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
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

从0制作自定义镜像用于创建训练作业(MindSpore+Ascend)

更新时间:2024-12-25 GMT+08:00

本案例介绍如何从0到1制作Ascend容器镜像,并使用该镜像在ModelArts平台上进行训练。镜像中使用的AI引擎是MindSpore,训练使用的资源是专属资源池的Ascend芯片。

场景描述

目标:构建安装如下软件的容器镜像,并在ModelArts平台上使用Ascend规格资源运行训练作业。

  • ubuntu-18.04
  • cann-6.3.RC2 (商用版本)
  • python-3.7.13
  • mindspore-2.1.1
说明:
  • 本教程以cann-6.3.RC2、mindspore-2.1.1为例介绍。
  • 本示例仅用于示意Ascend容器镜像制作流程,且在匹配正确的Ascend驱动/固件版本的专属资源池上运行通过。

操作流程

使用自定义镜像创建训练作业时,需要您熟悉docker软件的使用,并具备一定的开发经验。详细步骤如下所示:

  1. Step1 创建OBS桶和文件夹
  2. Step2 准备脚本文件并上传至OBS中
  3. Step3 制作自定义镜像
  4. Step4 上传镜像至SWR
  5. Step5 在ModelArts上创建Notebook并调试
  6. Step6 在ModelArts上创建训练作业

约束限制

  • 由于案例中需要下载商用版CANN,因此本案例仅面向有下载权限的渠道用户,非渠道用户建议参考其他自定义镜像制作教程。
  • Mindspore版本与CANN版本,CANN版本与Ascend驱动/固件版本均有严格的匹配关系,版本不匹配会导致训练失败。

Step1 创建OBS桶和文件夹

在OBS服务中创建桶和文件夹,用于存放样例数据集以及训练代码。如下示例中,请创建命名为“test-modelarts”的桶,并创建如表1所示的文件夹。

创建OBS桶和文件夹的操作指导请参见创建桶新建文件夹

请确保您使用的OBS与ModelArts在同一区域。

表1 OBS桶文件夹列表

文件夹名称

用途

obs://test-modelarts/ascend/demo-code/

用于存储Ascend训练脚本文件。

obs://test-modelarts/ascend/demo-code/run_ascend/

用于存储Ascend训练脚本的启动脚本。

obs://test-modelarts/ascend/log/

用于存储训练日志文件。

Step2 准备脚本文件并上传至OBS中

  1. 准备本案例所需训练脚本mindspore-verification.py文件和Ascend的启动脚本文件(共5个)。
    说明:

    mindspore-verification.py和run_ascend.py脚本文件在创建训练作业时的“启动命令”参数中调用,具体请参见启动命令

    run_ascend.py脚本运行时会调用common.py、rank_table.py、manager.py、fmk.py脚本。

  2. 上传训练脚本mindspore-verification.py文件至OBS桶的“obs://test-modelarts/ascend/demo-code/”文件夹下。
  3. 上传Ascend的启动脚本文件(共5个)至OBS桶的“obs://test-modelarts/ascend/demo-code/run_ascend/”文件夹下。

Step3 制作自定义镜像

此处介绍如何通过编写Dockerfile文件制作自定义镜像的操作步骤。

目标:构建安装好如下软件的容器镜像,并使用ModelArts训练服务运行。

  • ubuntu-18.04
  • cann-6.3.RC2(商用版本)
  • python-3.7.13
  • mindspore-2.1.1
说明:

Mindspore版本与CANN版本,CANN版本和Ascend驱动/固件版本均有严格的匹配关系,版本不匹配会导致训练失败。

本示例仅用于示意Ascend容器镜像制作流程,且在匹配正确的Ascend驱动/固件版本的专属资源池上运行通过。

  1. 准备一台Linux aarch64架构的主机,操作系统使用ubuntu-18.04。您可以准备相同规格的弹性云服务器ECS或者应用本地已有的主机进行自定义镜像的制作。

    购买ECS服务器的具体操作请参考购买并登录Linux弹性云服务器“CPU架构”选择“x86计算”“镜像”选择“公共镜像”,推荐使用Ubuntu18.04的镜像。

  2. 安装Docker。

    以Linux aarch64架构的操作系统为例,获取Docker安装包。您可以使用以下指令安装Docker。关于安装Docker的更多指导内容参见Docker官方文档

    curl -fsSL get.docker.com -o get-docker.sh
    sh get-docker.sh

    如果docker images命令可以执行成功,表示Docker已安装,此步骤可跳过。

    启动docker。
    systemctl start docker 
  3. 确认Docker Engine版本。执行如下命令。
    docker version | grep -A 1 Engine
    命令回显如下。
     Engine:
      Version:          18.09.0
    说明:

    推荐使用大于等于该版本的Docker Engine来制作自定义镜像。

  4. 准备名为context的文件夹。
    mkdir -p context
  5. 准备可用的pip源文件pip.conf。本示例使用华为开源镜像站提供的pip源,其pip.conf文件内容如下。
    [global]
    index-url = https://repo.huaweicloud.com/repository/pypi/simple
    trusted-host = repo.huaweicloud.com
    timeout = 120
    说明:

