备案控制台
文档
产品文档
输入文档关键字查找
首页

使用共享GPU调度实现仅共享不隔离能力

更新时间：
一键部署
产品详情
相关技术圈
我的收藏

某些场景下，您可能不需要GPU隔离模块参与共享GPU调度。例如，业务应用本身提供显存限制能力，类似于Java应用启动时，可以通过选项指定该应用能够使用的最大内存值。此时，如果使用GPU隔离模块隔离业务可能会导致不可预知的问题。因此，共享GPU调度功能支持在某些节点不安装GPU隔离模块。本文介绍如何不隔离模块配置共享GPU调度。

前提条件

步骤一：创建节点池

按照以下步骤创建不安装GPU隔离模块的节点池。

  1. 登录容器服务管理控制台，在左侧导航栏选择集群。

  2. 在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择节点管理 > 节点池。

  3. 在节点池页面，单击创建节点池，在创建节点池对话框，设置相关配置项，然后单击确认配置。

    主要配置项说明如下。更多关于配置项的说明，请参见创建节点池。

    • 期望节点数：设置节点池初始节点数量。如不需要创建节点，可以填写为0。

    • 节点标签：为集群节点添加共享GPU调度属性标签。关于标签的详细信息，请参见GPU节点调度属性标签说明。

      单击1图标，设置键为gpushare，值为true。

步骤二：提交任务

  1. 登录容器服务管理控制台，在左侧导航栏选择集群。

  2. 在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择工作负载 > 任务。

  3. 在任务页面，单击使用YAML创建资源，在创建页面的代码输入框输入以下示例代码，然后单击创建。

    apiVersion: batch/v1
kind: Job
metadata:
  name: tensorflow-mnist-share
spec:
  parallelism: 1
  template:
    metadata:
      labels:
        app: tensorflow-mnist-share
    spec:
      containers:
      - name: tensorflow-mnist-share
        image: registry.cn-beijing.aliyuncs.com/ai-samples/gpushare-sample:tensorflow-1.5
        command:
        - python
        - tensorflow-sample-code/tfjob/docker/mnist/main.py
        - --max_steps=100000
        - --data_dir=tensorflow-sample-code/data
        resources:
          limits:
            aliyun.com/gpu-mem: 4 # 总共申请4 GiB显存。
        workingDir: /root
      restartPolicy: Never

    代码解析如下。

    • 该YAML定义一个使用TensorFlow minist样例的Job，Job中有一个Pod，该Pod申请4 GiB显存。

    • 申请的4 GiB显存通过在Pod的resources.limits字段中定义aliyun.com/gpu-mem: 4实现。

步骤三：验证仅共享不隔离能力

  1. 登录容器服务管理控制台，在左侧导航栏选择集群。

  2. 在集群列表页面，单击目标集群名称，然后在左侧导航栏，选择工作负载 > 容器组。

  3. 在容器组页面，单击步骤二创建的容器右侧操作列的终端 > tensorflow-mnist-share，登录容器。

  4. 执行以下命令，查看应用的显存情况。

    nvidia-smi

    预期输出：

    Wed Jun 14 06:45:56 2023
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 515.105.01   Driver Version: 515.105.01   CUDA Version: 11.7     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  Tesla V100-SXM2...  On   | 00000000:00:09.0 Off |                    0 |
| N/A   35C    P0    59W / 300W |    334MiB / 16384MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+

    输出表明，Pod内部整张GPU卡的总显存为16384 MiB（本文示例使用的GPU卡型为V100），而在有隔离模块参与的场景下，该值与Pod申请值4 GiB一致，说明配置生效。

    业务应用需要从以下两个环境变量中读取该业务能够使用的显存值。

    ALIYUN_COM_GPU_MEM_CONTAINER=4 # 该Pod能够使用的显存值。
ALIYUN_COM_GPU_MEM_DEV=16 # 每张GPU卡总共的显存值。

    如果应用需要的是显存的百分比，也就是该应用使用的显存占GPU卡总显存的百分比。可以使用上述两个环境变量得出，具体计算公式如下。

    percetange = ALIYUN_COM_GPU_MEM_CONTAINER / ALIYUN_COM_GPU_MEM_DEV = 4 / 16 = 0.25

相关文档

  • 本页导读 （1）
文档反馈