九游平台/ ai开发平台modelarts/ 最佳实践/ standard模型训练/ 基于modelarts standard运行gpu训练作业/ 在modelarts standard上运行gpu多机多卡训练作业
更新时间：2025-01-18 gmt 08:00
查看pdf

在modelarts standard上运行gpu多机多卡训练作业-九游平台

操作流程

  1. 准备工作：
    1. 购买服务资源（vpc/sfs/obs/swr/ecs）
    2. 配置权限
    3. 创建专属资源池（打通vpc）
    4. ecs服务器挂载sfs turbo存储
    5. 在ecs中设置modelarts用户可读权限
    6. 安装和配置obs命令行工具
    7. （可选）工作空间配置
  2. 模型训练：
    1. 线下容器镜像构建及调试
    2. 上传镜像
    3. 上传数据至obs（首次使用时需要）
    4. 上传算法至sfs
    5. 使用notebook进行代码调试
    6. 创建多机多卡训练作业

本地构建镜像及调试

本节通过打包conda env来构建环境，也可以通过pip install、conda install等方式安装conda环境依赖。

  • 容器镜像的大小建议小于15g，详细的自定义镜像规范要求请参见训练作业自定义镜像规范。
  • 建议通过开源的官方镜像来构建，例如pytorch的官方镜像。
  • 建议容器分层构建，单层容量不要超过1g、文件数不大于10w个。分层时，先构建不常变化的层，例如：先os，再cuda驱动，再python，再pytorch，再其他依赖包。
  • 如果训练数据和代码经常变动，则不建议把数据、代码放到容器镜像里，避免频繁地构建容器镜像。
  • 容器已经能满足隔离需求，不建议在容器内再创建多个conda env。
  1. 导出conda环境。
    1. 启动线下的容器镜像： 
      # run on terminal
docker run -ti ${your_image:tag}
    2. 在容器中输入如下命令，得到pytorch.tar.gz： 
      # run on container
# 基于想要迁移的base环境创建一个名为pytorch的conda环境
conda create --name pytorch --clone base
pip install conda-pack
#将pytorch env打包生成pytorch.tar.gz
conda pack -n pytorch -o pytorch.tar.gz
    3. 将打包好的压缩包传到本地： 
      # run on terminal
docker cp ${your_container_id}:/xxx/xxx/pytorch.tar.gz .
    4. 将pytorch.tar.gz上传到obs并设置公共读，并在构建时使用wget命令获取、解压、清理。
  2. 构建新镜像。