    在华为开源镜像站https://mirrors.huaweicloud.com/home中,搜索pypi,可以查看pip.conf文件内容。

  6. 准备可用的apt源文件Ubuntu-Ports-bionic.list。本示例使用华为开源镜像站提供的apt源,执行如下命令获取apt源文件。
    wget -O Ubuntu-Ports-bionic.list https://repo.huaweicloud.com/repository/conf/Ubuntu-Ports-bionic.list
    说明:

    在华为开源镜像站https://mirrors.huaweicloud.com/home中,搜索Ubuntu-Ports,可以查看获取apt源文件的命令。

  7. 下载CANN 6.3.RC2-linux aarch64与mindspore-2.1.1-cp37-cp37m-linux_aarch64.whl安装文件。
    • 下载run文件“Ascend-cann-nnae_6.3.RC2_linux-aarch64.run”(下载链接)。
    • 下载whl文件“mindspore-2.1.1-cp37-cp37m-linux_aarch64.whl”(下载链接)。
    说明:

    ModelArts当前仅支持CANN商用版本,不支持社区版。

  8. 下载Miniconda3安装文件。

    使用地址https://repo.anaconda.com/miniconda/Miniconda3-py37_4.10.3-Linux-aarch64.sh,下载Miniconda3-py37-4.10.3安装文件(对应python 3.7.10)。

  9. 将上述pip源文件、*.run文件、*.whl文件、Miniconda3安装文件放置在context文件夹内,context文件夹内容如下。
    context
    ├── Ascend-cann-nnae_6.3.RC2_linux-aarch64.run
    ├── mindspore-2.1.1-cp37-cp37m-linux_aarch64.whl
    ├── Miniconda3-py37_4.10.3-Linux-aarch64.sh
    ├── pip.conf
    └── Ubuntu-Ports-bionic.list
  10. 编写容器镜像Dockerfile文件。
    在context文件夹内新建名为Dockerfile的空文件,并将下述内容写入其中。
    # 容器镜像构建主机需要连通公网
    FROM arm64v8/ubuntu:18.04 AS builder
    
    # 基础容器镜像的默认用户已经是 root
    # USER root
    
    # 安装 OS 依赖(使用华为开源镜像站)
    COPY Ubuntu-Ports-bionic.list /tmp
    RUN cp -a /etc/apt/sources.list /etc/apt/sources.list.bak && \
        mv /tmp/Ubuntu-Ports-bionic.list /etc/apt/sources.list && \
        echo > /etc/apt/apt.conf.d/00skip-verify-peer.conf "Acquire { https::Verify-Peer false }" && \
        apt-get update && \
        apt-get install -y \
        # utils
        ca-certificates vim curl \
        # CANN 6.3.RC2
        gcc-7 g++ make cmake zlib1g zlib1g-dev openssl libsqlite3-dev libssl-dev libffi-dev unzip pciutils net-tools libblas-dev gfortran libblas3 && \
        apt-get clean && \
        mv /etc/apt/sources.list.bak /etc/apt/sources.list && \
        # 修改 CANN 6.3.RC2 安装目录的父目录权限,使得 ma-user 可以写入
        chmod o+w /usr/local
    
    RUN useradd -m -d /home/ma-user -s /bin/bash -g 100 -u 1000 ma-user
    
    # 设置容器镜像默认用户与工作目录
    USER ma-user
    WORKDIR /home/ma-user
    
    # 使用华为开源镜像站提供的 pypi 配置
    RUN mkdir -p /home/ma-user/.pip/
    COPY --chown=ma-user:100 pip.conf /home/ma-user/.pip/pip.conf
    
    # 复制待安装文件到基础容器镜像中的 /tmp 目录
    COPY --chown=ma-user:100 Miniconda3-py37_4.10.3-Linux-aarch64.sh /tmp
    
    # https://conda.io/projects/conda/en/latest/user-guide/install/linux.html#installing-on-linux
    # 安装 Miniconda3 到基础容器镜像的 /home/ma-user/miniconda3 目录中
    RUN bash /tmp/Miniconda3-py37_4.10.3-Linux-aarch64.sh -b -p /home/ma-user/miniconda3
    
    ENV PATH=$PATH:/home/ma-user/miniconda3/bin
    
    # 安装 CANN 6.3.RC2 Python Package 依赖
    RUN pip install numpy~=1.14.3 decorator~=4.4.0 sympy~=1.4 cffi~=1.12.3 protobuf~=3.11.3 \
        attrs pyyaml pathlib2 scipy requests psutil absl-py
    
    # 安装 CANN 6.3.RC2 至 /usr/local/Ascend 目录
    COPY --chown=ma-user:100 Ascend-cann-nnae_6.3.RC2_linux-aarch64.run /tmp
    RUN chmod +x /tmp/Ascend-cann-nnae_6.3.RC2_linux-aarch64.run && \
        /tmp/Ascend-cann-nnae_6.3.RC2_linux-aarch64.run --install --install-path=/usr/local/Ascend
    
