里“cce.kubectl.kubernetes.io/ascend-rank-table”字段是否有值。

    如图所示,表示有值,节点已开启topo文件和ranktable文件的下发。否则,联系技术支持处理。

    图4 查看节点的yaml文件

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容