    基础镜像一般选用“ubuntu 18.04”的官方镜像，或者nvidia官方提供的带cuda驱动的镜像。相关镜像直接到dockerhub九游平台官网查找即可。

    构建流程：安装所需的apt包、驱动，配置ma-user用户、导入conda环境、配置notebook依赖。

    • 推荐使用dockerfile的方式构建镜像。这样既满足dockerfile可追溯及构建归档的需求，也保证镜像内容无冗余和残留。
    • 每层构建的时候都尽量把tar包等中间态文件删除，保证最终镜像更小，清理缓存的方法可参考：。
  3. 构建参考样例
    dockerfile样例： 
    from nvidia/cuda:11.3.1-cudnn8-devel-ubuntu18.04
user root
# section1: add user ma-user whose uid is 1000 and user group ma-group whose gid is 100. if there already exists 1000:100 but not ma-user:ma-group, below code will remove it
run default_user=$(getent passwd 1000 | awk -f ':' '{print $1}') || echo "uid: 1000 does not exist" && \
    default_group=$(getent group 100 | awk -f ':' '{print $1}') || echo "gid: 100 does not exist" && \
    if [ ! -z ${default_group} ] && [ ${default_group} != "ma-group" ]; then \
        groupdel -f ${default_group}; \
        groupadd -g 100 ma-group; \
    fi && \
    if [ -z ${default_group} ]; then \
        groupadd -g 100 ma-group; \
    fi && \
    if [ ! -z ${default_user} ] && [ ${default_user} != "ma-user" ]; then \
        userdel -r ${default_user}; \
        useradd -d /home/ma-user -m -u 1000 -g 100 -s /bin/bash ma-user; \
        chmod -r 750 /home/ma-user; \
    fi && \
    if [ -z ${default_user} ]; then \
        useradd -d /home/ma-user -m -u 1000 -g 100 -s /bin/bash ma-user; \
        chmod -r 750 /home/ma-user; \
    fi && \
    # set bash as default
    rm /bin/sh && ln -s /bin/bash /bin/sh
# section2: config apt source and install tools needed.
run sed -i "s@http://.*archive.ubuntu.com@http://repo.huaweicloud.com@g" /etc/apt/sources.list && \
    sed -i "s@http://.*security.ubuntu.com@http://repo.huaweicloud.com@g" /etc/apt/sources.list && \
    apt-get update && \
    apt-get install -y ca-certificates curl ffmpeg git libgl1-mesa-glx libglib2.0-0 libibverbs-dev libjpeg-dev libpng-dev libsm6 libxext6 libxrender-dev ninja-build screen sudo vim wget zip && \
    apt-get clean  && \
    rm -rf /var/lib/apt/lists/*
user ma-user
# section3: install miniconda and rebuild conda env
run mkdir -p /home/ma-user/work/ && cd /home/ma-user/work/ && \
    wget https://repo.anaconda.com/miniconda/miniconda3-py37_4.12.0-linux-x86_64.sh && \
    chmod 777 miniconda3-py37_4.12.0-linux-x86_64.sh && \
    bash miniconda3-py37_4.12.0-linux-x86_64.sh -bfp /home/ma-user/anaconda3 && \
    wget https://${bucketname}.obs.cn-north-4.myhuaweicloud.com/${folder_name}/pytorch.tar.gz && \
    mkdir -p /home/ma-user/anaconda3/envs/pytorch && \
    tar -xzf pytorch.tar.gz -c /home/ma-user/anaconda3/envs/pytorch && \
    source /home/ma-user/anaconda3/envs/pytorch/bin/activate && conda-unpack && \
    /home/ma-user/anaconda3/bin/conda init bash && \
    rm -rf /home/ma-user/work/*
env path=/home/ma-user/anaconda3/envs/pytorch/bin:$path
# section4: settings of jupyter notebook for pytorch env
run source /home/ma-user/anaconda3/envs/pytorch/bin/activate && \
    pip install ipykernel==6.7.0 --trusted-host https://repo.huaweicloud.com -i https://repo.huaweicloud.com/repository/pypi/simple && \
    ipython kernel install --user --env path /home/ma-user/anaconda3/envs/pytorch/bin:$path --name=pytorch && \
    rm -rf /home/ma-user/.local/share/jupyter/kernels/pytorch/logo-* && \
    rm -rf ~/.cache/pip/* && \
    echo 'export path=$path:/home/ma-user/.local/bin' >> /home/ma-user/.bashrc && \
    echo 'export ld_library_path=$ld_library_path:/usr/local/nvidia/lib64' >> /home/ma-user/.bashrc && \
    echo 'conda activate pytorch' >> /home/ma-user/.bashrc
env default_conda_env_name=pytorch

    dockerfile中的"https://${bucket_name}.obs.cn-north-4.myhuaweicloud.com/${folder_name}/pytorch.tar.gz"，需要替换为1中pytorch.tar.gz在obs上的路径（需将文件设置为公共读）。

    进入dockerfile目录，通过dockerfile构建镜像命令：

    # cd 到dockerfile所在目录下，输入构建命令
# docker build -t ${image_name}:${image_version} .
# 例如
docker build -t pytorch-1.13-cuda11.3-cudnn8-ubuntu18.04:v1 .
  4. 调试镜像

    建议把调试过程中的修改点通过dockerfile固化到容器构建正式流程，并重新测试。

    1. 确认对应的脚本、代码、流程在linux服务器上运行正常。

      如果在linux服务器上运行就有问题，那么先调通以后再做容器镜像。

    2. 确认打入镜像的文件是否在正确的位置、是否有正确的权限。

      训练场景主要查看自研的依赖包是否正常，查看pip list是否包含所需的包，查看容器直接调用的python是否是自己所需要的那个（如果容器镜像装了多个python，需要设置python路径的环境变量）。