    # 安装 MindSpore 2.1.1
    COPY --chown=ma-user:100 mindspore-2.1.1-cp37-cp37m-linux_aarch64.whl /tmp
    RUN chmod +x /tmp/mindspore-2.1.1-cp37-cp37m-linux_aarch64.whl && \
        pip install /tmp/mindspore-2.1.1-cp37-cp37m-linux_aarch64.whl
    
    # 构建最终容器镜像
    FROM arm64v8/ubuntu:18.04
    
    # 安装 OS 依赖(使用华为开源镜像站)
    COPY Ubuntu-Ports-bionic.list /tmp
    RUN cp -a /etc/apt/sources.list /etc/apt/sources.list.bak && \
        mv /tmp/Ubuntu-Ports-bionic.list /etc/apt/sources.list && \
        echo > /etc/apt/apt.conf.d/00skip-verify-peer.conf "Acquire { https::Verify-Peer false }" && \
        apt-get update && \
        apt-get install -y \
        # utils
        ca-certificates vim curl \
        # CANN 6.3.RC2
        gcc-7 g++ make cmake zlib1g zlib1g-dev openssl libsqlite3-dev libssl-dev libffi-dev unzip pciutils net-tools libblas-dev gfortran libblas3 && \
        apt-get clean && \
        mv /etc/apt/sources.list.bak /etc/apt/sources.list
    
    RUN useradd -m -d /home/ma-user -s /bin/bash -g 100 -u 1000 ma-user
    
    # 从上述 builder stage 中复制目录到当前容器镜像的同名目录
    COPY --chown=ma-user:100 --from=builder /home/ma-user/miniconda3 /home/ma-user/miniconda3
    COPY --chown=ma-user:100 --from=builder /home/ma-user/Ascend /home/ma-user/Ascend
    COPY --chown=ma-user:100 --from=builder /home/ma-user/var /home/ma-user/var
    COPY --chown=ma-user:100 --from=builder /usr/local/Ascend /usr/local/Ascend
    
    # 设置容器镜像预置环境变量
    # 请务必设置 CANN 相关环境变量
    # 请务必设置 Ascend Driver 相关环境变量
    # 请务必设置 PYTHONUNBUFFERED=1, 以免日志丢失
    ENV PATH=$PATH:/usr/local/Ascend/nnae/latest/bin:/usr/local/Ascend/nnae/latest/compiler/ccec_compiler/bin:/home/ma-user/miniconda3/bin \
        LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/Ascend/driver/lib64:/usr/local/Ascend/driver/lib64/common:/usr/local/Ascend/driver/lib64/driver:/usr/local/Ascend/nnae/latest/lib64:/usr/local/Ascend/nnae/latest/lib64/plugin/opskernel:/usr/local/Ascend/nnae/latest/lib64/plugin/nnengine \
        PYTHONPATH=$PYTHONPATH:/usr/local/Ascend/nnae/latest/python/site-packages:/usr/local/Ascend/nnae/latest/opp/built-in/op_impl/ai_core/tbe \
        ASCEND_AICPU_PATH=/usr/local/Ascend/nnae/latest \
        ASCEND_OPP_PATH=/usr/local/Ascend/nnae/latest/opp \
        ASCEND_HOME_PATH=/usr/local/Ascend/nnae/latest \
        PYTHONUNBUFFERED=1
    
    # 设置容器镜像默认用户与工作目录
    USER ma-user
    WORKDIR /home/ma-user

    关于Dockerfile文件编写的更多指导内容参见Docker官方文档

  11. 确认已创建完成Dockerfile文件。此时context文件夹内容如下。
    context
    ├── Ascend-cann-nnae_6.3.RC2_linux-aarch64.run
    ├── Dockerfile
    ├── mindspore-2.1.1-cp37-cp37m-linux_aarch64.whl
    ├── Miniconda3-py37_4.10.3-Linux-aarch64.sh
    ├── pip.conf
    └── Ubuntu-Ports-bionic.list
  12. 构建容器镜像。在Dockerfile文件所在的目录执行如下命令构建容器镜像。
    1
    docker build . -t mindspore:2.1.1-cann6.3.RC2
    
    构建过程结束时出现如下构建日志说明镜像构建成功。
    Successfully tagged mindspore:2.1.1-cann6.3.RC2
  13. 将制作完成的镜像上传至SWR服务,具体参见Step4 上传镜像至SWR

