NPU服务器上配置Lite Server资源软件环境

场景描述

本文旨在指导如何在Snt9b裸金属服务器上，进行磁盘合并挂载、安装docker等环境配置。在配置前请注意如下事项：

首次装机时需要配置存储、固件、驱动、网络访问等基础内容，这部分配置尽量稳定减少变化。
裸机上的开发形式建议开发者启动独立的Docker容器作为个人开发环境。Snt9b的裸机包含8卡算力资源，一般来说多人可以共用这个裸机完成开发与调测工作。多人使用为了避免冲突，建议各自在自己的docker容器中进行独立开发，并提前规划好每个人使用的具体卡号，避免相互影响。
ModelArts提供了标准化基础容器镜像，在容器镜像中已经预置了基础MindSpore或PyTorch框架和开发调测工具链，推荐用户直接使用该镜像，用户也可以使用自己的业务镜像或昇腾AscendHub提供的镜像。如果镜像中预置的软件版本不是您期望的版本，可以自行安装替换。
开发形式推荐通过容器中暴露的SSH端口以远程开发的模式(VSCode SSH Remote、 Xshell)连接到容器中进行开发，可以在容器中挂载宿主机的个人存储目录，用于存放代码和数据。

当前指导中很多操作步骤在最新发放的Snt9b裸机环境中已经预置，无需用户再手动配置，用户在操作中如发现某个步骤已有预置配置可直接跳过该步骤。

物理机环境配置

配置超时参数。

SSH登录到Server服务器后，查看机器配置的超时参数。
```
echo $TMOUT
```
如果该值为300，则代表默认空闲等待5分钟后会断开连接，可以增大该参数延长空闲等待时间（若值已经为0可跳过该步骤）。修改方法如下：
```
vim /etc/profile 
# 在文件最后修改TMOUT值，由300改为0，0表示不会空闲断开
export TMOUT=0
```
执行命令使其在当前terminal生效。
```
TMOUT=0
```
磁盘合并挂载。

成功购买裸金属服务器后，服务器上可能会有多个未挂载的nvme磁盘。因此在首次配置环境前，需要完成磁盘合并挂载。此操作需要放在最开始完成，避免使用一段时间后再挂载会冲掉用户已存储的内容。
1. 首先通过“lsblk”查看是否有3个7T的磁盘未挂载，如下图所示nvme0n1、nvme1n1、nvme2n1为未挂载。
  图1 磁盘未挂载
2. 如下图所示，每个盘后已有MOUNTPOINT，则代表已经执行过挂载操作，可跳过此章节，只用直接在/home目录下创建自己的个人开发目录即可。
  图2 磁盘已挂载
  执行自动化挂载脚本，将“/dev/nvme0n1”挂载在“/home”下供每个开发者创建自己的家目录，另两个合并挂载到“/docker”下供容器使用（如果不单独给“/docker”分配较大空间，当多人共用创建多个容器实例时容易将根目录占满）。
```
cd /root/tools/
sh create_disk_partitions.sh
```
  配置完成后，执行“df -h”可以看到新挂载的磁盘信息。
  图3 查看新挂载的磁盘
  
  磁盘合并挂载后，即可在“/home”下创建自己的工作目录，以自己的名字命名。
（可选）安装固件和驱动。
1. 查看环境信息。执行如下命令查看当前拿到的机器的固件和驱动版本。
```
npu-smi info -t board -i 1 | egrep -i "software|firmware"
```
  图4 查看固件和驱动版本
  
  其中firmware代表固件版本，software代表驱动版本，当前昇腾商用发布的最新版本为上图所示的版本，可以不用执行本章节后续的固件驱动安装步骤。
  
  如果机器上的版本不是所需的版本（例如需要换成社区最新调测版本），可以参考后续步骤进行操作。
2. 查看机器操作系统版本，以及架构是aarch64还是x86_64，并从昇腾官网获取相关的固件驱动包。固件包名称为“Ascend-hdk-型号-npu-firmware_版本号.run”，驱动包名称为“Ascend-hdk-型号-npu-driver_版本号_linux-aarch64.run”，商用版是权限受控，仅华为工程师和渠道用户有权限下载，下载地址请见固件驱动包下载链接。
```
arch
cat /etc/os-release
```
  图5 查看机器操作系统版本及架构
  