    3. 测试训练启动脚本。
      1. 优先使用手工进行数据复制的工作并验证

        一般在镜像里不包含训练所用的数据和代码，所以在启动镜像以后需要手工把需要的文件复制进去。建议数据、代码和中间数据都放到"/cache"目录，防止正式运行时磁盘占满。建议linux服务器申请的时候，有足够大的内存（8g以上）以及足够大的硬盘（100g以上）。

        docker和linux的文件交互命令如下：

        docker cp data/ 39c9ceedb1f6:/cache/

        数据准备完成后，启动训练的脚本，查看训练是否能够正常拉起。一般来说，启动脚本为：

        cd /cache/code/ 
python start_train.py

        如果训练流程不符合预期，可以在容器实例中查看日志、错误等，并进行代码、环境变量的修正。

      2. 预制脚本测试整体流程

        一般使用run.sh封装训练外的文件复制工作（数据、代码：obs-->容器，输出结果：容器-->obs），run.sh的构建方法参考基于modelarts standard运行gpu训练作业。

        如果预置脚本调用结果不符合预期，可以在容器实例中进行修改和迭代。

      3. 针对专属池场景

        由于专属池支持sfs挂载，因此代码、数据的导入会更简单，甚至可以不用再关注obs的相关操作。

        可以直接把sfs的目录直接挂载到调试节点的"/mnt/sfs_turbo"目录，或者保证对应目录的内容和sfs盘匹配。

        调试时建议使用接近的方式，即：启动容器实例时使用"-v"参数来指定挂载某个宿主机目录到容器环境。

        docker run -ti -d -v /mnt/sfs_turbo:/sfs my_deeplearning_image:v1

        上述命令表示把宿主机的"/mnt/sfs_turbo"目录挂载到容器的"/sfs"目录，在宿主机和容器对应目录的所有改动都是实时同步的。

    4. 分析错误时：训练镜像先看日志，推理镜像先看api的返回。

      可以通过命令查看容器输出到stdout的所有日志：

      docker logs -f 39c9ceedb1f6

      一般在做推理镜像时，部分日志是直接存储在容器内部的，所以需要进入容器看日志。注意：重点对应日志中是否有error（包括，容器启动时、api执行时）。

    5. 牵扯部分文件用户组不一致的情况，可以在宿主机用root权限执行命令进行修改 
      docker exec -u root:root 39c9ceedb1f6 bash -c "chown -r ma-user:ma-user /cache"
    6. 针对调试中遇到的错误，可以直接在容器实例里修改，修改结果可以通过commit命令持久化。

上传镜像

客户端上传镜像，是指在安装了容器引擎客户端的机器上使用docker命令将镜像上传到容器镜像服务的镜像仓库。

如果容器引擎客户端机器为云上的ecs或cce节点，根据机器所在区域有两种网络链路可以选择：

  • 如果机器与容器镜像仓库在同一区域，则上传镜像走内网链路。
  • 如果机器与容器镜像仓库不在同一区域，则上传镜像走公网链路，机器需要绑定弹性公网ip。
  • 使用客户端上传镜像，镜像的每个layer大小不能大于10g。
  • 上传镜像的容器引擎客户端版本必须为1.11.2及以上。
  1. 连接容器镜像服务。
    1. 登录容器镜像服务控制台。
    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. 选择左侧导航栏的“总览”，单击页面右上角的“登录指令”，在弹出的页面中单击复制登录指令。
      • 此处生成的登录指令有效期为24小时，如果需要长期有效的登录指令，请参见获取长期有效登录指令。获取了长期有效的登录指令后，在有效期内的临时登录指令仍然可以使用。
      • 登录指令末尾的域名为镜像仓库地址，请记录该地址，后面会使用到。
    4. 在安装容器引擎的机器中执行上一步复制的登录指令。