Step4 上传镜像至SWR

本章节介绍如何将制作好的镜像上传至SWR服务,方便后续在ModelArts上创建训练作业时调用。

  1. 登录容器镜像服务控制台,选择区域,要和ModelArts区域保持一致,否则无法选择到镜像。
  2. 单击右上角“创建组织”,输入组织名称完成组织创建。请自定义组织名称,本示例使用“deep-learning”,下面的命令中涉及到组织名称“deep-learning”也请替换为自定义的值。
  3. 单击右上角“登录指令”,获取登录访问指令,本文选择复制临时登录指令。
  4. 以root用户登录本地环境,输入复制的SWR临时登录指令。
  5. 上传镜像至容器镜像服务镜像仓库。
    1. 使用docker tag命令给上传镜像打标签。
      #region和domain信息请替换为实际值,组织名称deep-learning也请替换为自定义的值。
      sudo docker tag mindspore:2.1.1-cann6.3.RC2 swr.{region}.{domain}/deep-learning/mindspore:2.1.1-cann6.3.RC2
    2. 使用docker push命令上传镜像。
      #region和domain信息请替换为实际值,组织名称deep-learning也请替换为自定义的值。
      sudo docker push swr.{region}.{domain}/deep-learning/mindspore:2.1.1-cann6.3.RC2
  6. 完成镜像上传后,在“容器镜像服务控制台>我的镜像”页面可查看已上传的自定义镜像。

Step5 在ModelArts上创建Notebook并调试

  1. 将上传到SWR上的镜像注册到ModelArts的镜像管理中。

    登录ModelArts管理控制台,在左侧导航栏中选择“镜像管理 ”,单击“注册镜像”,根据界面提示注册镜像。注册后的镜像可以用于创建Notebook。

  2. 在Notebook中使用自定义镜像创建Notebook并调试,调试成功后,保存镜像。
    1. 在Notebook中使用自定义镜像创建Notebook操作请参见基于自定义镜像创建Notebook实例
    2. 保存Notebook镜像操作请参见保存Notebook镜像环境
  3. 已有的镜像调试成功后,再使用ModelArts训练模块训练作业

Step6 在ModelArts上创建训练作业

  1. 登录ModelArts管理控制台,在左侧导航栏中选择“模型训练 > 训练作业”,默认进入“训练作业”列表。
  2. “创建训练作业”页面,填写相关参数信息,然后单击“提交”
    • 创建方式:选择“自定义算法”
    • 启动方式:选择“自定义”
    • 镜像地址:
    • 代码目录:设置为OBS中存放启动脚本文件的目录,例如:“obs://test-modelarts/ascend/demo-code/”
    • 启动命令:“python ${MA_JOB_DIR}/demo-code/run_ascend/run_ascend.py python ${MA_JOB_DIR}/demo-code/mindspore-verification.py”
    • 资源池:选择专属资源池
    • 类型:选择驱动/固件版本匹配的专属资源池Ascend规格。
    • 作业日志路径:设置为OBS中存放训练日志的路径。例如:“obs://test-modelarts/ascend/log/”
  3. “规格确认”页面,确认训练作业的参数信息,确认无误后单击“提交”
  4. 训练作业创建完成后,后台将自动完成容器镜像下载、代码目录下载、执行启动命令等动作。

    训练作业一般需要运行一段时间,根据您的训练业务逻辑和选择的资源不同,训练时长将持续几十分钟到几小时不等。训练作业执行成功后,日志信息如图1所示。

    图1 专属资源池Ascend规格运行日志信息

训练mindspore-verification.py文件

mindspore-verification.py文件内容如下:

import os
import numpy as np
from mindspore import Tensor
import mindspore.ops as ops
import mindspore.context as context

print('Ascend Envs')
print('------')
print('JOB_ID: ', os.environ['JOB_ID'])
print('RANK_TABLE_FILE: ', os.environ['RANK_TABLE_FILE'])
print('RANK_SIZE: ', os.environ['RANK_SIZE'])
print('ASCEND_DEVICE_ID: ', os.environ['ASCEND_DEVICE_ID'])
print('DEVICE_ID: ', os.environ['DEVICE_ID'])
print('RANK_ID: ', os.environ['RANK_ID'])
print('------')

context.set_context(device_target="Ascend")
x = Tensor(np.ones([1,3,3,4]).astype(np.float32))
y = Tensor(np.ones([1,3,3,4]).astype(np.float32))

print(ops.add(x, y))

Ascend的启动脚本文件

  • run_ascend.py
    import sys
    import os
    
    from common import RunAscendLog
    from common import RankTableEnv
    
    from rank_table import RankTable, RankTableTemplate1, RankTableTemplate2
    
    from manager import FMKManager
    
    if __name__ == '__main__':
        log = RunAscendLog.setup_run_ascend_logger()
    
        if len(sys.argv) <= 1:
            log.error('there are not enough args')
            sys.exit(1)
    
        train_command = sys.argv[1:]
        log.info('training command')
        log.info(train_command)
    
        if os.environ.get(RankTableEnv.RANK_TABLE_FILE_V1) is not None:
            # new format rank table file
            rank_table_path = os.environ.get(RankTableEnv.RANK_TABLE_FILE_V1)
            RankTable.wait_for_available(rank_table_path)
            rank_table = RankTableTemplate1(rank_table_path)
        else:
            # old format rank table file
            rank_table_path_origin = RankTableEnv.get_rank_table_template2_file_path()
            RankTable.wait_for_available(rank_table_path_origin)
            rank_table = RankTableTemplate2(rank_table_path_origin)
    