  下文均以适配EulerOS 2.0（SP10）和aarch64架构的包为例来进行讲解。
3. 安装固件和驱动包。
  1. 首先检查npu-smi工具是否可以正常使用，该工具必须能正常使用才能继续后面的固件驱动安装，输入命令“npu-smi info”，完整输出下图内容则为正常。
    如果命令未按照下图完整输出（比如命令报错或只输出了上半部分没有展示下面的进程信息），则需要先尝试恢复npu-smi工具（提交工单联系华为云技术支持），将npu-smi恢复后，再进行新版本的固件驱动安装。
    
    图6 检查npu-smi工具
  2. 工具检查正常后，进行固件和驱动安装。
    固件和驱动安装时，注意安装顺序：
    
    首次安装场景：硬件设备刚出厂时未安装驱动，或者硬件设备前期安装过驱动固件但是当前已卸载，上述场景属于首次安装场景，需按照“驱动->固件”的顺序安装驱动固件。
    
    覆盖安装场景：硬件设备前期安装过驱动固件且未卸载，当前要再次安装驱动固件，此场景属于覆盖安装场景，需按照“固件->驱动”的顺序安装固件驱动。
    通常Snt9b出厂机器有预装固件驱动，因此本案例中是“覆盖安装场景”，注意：
    1. 如果新装的固件驱动比环境上已有的版本低，只要npu-smi工具可用，也是直接装新软件包即可，不用先卸载环境上已有的版本。
    2. 如果固件驱动安装失败，可先根据报错信息在开发者社区搜索解决方案。
    安装命令如下：
    1. 安装固件，安装完后需要reboot重启机器。
      chmod 700 *.run # 注意替换成实际的包名 ./Ascend-hdk-型号-npu-firmware_版本号.run --full reboot
    2. 安装驱动，提示处输入“y”，安装完后直接生效不用重启机器。
      # 注意替换成实际的包名 ./Ascend-hdk-型号-npu-driver_版本号_linux-aarch64.run --full --install-for-all
    3. 安装完成后，执行下述命令检查固件和驱动版本，正常输出代表安装成功。
      npu-smi info -t board -i 1 | egrep -i "software|firmware"
      
