文档中心

上云无忧 > 文档中心 > 腾讯云计算加速套件 TACO Kit - 在裸金属服务器上部署 TensorFlow 分布式训练集群
腾讯云
计算加速套件TACO Kit
简介/价格/文档
腾讯云计算加速套件 TACO Kit - 在裸金属服务器上部署 TensorFlow 分布式训练集群

文档简介：
操作场景： 本文介绍如何基于裸金属服务器搭建 Tensorflow+Taco Train 分布式训练集群。
*此产品及展示信息均由腾讯云官方提供。免费试用 咨询热线：400-826-7010，为您提供专业的售前咨询，让您快速了解云产品，助您轻松上云！ 微信咨询
  免费试用、价格特惠

操作场景

本文介绍如何基于裸金属服务器搭建 Tensorflow+Taco Train 分布式训练集群。

操作步骤

购买实例

购买实例，其中实例、存储及镜像请参考以下信息选择，其余配置请参考 通过购买页创建实例 按需选择。
实例：选择 GPU 型 HCCG5v、GPU 型 HCCG5vm 或 GPU 型 HCCPNV4h。
系统盘：配置容量不小于50GB的云硬盘。您也可在创建实例后使用文件存储，详情参见 在 Linux 客户端上使用 CFS 文件系统。
镜像：建议选择公共镜像，公共镜像当中已安装 RDMA 网卡驱动，且支持自动安装 GPU 驱动。若您选择自定义镜像，则需要自行安装 RDMA 网卡驱动和 GPU 驱动，请通过 联系我们 获取腾讯云售后支持。
操作系统请使用 CentOS 7.6。
若您选择公共镜像，则请勾选“后台自动安装GPU驱动”，实例将在系统启动后预装对应版本驱动。如下图所示：

安装 nv_peer_mem（可选）

多机通信的过程中，GPU 显存中的数据需要首先拷贝到内存中，然后通过网卡发出。通过 GPU Direct RDMA 协议，可利用 GPU 和网卡直接通过 PCIe 进行 Peer2Peer 的数据交换这条更快速的路径，无需借助内存来进行数据的传递。
如需使用 GDR 进行数据传输，请在实例中执行以下命令，安装如下驱动。 
		

			git clone https://github.com/Mellanox/nv_peer_memory.git
		


		

			cd ./nv_peer_memory/ && git checkout 1.0-9
		


		

			make && insmod ./nv_peer_mem.ko
		


		

			// 如果服务器发生了重启，nv_peer_mem驱动需要重新insmod

安装 docker 和 nvidia docker

1. 参见 使用标准登录方式登录 Linux 实例，登录实例。
2. 执行以下命令，安装 docker。 
		

			curl -s -L http://mirrors.tencent.com/install/GPU/taco/get-docker.sh | sudo bash
若您无法通过该命令安装，请尝试多次执行命令，或参考 Docker 官方文档 Install Docker Engine 进行安装。 本文以 CentOS 为例，安装成功后，返回结果如下图所示：

3. 执行以下命令，安装 nvidia-docker2。 
		

			curl -s -L http://mirrors.tencent.com/install/GPU/taco/get-nvidia-docker2.sh | sudo bash
若您无法通过该命令安装，请尝试多次执行命令，或参考 NVIDIA 官方文档 Installation Guide & mdash 进行安装。 本文以 CentOS 为例，安装成功后，返回结果如下图所示：

下载 docker 镜像

执行以下命令，下载 docker 镜像。 
		

			docker pull ccr.ccs.tencentyun.com/qcloud/taco-train:ttf115-cu112-bm-0.4.2
该镜像包含的软件版本信息如下：
OS：18.04.5
ofed: MLNX_OFED_LINUX-5.1-2.5.8.0
python：3.6.9
cuda toolkits：V11.2.152
cudnn library：8.1.1
nccl library：2.8.4
tencent-lightcc ：3.1.1
ttensorflow：1.15.5
其中：
LightCC 是腾讯云提供的基于 Horovod 深度定制优化的通信组件，完全兼容 Horovod API，不需要任何业务适配。
ttensorflow 是腾讯云基于开源 tensorflow 1.15.5添加了 CUDA 11的支持，同时集成了 TFRA，用来支持动态 embedding 的特性。如需了解更多信息，请参见 产品概述。

启动 docker 镜像

执行以下命令，启动 docker 镜像。 

		

			docker run -itd --rm --gpus all --shm-size=32g --ulimit memlock=-1 --ulimit
		


		

			 stack=67108864 --net=host --privileged ccr.ccs.tencentyun.com/qcloud/taco-train:ttf115-cu112-bm-0.4.2

注意
--privileged 选项使容器能够访问主机上的 RDMA 设备。

分布式训练 benchmark 测试

说明
docker 镜像中的文件 /mnt/tensorflow_synthetic_benchmark.py 来自 horovod example。

单卡
执行以下命令，进行测试。 

							

								/usr/local/openmpi/bin/mpirun -np 1 --allow-run-as-root -bind-to none -map-by slot
							


							

								 -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL_IB_GID_IND
							


							

								EX=3 -x NCCL_NET_GDR_LEVEL=0 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp_if_incl
							


							

								ude bond0 -mca btl ^openib python3 /mnt/tensorflow_synthetic_benchmark.py --model=ResNet50 --batch-size=256

下图为 HCCPNV4h/A100的单卡 benchmark 结果：

单机多卡
执行以下命令，进行测试。 

							

								/usr/local/openmpi/bin/mpirun -np 8 --allow-run-as-root -bind-to none -map-by slot
							


							

								 -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL_IB_GID_
							


							