        if rank_table.get_device_num() >= 1:
            log.info('set rank table %s env to %s' % (RankTableEnv.RANK_TABLE_FILE, rank_table.get_rank_table_path()))
            RankTableEnv.set_rank_table_env(rank_table.get_rank_table_path())
        else:
            log.info('device num < 1, unset rank table %s env' % RankTableEnv.RANK_TABLE_FILE)
            RankTableEnv.unset_rank_table_env()
    
        instance = rank_table.get_current_instance()
        server = rank_table.get_server(instance.server_id)
        current_instance = RankTable.convert_server_to_instance(server)
    
        fmk_manager = FMKManager(current_instance)
        fmk_manager.run(rank_table.get_device_num(), train_command)
        return_code = fmk_manager.monitor()
    
        fmk_manager.destroy()
    
        sys.exit(return_code)
    
  • common.py
    import logging
    import os
    
    logo = 'Training'
    
    
    # Rank Table Constants
    class RankTableEnv:
        RANK_TABLE_FILE = 'RANK_TABLE_FILE'
    
        RANK_TABLE_FILE_V1 = 'RANK_TABLE_FILE_V_1_0'
    
        HCCL_CONNECT_TIMEOUT = 'HCCL_CONNECT_TIMEOUT'
    
        # jobstart_hccl.json is provided by the volcano controller of Cloud-Container-Engine(CCE)
        HCCL_JSON_FILE_NAME = 'jobstart_hccl.json'
    
        RANK_TABLE_FILE_DEFAULT_VALUE = '/user/config/%s' % HCCL_JSON_FILE_NAME
    
        @staticmethod
        def get_rank_table_template1_file_dir():
            parent_dir = os.environ[ModelArts.MA_MOUNT_PATH_ENV]
            return os.path.join(parent_dir, 'rank_table')
    
        @staticmethod
        def get_rank_table_template2_file_path():
            rank_table_file_path = os.environ.get(RankTableEnv.RANK_TABLE_FILE)
            if rank_table_file_path is None:
                return RankTableEnv.RANK_TABLE_FILE_DEFAULT_VALUE
    
            return os.path.join(os.path.normpath(rank_table_file_path), RankTableEnv.HCCL_JSON_FILE_NAME)
    
        @staticmethod
        def set_rank_table_env(path):
            os.environ[RankTableEnv.RANK_TABLE_FILE] = path
    
        @staticmethod
        def unset_rank_table_env():
            del os.environ[RankTableEnv.RANK_TABLE_FILE]
    
    
    class ModelArts:
        MA_MOUNT_PATH_ENV = 'MA_MOUNT_PATH'
        MA_CURRENT_INSTANCE_NAME_ENV = 'MA_CURRENT_INSTANCE_NAME'
        MA_VJ_NAME = 'MA_VJ_NAME'
    
        MA_CURRENT_HOST_IP = 'MA_CURRENT_HOST_IP'
    
        CACHE_DIR = '/cache'
    
        TMP_LOG_DIR = '/tmp/log/'
    
        FMK_WORKSPACE = 'workspace'
    
        @staticmethod
        def get_current_instance_name():
            return os.environ[ModelArts.MA_CURRENT_INSTANCE_NAME_ENV]
    
        @staticmethod
        def get_current_host_ip():
            return os.environ.get(ModelArts.MA_CURRENT_HOST_IP)
    
        @staticmethod
        def get_job_id():
            ma_vj_name = os.environ[ModelArts.MA_VJ_NAME]
            return ma_vj_name.replace('ma-job', 'modelarts-job', 1)
    
        @staticmethod
        def get_parent_working_dir():
            if ModelArts.MA_MOUNT_PATH_ENV in os.environ:
                return os.path.join(os.environ.get(ModelArts.MA_MOUNT_PATH_ENV), ModelArts.FMK_WORKSPACE)
    
            return ModelArts.CACHE_DIR
    
    
    class RunAscendLog:
    
        @staticmethod
        def setup_run_ascend_logger():
            name = logo
            formatter = logging.Formatter(fmt='[run ascend] %(asctime)s - %(levelname)s - %(message)s')
    
            handler = logging.StreamHandler()
            handler.setFormatter(formatter)
    
            logger = logging.getLogger(name)
            logger.setLevel(logging.INFO)
            logger.addHandler(handler)
            logger.propagate = False
            return logger
    
        @staticmethod
        def get_run_ascend_logger():
            return logging.getLogger(logo)
    
  • rank_table.py
    import json
    import time
    import os
    
    from common import ModelArts
    from common import RunAscendLog
    from common import RankTableEnv
    
    log = RunAscendLog.get_run_ascend_logger()
    
    
    class Device:
        def __init__(self, device_id, device_ip, rank_id):
            self.device_id = device_id
            self.device_ip = device_ip
            self.rank_id = rank_id
    
    
    class Instance:
        def __init__(self, pod_name, server_id, devices):
            self.pod_name = pod_name
            self.server_id = server_id
            self.devices = self.parse_devices(devices)
    