      图7 检查固件和驱动版本
安装docker环境。
1. 先执行“docker -v”检查机器是否已安装docker，若已安装，则可跳过此步骤。
  安装docker命令如下。
```
yum install -y docker-engine.aarch64 docker-engine-selinux.noarch docker-runc.aarch64
```
  使用docker -v检查是否安装成功：
  图8 查看docker版本
2. 配置IP转发，用于容器内的网络访问。
  执行下述命令查看net.ipv4.ip_forward配置项值，如果为1，可跳过此步骤。
```
sysctl -p | grep net.ipv4.ip_forward
```
  如果不为1，执行下述命令配置IP转发。
```
sed -i 's/net\.ipv4\.ip_forward=0/net\.ipv4\.ip_forward=1/g' /etc/sysctl.conf 
sysctl -p | grep net.ipv4.ip_forward
```
3. 查看环境是否已安装并配置Ascend-docker-runtime。
```
docker info |grep Runtime
```
  如果输出的runtime为“ascend”，则代表已安装配置好，可跳过此步骤。
  图9 Ascend-docker-runtime查询
  若未安装，则单击链接下载社区版Ascend Docker Runtime，该软件包是昇腾提供的docker插件，在docker run时可以自动挂载昇腾driver等路径到容器，无需在启动容器时手工指定--device参数。下载好后将包上传到服务器并进行安装。
```
chmod 700 *.run
./Ascend-hdk-型号-npu-driver_版本号_linux-aarch64.run --install
```
  关于Ascend Docker Runtime的更多使用指导，请参考Ascend Docker Runtime用户指南。
4. 将新挂载的盘设置为docker容器使用路径。
  编辑“/etc/docker/daemon.json”文件内容，如果文件不存在则新建即可。
```
vim /etc/docker/daemon.json
```
  增加如下两项配置，注意insecure-registries行末尾增加一个逗号，保持json格式正确。其中“data_root”代表docker数据存储路径，“default-shm-size”代表容器启动默认分配的共享内容大小，不配置时默认为64M，可以根据需要改大，避免分布式训练时共享内存不足导致训练失败。
  图10 docker配置
  保存后，执行如下命令重启docker使配置生效。
```
systemctl daemon-reload && systemctl restart docker
```
（可选）安装pip。
1. 执行如下命令检查是否已安装pip且pip源正常访问，如果能正常执行，可跳过此章节。
```
pip install numpy
```
2. 若物理机上没有安装pip，可执行如下命令安装。
```
python -m ensurepip --upgrade
ln -s /usr/bin/pip3 /usr/bin/pip
```
3. 配置pip源。
```
mkdir -p ~/.pip
vim ~/.pip/pip.conf
```
  在“~/.pip/pip.conf”中写入如下内容。
```
[global]
index-url = http://mirrors.myhuaweicloud.com/pypi/web/simple
format = columns
[install]
trusted-host=mirrors.myhuaweicloud.com
```
RoCE网络测试。
1. 安装cann-toolkit。
  查看服务器是否已安装CANN Toolkit，如果显示有版本号则已安装。
```
cat /usr/local/Ascend/ascend-toolkit/latest/aarch64-linux/ascend_toolkit_install.info
```
  如果未安装，则需要从官网下载相关软件包，其中社区版可以直接下载（下载地址），商用版是权限受控，仅华为工程师和渠道用户有权限下载（下载链接）。
  安装CANN Toolkit，注意替换包名。
```
chmod 700 *.run
./Ascend-cann-toolkit_6.3.RC2_linux-aarch64.run --full --install-for-all
```
2. 安装mpich-3.2.1.tar.gz。
  单击此处下载，并执行以下命令安装。
```
mkdir -p /home/mpich
mv /root/mpich-3.2.1.tar.gz /home/
cd /home/;tar -zxvf mpich-3.2.1.tar.gz
cd /home/mpich-3.2.1
./configure --prefix=/home/mpich --disable-fortran
make && make install
```
3. 设置环境变量和编译hccl算子。
```
export PATH=/home/mpich/bin:$PATH
cd /usr/local/Ascend/ascend-toolkit/latest/tools/hccl_test
export LD_LIBRARY_PATH=/home/mpich/lib/:/usr/local/Ascend/ascend-toolkit/latest/lib64:$LD_LIBRARY_PATH
make MPI_HOME=/home/mpich ASCEND_DIR=/usr/local/Ascend/ascend-toolkit/latest
```
  算子编译完成后显示内容如下：
  图11 算子编译完成
4. 单机场景下进行all_reduce_test。
  进入hccl_test目录。
```
cd /usr/local/Ascend/ascend-toolkit/latest/tools/hccl_test
```
  若是单机单卡，则执行下述命令。
```
mpirun -n 1 ./bin/all_reduce_test -b 8 -e 1024M -f 2 -p 8 
```
  若是单机多卡，则执行下述命令。
```
mpirun -n 8 ./bin/all_reduce_test -b 8 -e 1024M -f 2 -p 8
```
  图12 all_reduce_test
5. 多机ROCE网卡带宽测试。
  1. 执行以下命令查看昇腾的RoCE IP。
```
cat /etc/hccn.conf
```
    图13 查看昇腾的RoCE IP
  2. RoCE测试。
    在Session1：在接收端执行-i卡id。
```
hccn_tool -i 7 -roce_test reset
hccn_tool -i 7 -roce_test ib_send_bw -s 4096000 -n 1000 -tcp
```
    在Session2：在发送端执行-i卡id，后面的ip为上一步接收端卡的ip。
```
cd /usr/local/Ascend/ascend-toolkit/latest/tools/hccl_test
hccn_tool -i 0 -roce_test reset
hccn_tool -i 0 -roce_test ib_send_bw -s 4096000 -n 1000 address 192.168.100.18 -tcp
```
    RoCE测试结果如图：
    
    图14 RoCE测试结果（接收端）
    
    图15 RoCE测试结果（服务端）
    当某网卡已经开始RoCE带宽测试时，再次启动任务会有如下报错：
    图16 报错信息
    
    需要执行下述命令后关闭roce_test任务后再启动任务。
    
    hccn_tool -i 7 -roce_test reset
    
    可执行如下命令查看网卡状态。
    for i in {0..7};do hccn_tool -i ${i} -link -g;done
    
    可执行如下命令查看单节点内网卡IP连通性。
    for i in $(seq 0 7);do hccn_tool -i $i -net_health -g;done

容器化个人调测环境搭建

准备业务基础镜像。

当前推荐的开发模式是在物理机上启动自己的docker容器进行开发。容器镜像可以使用自己的实际业务镜像，也可以使用ModelArts提供的基础镜像，ModelArts提供两种基础镜像：Ascend+PyTorch镜像、Ascend+MindSpore镜像。