								INDEX=3 -x NCCL_NET_GDR_LEVEL=0 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp
							


							

								_if_include bond0 -mca btl ^openib python3 /mnt/tensorflow_synthetic_benchmark.py
							


							

								 --model=ResNet50 --batch-size=256

下图为 HCCPNV4h/A100的8卡 benchmark 结果：

多机多卡
1. 参考 购买实例 - 启动 docker 镜像 步骤，购买和配置多台训练机器。
2. 配置多台服务器 docker 间相互免密访问，详情请参见 配置容器 SSH 免密访问。
3. 执行以下命令，使用 TACO Train 进行多机训练加速。 

							

								/usr/local/openmpi/bin/mpirun -np 16 -H gpu1:8,gpu2:8 --allow-run-as-root -bind-to none
							


							

								 -map-by slot -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL
							


							

								_IB_GID_INDEX=3 -x NCCL_NET_GDR_LEVEL=0 -x HOROVOD_FUSION_THRESHOLD=0 -x HOROVOD_CYCLE_TIME=
							


							

								0 -x LIGHT_INTRA_SIZE=8 -x LIGHT_2D_ALLREDUCE=1 -x LIGHT_TOPK_ALLREDUCE=1 -x LIGHT_TOPK_THRE
							


							

								SHOLD=2097152 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp_if_include bond0 -mca btl
							


							

								 ^openib python3 /mnt/tensorflow_synthetic_benchmark.py --model=ResNet50 --batch-size=256

下图为 HCCPNV4h/A100 2机16卡 benchmark 结果：

LightCC 的环境变量说明如下表：
环境变量
默认值
说明
LIGHT_2D_ALLREDUCE
0
是否使用2D-Allreduce 算法
LIGHT_INTRA_SIZE
8
2D-Allreduce 组内 GPU 数
LIGHT_HIERARCHICAL_THRESHOLD
1073741824
2D-Allreduce 的阈值，单位是字节，小于等于该阈值的数据才使用2D-Allreduce
LIGHT_TOPK_ALLREDUCE
0
是否使用 TOPK 压缩通信
LIGHT_TOPK_RATIO
0.01
使用 TOPK 压缩的比例
LIGHT_TOPK_THRESHOLD
1048576
TOPK 压缩的阈值，单位是字节，大于等于该阈值的数据才使用 TOPK 压缩通信
LIGHT_TOPK_FP16
0
压缩通信的 value 是否转成 FP16
4. 执行以下命令，关闭 TACO LightCC 加速进行测试。 

							

								# 去掉LIGHT_xx的环境变量，即可使用Horovod进行多机Allreduce
							


							

								/usr/local/openmpi/bin/mpirun -np 16 -H gpu1:8,gpu2:8 --allow-run-as-root -bind-to none -map
							


							

								-by slot -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL_IB_GID_IND
							


							

								EX=3 -x NCCL_NET_GDR_LEVEL=0 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp_if_include
							


							

								 bond0 -mca btl ^openib python3 /mnt/tensorflow_synthetic_benchmark.py --model=ResNet50 --batch-size=256

下图为 HCCPNV4h/A100 2机16卡，关闭 LightCC 之后的 benchmark 结果：

多机多卡 GDR
执行以下命令，使用 GDR 进行测试。
注意：
使用 GDR 需安装 nv_peer_mem，详情请参见 安装 nv_peer_mem。 

							

								/usr/local/openmpi/bin/mpirun -np 16 -H gpu1:8,gpu2:8 --allow-run-as-root -bind-to none 
							


							

								-map-by slot -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL_IB
							


							

								_GID_INDEX=3 -x NCCL_NET_GDR_LEVEL=2 -x HOROVOD_FUSION_THRESHOLD=0 -x HOROVOD_CYCLE_TIME=0 -x
							


							

								 LIGHT_INTRA_SIZE=8 -x LIGHT_2D_ALLREDUCE=1 -x LIGHT_TOPK_ALLREDUCE=1 -x LIGHT_TOPK_THRESHO
							


							

								LD=2097152 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp_if_include bond0 -mca btl ^
							


							

								openib python3 /mnt/tensorflow_synthetic_benchmark.py --model=ResNet50 --batch-size=256

GDR 通常在大模型或者集群规模较大时有显著的加速效果，测试结果如下图所示：

总结

本文使用环境及测试数据如下：
机器：HCCPNV4h（A100 * 8）+ 100G RDMA + 25G VPC
容器：ccr.ccs.tencentyun.com/qcloud/taco-train:ttf115-cu112-bm-0.4.2
网络模型：ResNet50Batch：256
数据：synthetic data
机型
#GPUs
Horovod+RDMA
LightCC+RDMA
性能（img/sec）
线性加速比
性能（img/sec）
线性加速比
HCCPNV4h A100
1
778
-
778
-
8
6104
98.07%
6104
98.07%
16
10790
86.68%
11779
94.63%
说明如下：
对于 HCCPNV4h/A100，相比开源方案，2机16卡通过 LightCC 可以将线性加速比从86.68%提升到94.63%。
上述 benchmark 也支持除 ResNet50之外的其他模型，ModelName 请参考 Keras Applications。
上述 docker 镜像仅用于 demo，若您需使用自己的 docker 开发环境，请参考 容器安装用户态 RDMA 驱动 安装网卡驱动。
如需特定 OS/python/CUDA/tensorflow 版本的 LightCC 加速组件，请通过 联系我们 联系腾讯云售后获取。
相似文档
官方微信
联系客服
400-826-7010
7x24小时客服热线
分享
  • QQ好友
  • QQ空间
  • 微信
  • 微博
返回顶部