        @staticmethod
        def parse_devices(devices):
            if devices is None:
                return []
            device_object_list = []
            for device in devices:
                device_object_list.append(Device(device['device_id'], device['device_ip'], ''))
    
            return device_object_list
    
        def set_devices(self, devices):
            self.devices = devices
    
    
    class Group:
        def __init__(self, group_name, device_count, instance_count, instance_list):
            self.group_name = group_name
            self.device_count = int(device_count)
            self.instance_count = int(instance_count)
            self.instance_list = self.parse_instance_list(instance_list)
    
        @staticmethod
        def parse_instance_list(instance_list):
            instance_object_list = []
            for instance in instance_list:
                instance_object_list.append(
                    Instance(instance['pod_name'], instance['server_id'], instance['devices']))
    
            return instance_object_list
    
    
    class RankTable:
        STATUS_FIELD = 'status'
        COMPLETED_STATUS = 'completed'
    
        def __init__(self):
            self.rank_table_path = ""
            self.rank_table = {}
    
        @staticmethod
        def read_from_file(file_path):
            with open(file_path) as json_file:
                return json.load(json_file)
    
        @staticmethod
        def wait_for_available(rank_table_file, period=1):
            log.info('Wait for Rank table file at %s ready' % rank_table_file)
            complete_flag = False
            while not complete_flag:
                with open(rank_table_file) as json_file:
                    data = json.load(json_file)
                    if data[RankTable.STATUS_FIELD] == RankTable.COMPLETED_STATUS:
                        log.info('Rank table file is ready for read')
                        log.info('\n' + json.dumps(data, indent=4))
                        return True
    
                time.sleep(period)
    
            return False
    
        @staticmethod
        def convert_server_to_instance(server):
            device_list = []
            for device in server['device']:
                device_list.append(
                    Device(device_id=device['device_id'], device_ip=device['device_ip'], rank_id=device['rank_id']))
    
            ins = Instance(pod_name='', server_id=server['server_id'], devices=[])
            ins.set_devices(device_list)
            return ins
    
        def get_rank_table_path(self):
            return self.rank_table_path
    
        def get_server(self, server_id):
            for server in self.rank_table['server_list']:
                if server['server_id'] == server_id:
                    log.info('Current server')
                    log.info('\n' + json.dumps(server, indent=4))
                    return server
    
            log.error('server [%s] is not found' % server_id)
            return None
    
    
    class RankTableTemplate2(RankTable):
    
        def __init__(self, rank_table_template2_path):
            super().__init__()
    
            json_data = self.read_from_file(file_path=rank_table_template2_path)
    
            self.status = json_data[RankTableTemplate2.STATUS_FIELD]
            if self.status != RankTableTemplate2.COMPLETED_STATUS:
                return
    
            # sorted instance list by the index of instance
            # assert there is only one group
            json_data["group_list"][0]["instance_list"] = sorted(json_data["group_list"][0]["instance_list"],
                                                                 key=RankTableTemplate2.get_index)
    
            self.group_count = int(json_data['group_count'])
            self.group_list = self.parse_group_list(json_data['group_list'])
    
            self.rank_table_path, self.rank_table = self.convert_template2_to_template1_format_file()
    
        @staticmethod
        def parse_group_list(group_list):
            group_object_list = []
            for group in group_list:
                group_object_list.append(
                    Group(group['group_name'], group['device_count'], group['instance_count'], group['instance_list']))
    
            return group_object_list
    
        @staticmethod
        def get_index(instance):
            # pod_name example: job94dc1dbf-job-bj4-yolov4-15
            pod_name = instance["pod_name"]
            return int(pod_name[pod_name.rfind("-") + 1:])
    
        def get_current_instance(self):
            """
            get instance by pod name
            specially, return the first instance when the pod name is None
            :return:
            """
            pod_name = ModelArts.get_current_instance_name()
            if pod_name is None:
                if len(self.group_list) > 0:
                    if len(self.group_list[0].instance_list) > 0:
                        return self.group_list[0].instance_list[0]
    
                return None
    
            for group in self.group_list:
                for instance in group.instance_list:
                    if instance.pod_name == pod_name:
                        return instance
            return None
    
        def convert_template2_to_template1_format_file(self):
            rank_table_template1_file = {
                'status': 'completed',
                'version': '1.0',
                'server_count': '0',
                'server_list': []
            }
    
            logic_index = 0
            server_map = {}
            # collect all devices in all groups
            for group in self.group_list:
                if group.device_count == 0:
                    continue
                for instance in group.instance_list:
                    if instance.server_id not in server_map:
                        server_map[instance.server_id] = []
    
                    for device in instance.devices:
                        template1_device = {
                            'device_id': device.device_id,
                            'device_ip': device.device_ip,
                            'rank_id': str(logic_index)
                        }
                        logic_index += 1
                        server_map[instance.server_id].append(template1_device)
    
            server_count = 0
            for server_id in server_map:
                rank_table_template1_file['server_list'].append({
                    'server_id': server_id,
                    'device': server_map[server_id]
                })
                server_count += 1
    