根据所需要的环境拉取Ascend+PyTorch或Ascend+MindSpore镜像：

# 配套Snt9b的容器镜像，示例如下：
docker pull swr.<region-code>.myhuaweicloud.com/atelier/<image-name>:<image-tag>

启动容器镜像，注意多人多容器共用机器时，需要将卡号做好预先分配，不能使用其他容器已使用的卡号。

#  启动容器，请注意指定容器名称、镜像信息。ASCEND_VISIBLE_DEVICES指定容器要用的卡，0-1,3代表0 1 3这3块卡，-用于指定范围
# -v /home:/home_host是指将宿主机home目录挂载到容器home_host目录，建议在容器中使用该挂载目录进行代码和数据的存储，以便持久化保存数据
docker run -itd --cap-add=SYS_PTRACE -e ASCEND_VISIBLE_DEVICES=0  -v /home:/home_host -p 51234:22 -u=0 --name 自定义容器名称  上一步拉取的镜像SWR地址  /bin/bash

执行下述命令进入容器。

docker exec -ti 上一命令中的自定义容器名称 bash

执行下述命令进入conda环境。
```
source /home/ma-user/.bashrc
cd ~
```
查看容器中可以使用的卡信息。
```
npu-smi info
```
如果命令报如下错误，则代表容器启动时指定的“ASCEND_VISIBLE_DEVICES”卡号已被其他容器占用，此时需要重新选择卡号并重新启动新的容器。
图17 报错信息

npu-smi info检测正常后，可以执行一段命令进行简单的容器环境测试，能正常输出运算结果代表容器环境正常可用。

pytorch镜像测试：

python3 -c "import torch;import torch_npu; a = torch.randn(3, 4).npu(); print(a + a);"

mindspore镜像测试：

# 由于mindspore的run_check程序当前未适配Snt9b，需要先设置2个环境变量才能测试
unset MS_GE_TRAIN 
unset MS_ENABLE_GE
python -c "import mindspore;mindspore.set_context(device_target='Ascend');mindspore.run_check()"
# 测试完需要恢复环境变量，实际跑训练业务的时候需要用到
export MS_GE_TRAIN=1
export MS_ENABLE_GE=1

图18 进入conda环境并进行测试

（可选）配置容器SSH可访问。

若在开发时，需要使用VS Code或SSH工具直接连接到容器中进行开发，需要进行以下配置。
1. 进入容器后，执行SSH启动命令来启动SSH服务：
```
ssh-keygen  -A
/usr/sbin/sshd
#  查看ssh进程已启动
ps -ef |grep ssh
```
2. 设置容器root密码，根据提示输入密码：
```
passwd
```
  图19 设置root密码
3. 执行exit命令退出容器，在宿主机上执行ssh测试：
```
ssh root@宿主机IP -p 51234（映射的端口号）
```
  图20 执行ssh测试
  
  如果在宿主机执行ssh容器测试时报错Host key verification failed，可删除宿主机上的文件~/.ssh/known_host后再重试。
4. 使用VS Code SSH连接容器环境。
  如果之前未使用过VS Code SSH功能，可参考Step1 添加Remote-SSH插件进行VSCode环境安装和Remote-SSH插件安装。
  打开VSCode Terminal，执行如下命令在本地计算机生成密钥对，如果您已经有一个密钥对，则可以跳过此步骤：
```
ssh-keygen -t rsa
```
  将公钥添加到远程服务器的授权文件中，注意替换服务器IP以及容器的端口号：
```
cat ~/.ssh/id_rsa.pub | ssh root@服务器IP -p 容器端口号 "mkdir -p ~/.ssh && cat >>  ~/.ssh/authorized_keys"
```
  打开VSCode的Remote-SSH配置文件，添加SSH配置项，注意替换服务器IP以及容器的端口号：
```
Host Snt9b-dev
    HostName 服务器IP
    User root
    port 容器SSH端口号
    identityFile ~\.ssh\id_rsa
    StrictHostKeyChecking no
    UserKnownHostsFile /dev/null
    ForwardAgent yes
```
  注意：这里是使用密钥登录，如果需要使用密码登录，请去掉identityFile配置，并在连接过程中根据提示多次输入密码。
  