      登录成功会显示“login succeeded”。

  2. 在安装容器引擎的机器上执行如下命令，为镜像打标签。

    docker tag [镜像名称1:版本名称1] [镜像仓库地址]/[组织名称]/[镜像名称2:版本名称2]

    • [镜像名称1:版本名称1]：${image_name}:${image_version}请替换为您所要上传的实际镜像的名称和版本名称。
    • [镜像仓库地址]：可在swr控制台上查询，即1.c中登录指令末尾的域名。
    • [组织名称]：/${organization_name}请替换为您创建的组织。
    • [镜像名称2:版本名称2]：${image_name}:${image_version}请替换为您期待的镜像名称和镜像版本。

    示例：

    docker tag ${image_name}:${image_version} swr.cn-north-4.myhuaweicloud.com/${organization_name}/${image_name}:${image_version}
  3. 上传镜像至镜像仓库。

    docker push [镜像仓库地址]/[组织名称]/[镜像名称2:版本名称2]

    示例：

    docker push swr.cn-north-4.myhuaweicloud.com/${organization_name}/${image_name}:${image_version}

    上传镜像完成后，返回容器镜像服务控制台，在“我的镜像”页面，执行刷新操作后可查看到对应的镜像信息。

上传数据至obs

  1. 登录imagenet数据集下载九游平台官网地址，下载imagenet21k数据集：
  2. 下载格式转换后的annotation文件：和。
  3. 下载完成后将上述3个文件数据上传至obs桶中的imagenet21k_whole文件夹中。上传方法请参考上传数据和算法到obs。

上传算法到sfs

  1. 下载swin-transformer代码。 
    git clone --recursive
  2. 修改lr_scheduler.py文件，把第27行：t_mul=1. 注释掉。
  3. 修改data文件夹下imagenet22k_dataset.py，把第28行：print("error img loaded: ", path) 注释掉。
  4. 修改data文件夹下的build.py文件，把第112行：prefix = 'ilsvrc2011fall_whole'，改为prefix = 'ilsvrc2021winner21k_whole'。
  5. 在swin-transformer目录下创建requirements.txt指定python依赖库： 
    # requirements.txt内容如下
timm==0.4.12
termcolor==1.1.0
yacs==0.1.8
  6. 准备run.sh文件中所需要的obs文件路径。
    1. 准备imagenet数据集的分享链接。

      勾选要分享的imagenet21k_whole数据集文件夹，单击分享按钮，选择分享链接有效期，自定义提取码，例如123456，单击“复制链接”，记录该链接。

    2. 准备“obsutil_linux_amd64.tar.gz”的分享链接。

      参考下载和安装obsutil下载“obsutil_linux_amd64.tar.gz”，将其上传至obs桶中，设置为公共读。单击属性，单击复制链接。

      链接样例如下：

      https://${bucketname_name}.obs.cn-north-4.myhuaweicloud.com/${folders_name}/pytorch.tar.gz
  7. 在swin-transformer目录下，创建运行脚本run.sh。
    • 脚本中的"src_data_path=${imagenet数据集在obs中分享链接}"，需要替换为上一步中的imagenet21k_whole文件夹分享链接。
    • 脚本中的"https://${bucket_name}.obs.cn-north-4.myhuaweicloud.com/${folder_name}/obsutil_linux_amd64.tar.gz"，需要替换为上一步中obsutil_linux_amd64.tar.gz在obs上的路径（需将文件设置为公共读）。

    单机单卡运行脚本：

    # 在代码主目录下创建一个run.sh，内容如下
#!/bin/bash
# 从obs中下载数据到本地ssd盘
dis_data_path=/cache
src_data_path=${imagenet数据集在obs中分享链接}
obsutil_path=https://${bucket_name}.obs.cn-north-4.myhuaweicloud.com/${folder_name}/obsutil_linux_amd64.tar.gz
mkdir -p $dis_data_path && cd $dis_data_path && wget $obsutil_path && tar -xzvf obsutil_linux_amd64.tar.gz && $dis_data_path/obsutil_linux_amd64*/obsutil share-cp $src_data_path $dis_data_path/ -ac=123456 -r -f -j 256 && cd -
image_data_path=$dis_data_path/imagenet21k_whole
master_port="6061"
/home/ma-user/anaconda3/envs/pytorch/bin/python -m torch.distributed.launch --nproc_per_node=1 --master_addr localhost --master_port=$master_port main.py --data-path $image_data_path --cfg ./configs/swin/swin_base_patch4_window7_224_22k.yaml --local_rank 0