            rank_table_template1_file['server_count'] = str(server_count)
    
            log.info('Rank table file (Template1)')
            log.info('\n' + json.dumps(rank_table_template1_file, indent=4))
    
            if not os.path.exists(RankTableEnv.get_rank_table_template1_file_dir()):
                os.makedirs(RankTableEnv.get_rank_table_template1_file_dir())
    
            path = os.path.join(RankTableEnv.get_rank_table_template1_file_dir(), RankTableEnv.HCCL_JSON_FILE_NAME)
            with open(path, 'w') as f:
                f.write(json.dumps(rank_table_template1_file))
                log.info('Rank table file (Template1) is generated at %s', path)
    
            return path, rank_table_template1_file
    
        def get_device_num(self):
            total_device_num = 0
            for group in self.group_list:
                total_device_num += group.device_count
            return total_device_num
    
    
    class RankTableTemplate1(RankTable):
        def __init__(self, rank_table_template1_path):
            super().__init__()
            self.rank_table_path = rank_table_template1_path
            self.rank_table = self.read_from_file(file_path=rank_table_template1_path)
    
        def get_current_instance(self):
            current_server = None
            server_list = self.rank_table['server_list']
            if len(server_list) == 1:
                current_server = server_list[0]
            elif len(server_list) > 1:
                host_ip = ModelArts.get_current_host_ip()
                if host_ip is not None:
                    for server in server_list:
                        if server['server_id'] == host_ip:
                            current_server = server
                            break
                else:
                    current_server = server_list[0]
    
            if current_server is None:
                log.error('server is not found')
                return None
            return self.convert_server_to_instance(current_server)
    
        def get_device_num(self):
            server_list = self.rank_table['server_list']
            device_num = 0
            for server in server_list:
                device_num += len(server['device'])
            return device_num
    
  • manager.py
    import time
    import os
    import os.path
    import signal
    
    from common import RunAscendLog
    from fmk import FMK
    
    
    log = RunAscendLog.get_run_ascend_logger()
    
    
    class FMKManager:
        # max destroy time: ~20 (15 + 5)
        # ~ 15 (1 + 2 + 4 + 8)
        MAX_TEST_PROC_CNT = 4
    
        def __init__(self, instance):
            self.instance = instance
            self.fmk = []
            self.fmk_processes = []
            self.get_sigterm = False
            self.max_test_proc_cnt = FMKManager.MAX_TEST_PROC_CNT
    
        # break the monitor and destroy processes when get terminate signal
        def term_handle(func):
            def receive_term(signum, stack):
                log.info('Received terminate signal %d, try to destroyed all processes' % signum)
                stack.f_locals['self'].get_sigterm = True
    
            def handle_func(self, *args, **kwargs):
                origin_handle = signal.getsignal(signal.SIGTERM)
                signal.signal(signal.SIGTERM, receive_term)
                res = func(self, *args, **kwargs)
                signal.signal(signal.SIGTERM, origin_handle)
                return res
    
            return handle_func
    
        def run(self, rank_size, command):
            for index, device in enumerate(self.instance.devices):
                fmk_instance = FMK(index, device)
                self.fmk.append(fmk_instance)
    
                self.fmk_processes.append(fmk_instance.run(rank_size, command))
    
        @term_handle
        def monitor(self, period=1):
            # busy waiting for all fmk processes exit by zero
            # or there is one process exit by non-zero
    
            fmk_cnt = len(self.fmk_processes)
            zero_ret_cnt = 0
            while zero_ret_cnt != fmk_cnt:
                zero_ret_cnt = 0
                for index in range(fmk_cnt):
                    fmk = self.fmk[index]
                    fmk_process = self.fmk_processes[index]
                    if fmk_process.poll() is not None:
                        if fmk_process.returncode != 0:
                            log.error('proc-rank-%s-device-%s (pid: %d) has exited with non-zero code: %d'
                                      % (fmk.rank_id, fmk.device_id, fmk_process.pid, fmk_process.returncode))
                            return fmk_process.returncode
    
                        zero_ret_cnt += 1
                if self.get_sigterm:
                    break
                time.sleep(period)
    
            return 0
    
        def destroy(self, base_period=1):
            log.info('Begin destroy training processes')
            self.send_sigterm_to_fmk_process()
            self.wait_fmk_process_end(base_period)
            log.info('End destroy training processes')
    
        def send_sigterm_to_fmk_process(self):
            # send SIGTERM to fmk processes (and process group)
            for r_index in range(len(self.fmk_processes) - 1, -1, -1):
                fmk = self.fmk[r_index]
                fmk_process = self.fmk_processes[r_index]
                if fmk_process.poll() is not None:
                    log.info('proc-rank-%s-device-%s (pid: %d) has exited before receiving the term signal',
                             fmk.rank_id, fmk.device_id, fmk_process.pid)
                    del self.fmk_processes[r_index]
                    del self.fmk[r_index]
    