  连接成功后安装python插件，请参考安装Python插件。
（可选）安装CANN Toolkit。

当前ModelArts提供的预置镜像中已安装CANN Toolkit，如果需要替换版本或者使用自己的未预置CANN Toolkit的镜像，可参考如下章节进行安装。
1. 查看容器内是否已安装CANN Toolkit，如果显示有版本号则已安装：
```
cat /usr/local/Ascend/ascend-toolkit/latest/aarch64-linux/ascend_toolkit_install.info
```
2. 如果未安装或需要升级版本，则需要从官网下载相关软件包，其中社区版可以直接下载（下载地址），商用版是权限受控，仅华为工程师和渠道用户有权限下载（下载链接）。
  安装CANN Toolkit，注意替换包名。
```
chmod 700 *.run
./Ascend-cann-toolkit_6.3.RC2_linux-aarch64.run --full --install-for-all
```
3. 如果已安装，但需要升级版本，注意替换包名：
```
chmod 700 *.run
./Ascend-cann-toolkit_6.3.RC2_linux-aarch64.run --upgrade --install-for-all
```
（可选）安装MindSpore Lite。

当前预置镜像中已安装MindSpore Lite，如果需要替换版本或者使用自己的未预置MindSpore Lite的镜像，可参考如下章节进行安装。
1. 查看容器中是否已安装MS Lite，如果已经显示出mindspore-lite软件信息和版本号，则是已经安装好的：
```
pip show mindspore-lite
```
2. 如果未安装，则从官网下载包（下载链接），下载whl包和tar.gz包并执行安装，注意替换包名：
```
pip install mindspore_lite-2.1.0-cp37-cp37m-linux_aarch64.whl
mkdir -p /usr/local/mindspore-lite
tar -zxvf mindspore-lite-2.1.0-linux-aarch64.tar.gz -C /usr/local/mindspore-lite --strip-components 1
```
配置pip源和yum源。
- 配置pip源
   使用ModelArts提供的预置镜像中pip源已经直接配置好可用，如果用户使用自己的业务镜像，可参考5进行配置。
- 配置yum源
   执行如下命令配置yum源：
```
# 自动配置yum源
wget http://mirrors.myhuaweicloud.com/repo/mirrors_source.sh && bash mirrors_source.sh

# 测试
yum update --allowerasing --skip-broken --nobest
```
安装git-lfs并通过git clone下载代码。

git clone和git-lfs下载大模型可以参考如下操作。
1. 由于欧拉源上没有git-lfs包，所以需要从压缩包中解压使用，在浏览器中输入如下地址下载git-lfs压缩包并上传到服务器的/home目录下，该目录在容器启动时挂载到容器/home_host目录下，这样在容器中可以直接使用。
```
https://github.com/git-lfs/git-lfs/releases/download/v3.2.0/git-lfs-linux-arm64-v3.2.0.tar.gz
```
2. 进入容器，执行安装git-lfs命令。
```
cd /home_host
tar -zxvf git-lfs-linux-arm64-v3.2.0.tar.gz
cd git-lfs-3.2.0
sh install.sh
```
3. 设置git配置去掉ssl校验。
```
git config --global http.sslVerify false
```
4. git clone代码仓，以diffusers为例（注意替换用户个人开发目录）。
```
#  git clone diffusers源码，-b参数可指定分支，注意替换用户个人开发目录
cd /home_host/用户个人目录
mkdir sd
cd sd
git clone https://github.com/huggingface/diffusers.git -b v0.11.1-patch
```
  git clone Hugging Face上的模型，以SD模型为例。如果下载时若出现“SSL_ERROR_SYSCALL”报错，多重试几次即可。另外由于网络限制以及文件较大，下载可能很慢需要数个小时，如果重试多次还是失败，建议直接从网站下载大文件后上传到服务器/home目录的个人开发目录中。如果下载时需要跳过大文件，可以设置GIT_LFS_SKIP_SMUDGE=1。
```
git lfs install 
git clone https://huggingface.co/runwayml/stable-diffusion-v1-5 -b onnx
```
  图21 代码下载成功

容器环境保存镜像。

配置好环境后可以进行业务代码的开发调试。通常为了避免机器重启后环境丢失，建议将已经配好的环境保存成新的镜像，命令如下：

# 查看需要保存为镜像的容器ID 
docker ps  
# 保存镜像 
docker commit 容器ID  自定义镜像名:自定义镜像tag  
# 查看已保存的镜像 
docker images  
# 如果需要将镜像分享给其他人在其他环境使用，可将镜像保存为本地文件，该命令耗时较久，保存完后ls可查看到文件 
docker save -o 自定义名称.tar 镜像名:镜像tag  
# 其他机器上使用时加载文件，加载好后docker images即可查看到该镜像 
docker load --input 自定义名称.tar

到此环境配置就结束了，后续可以根据相关的迁移指导书做业务迁移到昇腾的开发调测工作。

父主题： 配置Lite Server软件环境

上一篇：配置Lite Server软件环境

下一篇：GPU服务器上配置Lite Server资源软件环境