    多机多卡运行脚本：

    # 创建run.sh
#!/bin/bash
# 从obs中下载数据到本地ssd盘
dis_data_path=/cache
src_data_path=${imagenet数据集在obs中分享链接}
obsutil_path=https://${bucket_name}.obs.cn-north-4.myhuaweicloud.com/${folder_name}/obsutil_linux_amd64.tar.gz
mkdir -p $dis_data_path && cd $dis_data_path && wget $obsutil_path && tar -xzvf obsutil_linux_amd64.tar.gz && $dis_data_path/obsutil_linux_amd64*/obsutil share-cp $src_data_path $dis_data_path/ -ac=123456 -r -f -j 256 && cd -
image_data_path=$dis_data_path/imagenet21k_whole
master_addr=$(echo ${vc_worker_hosts} | cut -d "," -f 1)
master_port="6060"
nnodes="$vc_worker_num"
node_rank="$vc_task_index"
ngpus_per_node="$ma_num_gpus"
/home/ma-user/anaconda3/envs/pytorch/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 main.py --data-path $image_data_path --cfg ./configs/swin/swin_base_patch4_window7_224_22k.yaml
    • 推荐先使用单机单卡运行脚本，待正常运行后再改用多机多卡运行脚本。
    • 多机多卡run.sh中的“vc_worker_hosts”、“vc_worker_num”、“vc_task_index”、“ma_num_gpus”为modelarts训练容器中预置的环境变量。训练容器环境变量详细介绍可参考查看训练容器环境变量。
  8. 通过obsutils，将代码文件夹放到obs上，然后通过obs将代码传至sfs相应目录中。
  9. 在sfs中将代码文件swin-transformer-main设置归属为ma-user。 
    chown -r ma-user:ma-group swin-transformer
  10. 执行以下命令，去除shell脚本的\r字符。 
    cd swin-transformer
sed -i 's/\r//' run.sh

    shell脚本在windows系统编写时，每行结尾是\r\n，而在linux系统中行每行结尾是\n，所以在linux系统中运行脚本时，会认为\r是一个字符，导致运行报错“$'\r': command not found”，因此需要去除shell脚本的\r字符。

使用notebook进行代码调试

由于notebook的/cache目录只能支持500g的存储，超过后会导致实例重启，imagenet数据集大小超过该限制，因此建议用线下资源调试、或用小批量数据集在notebook调试（notebook调试方法与使用notebook进行代码调试相同）。

创建多机多卡训练作业

  1. 登录modelarts管理控制台，检查当前账号是否已完成访问授权的配置。如未完成，请参考使用委托授权。针对之前使用访问密钥授权的用户，建议清空授权，然后使用委托进行授权。
  2. 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。
  3. 在“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：选择上传的自定义镜像。
    • 启动命令： 
      cd /home/ma-user/work/code/swin-transformer && /home/ma-user/anaconda3/envs/pytorch/bin/pip install -r requirements.txt && /bin/sh run.sh
    • 资源池：在“专属资源池”页签选择gpu规格的专属资源池。
    • 规格：选择所需gpu规格。
    • 计算节点个数：选择需要的节点个数。
    • sfs turbo：增加挂载配置，选择sfs名称，云上挂载路径为“/home/ma-user/work”。

      为了和notebook调试时代码路径一致，保持相同的启动命令，云上挂载路径需要填写为“/home/ma-user/work”。

  4. 单击“提交”，在“信息确认”页面，确认训练作业的参数信息，确认无误后单击“确定”。
  5. 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。

相关文档

网站地图