                try:
                    os.killpg(fmk_process.pid, signal.SIGTERM)
                except ProcessLookupError:
                    pass
    
        def wait_fmk_process_end(self, base_period):
            test_cnt = 0
            period = base_period
            while len(self.fmk_processes) > 0 and test_cnt < self.max_test_proc_cnt:
                for r_index in range(len(self.fmk_processes) - 1, -1, -1):
                    fmk = self.fmk[r_index]
                    fmk_process = self.fmk_processes[r_index]
                    if fmk_process.poll() is not None:
                        log.info('proc-rank-%s-device-%s (pid: %d) has exited',
                                 fmk.rank_id, fmk.device_id, fmk_process.pid)
                        del self.fmk_processes[r_index]
                        del self.fmk[r_index]
                if not self.fmk_processes:
                    break
    
                time.sleep(period)
                period *= 2
                test_cnt += 1
    
            if len(self.fmk_processes) > 0:
                for r_index in range(len(self.fmk_processes) - 1, -1, -1):
                    fmk = self.fmk[r_index]
                    fmk_process = self.fmk_processes[r_index]
                    if fmk_process.poll() is None:
                        log.warn('proc-rank-%s-device-%s (pid: %d) has not exited within the max waiting time, '
                                 'send kill signal',
                                 fmk.rank_id, fmk.device_id, fmk_process.pid)
                        os.killpg(fmk_process.pid, signal.SIGKILL)
    
  • fmk.py
    import os
    import subprocess
    import pathlib
    from contextlib import contextmanager
    
    from common import RunAscendLog
    from common import RankTableEnv
    from common import ModelArts
    
    log = RunAscendLog.get_run_ascend_logger()
    
    
    class FMK:
    
        def __init__(self, index, device):
            self.job_id = ModelArts.get_job_id()
            self.rank_id = device.rank_id
            self.device_id = str(index)
    
        def gen_env_for_fmk(self, rank_size):
            current_envs = os.environ.copy()
    
            current_envs['JOB_ID'] = self.job_id
    
            current_envs['ASCEND_DEVICE_ID'] = self.device_id
            current_envs['DEVICE_ID'] = self.device_id
    
            current_envs['RANK_ID'] = self.rank_id
            current_envs['RANK_SIZE'] = str(rank_size)
    
            FMK.set_env_if_not_exist(current_envs, RankTableEnv.HCCL_CONNECT_TIMEOUT, str(1800))
    
            log_dir = FMK.get_log_dir()
            process_log_path = os.path.join(log_dir, self.job_id, 'ascend', 'process_log', 'rank_' + self.rank_id)
            FMK.set_env_if_not_exist(current_envs, 'ASCEND_PROCESS_LOG_PATH', process_log_path)
            pathlib.Path(current_envs['ASCEND_PROCESS_LOG_PATH']).mkdir(parents=True, exist_ok=True)
    
            return current_envs
    
        @contextmanager
        def switch_directory(self, directory):
            owd = os.getcwd()
            try:
                os.chdir(directory)
                yield directory
            finally:
                os.chdir(owd)
    
        def get_working_dir(self):
            fmk_workspace_prefix = ModelArts.get_parent_working_dir()
            return os.path.join(os.path.normpath(fmk_workspace_prefix), 'device%s' % self.device_id)
    
        @staticmethod
        def get_log_dir():
            parent_path = os.getenv(ModelArts.MA_MOUNT_PATH_ENV)
            if parent_path:
                log_path = os.path.join(parent_path, 'log')
                if os.path.exists(log_path):
                    return log_path
    
            return ModelArts.TMP_LOG_DIR
    
        @staticmethod
        def set_env_if_not_exist(envs, env_name, env_value):
            if env_name in os.environ:
                log.info('env already exists. env_name: %s, env_value: %s ' % (env_name, env_value))
                return
    
            envs[env_name] = env_value
    
        def run(self, rank_size, command):
            envs = self.gen_env_for_fmk(rank_size)
            log.info('bootstrap proc-rank-%s-device-%s' % (self.rank_id, self.device_id))
    
            log_dir = FMK.get_log_dir()
            if not os.path.exists(log_dir):
                os.makedirs(log_dir)
    
            log_file = '%s-proc-rank-%s-device-%s.txt' % (self.job_id, self.rank_id, self.device_id)
            log_file_path = os.path.join(log_dir, log_file)
    
            working_dir = self.get_working_dir()
            if not os.path.exists(working_dir):
                os.makedirs(working_dir)
    
            with self.switch_directory(working_dir):
                # os.setsid: change the process(forked) group id to itself
                training_proc = subprocess.Popen(command, env=envs, preexec_fn=os.setsid,
                                                 stdout=subprocess.PIPE, stderr=subprocess.STDOUT)
    
                log.info('proc-rank-%s-device-%s (pid: %d)', self.rank_id, self.device_id, training_proc.pid)
    
                # https://docs.python.org/3/library/subprocess.html#subprocess.Popen.wait
                subprocess.Popen(['tee', log_file_path], stdin=training_proc.stdout)
    
                return training_proc
    

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