本文介绍了如何在GPU实例上基于NGC环境使用RAPIDS加速库，加速数据科学和机器学习任务，提高计算资源的使用效率。

前提条件

  • 使用本教程进行操作前，请确保您已经注册了阿里云账号并完成实名认证。详情请参见账号注册和个人实名认证 。
  • 获取NGC API Key。
    1. 在NGC注册页面注册NGC账号。
    2. 登录NGC网站。
    3. 前往CONFIGURATION页面，单击Get API Key。
    4. 单击Generate API Key。
    5. 在Generate a New API Key页面中，单击Confirm。
      说明 新的NGC API Key会覆盖旧的NGC API Key。如果您已持有NGC API Key，请确保不再需要旧的NGC API Key。
    6. 复制API Key并保存到本地。

背景信息

RAPIDS，全称Real-time Acceleration Platform for Integrated Data Science，是NVIDIA针对数据科学和机器学习推出的GPU加速库。更多RAPIDS信息请参见官方网站。

NGC，全称NVIDIA GPU CLOUD，是NVIDIA推出的一套深度学习生态系统，供开发者免费访问深度学习和机器学习软件堆栈，快速搭建相应的开发环境。NGC网站提供了RAPIDS的Docker镜像，预装了相关的开发环境。

JupyterLab是一套交互式的开发环境，帮助您高效地浏览、编辑和执行服务器上的代码文件。

Dask是一款轻量级大数据框架，可以提升并行计算效率。

本文提供了一套基于NVIDIA的RAPIDS Demo代码及数据集修改的示例代码，演示了在GPU实例上使用RAPIDS加速一个从ETL到ML Training端到端任务的过程。其中，ETL时使用RAPIDS的cuDF，ML Training时使用XGBoost。本文示例代码基于轻量级大数据框架Dask运行，为一套单机运行的代码。
说明 NVIDIA官方RAPIDS Demo代码请参见Mortgage Demo。
RAPIDS预装镜像已经发布到阿里云镜像市场，创建GPU实例时，您可以在镜像市场中搜索NVIDIA RAPIDS并使用RAPIDS预装镜像。
说明 该RAPIDS预装镜像使用Ubuntu 16.04 64-bit操作系统。

操作步骤

如果您创建GPU实例时使用了RAPIDS预装镜像，只需运行RAPIDS Demo，从启动JupyterLab服务开始操作即可。详情请参见启动JupyterLab服务。

如果您创建GPU实例时没有使用RAPIDS预装镜像，按照以下步骤使用RAPIDS加速机器学习任务：
  1. 步骤一：获取RAPIDS镜像下载命令
  2. 步骤二：部署RAPIDS环境
  3. 步骤三：运行RAPIDS Demo

步骤一：获取RAPIDS镜像下载命令

完成以下操作，获取RAPIDS镜像下载命令：

  1. 登录NGC网站。
  2. 打开MACHINE LEARNING页面，单击RAPIDS镜像。
  3. 获取docker pull命令。
    本文示例代码基于RAPIDS 0.8版本镜像编写，因此在运行本示例代码时，使用Tag为0.8版本的镜像。实际操作时，请选择您匹配的版本。
    1. 单击Tags页签。
    2. 找到并复制Tag信息。本示例中，选择0.8-cuda10.0-runtime-ubuntu16.04-gcc5-py3.6。
    3. 返回页面顶部，复制Pull Command中的命令到文本编辑器，将镜像版本替换为对应的Tag信息，并保存。
      本示例中，将cuda9.2-runtime-ubuntu16.04替换为0.8-cuda10.0-runtime-ubuntu16.04-gcc5-py3.6。

      保存的docker pull命令用于在步骤三中下载RAPIDS镜像。

步骤二：部署RAPIDS环境

完成以下操作，部署RAPIDS环境：

  1. 创建一台GPU实例。详细步骤请参见使用向导创建实例。
    参数配置说明如下：
    • 实例：RAPIDS仅适用于特定的GPU型号（采用NVIDIA Pascal及以上架构），因此您需要选择GPU型号符合要求的实例规格，目前有gn6i、gn6v、gn5和gn5i，详细的GPU型号请参见实例规格族。建议您选择显存更大的gn6i、gn6v或gn5实例。本示例中，选用了显存为16 GB的GPU实例。
    • 镜像：在镜像市场中搜索并使用NVIDIA GPU Cloud VM Image。
    • 公网带宽：选择分配公网IPv4地址或者在实例创建成功后绑定EIP地址。具体操作，请参见弹性公网IP文档中的绑定ECS实例。
    • 安全组：选择的安全组需要开放以下端口：
      • TCP 22 端口，用于SSH登录
      • TCP 8888端口，用于支持访问JupyterLab服务
      • TCP 8787端口、TCP 8786端口，用于支持访问Dask服务
  2. 连接GPU实例。连接方式请参见连接方式介绍。
  3. 输入NGC API Key后按回车键，登录NGC容器环境。
  4. 可选：运行nvidia-smi查看GPU型号、GPU驱动版本等GPU信息。
    建议您了解GPU信息，预判规避潜在问题。例如，如果NGC的驱动版本太低，新Docker镜像版本可能会不支持。
  5. 运行在步骤二中获取的docker pull命令下载RAPIDS镜像。
    docker pull nvcr.io/nvidia/rapidsai/rapidsai:0.8-cuda10.0-runtime-ubuntu16.04-gcc5-py3.6
  6. 可选：查看下载的镜像。
    建议您查看Docker镜像信息，确保下载了正确的镜像。 
    docker images
  7. 运行容器部署RAPIDS环境。
    docker run --runtime=nvidia \
        --rm -it \
        -p 8888:8888 \
        -p 8787:8787 \
        -p 8786:8786 \
        nvcr.io/nvidia/rapidsai/rapidsai:0.8-cuda10.0-runtime-ubuntu16.04-gcc5-py3.6

步骤三：运行RAPIDS Demo

完成以下操作，运行RAPIDS Demo：

  1. 在GPU实例上下载数据集和Demo文件。 
    # Get apt source address and download demos.
source_address=$(curl http://100.100.100.200/latest/meta-data/source-address|head -n 1)
source_address="${source_address}/opsx/ecs/linux/binary/machine_learning/"
cd /rapids
wget $source_address/rapids_notebooks_v0.8.tar.gz
tar -xzvf rapids_notebooks_v0.8.tar.gz
cd /rapids/rapids_notebooks_v0.8/xgboost
wget $source_address/data/mortgage/mortgage_2000_1gb.tgz
  2. 在GPU实例上启动JupyterLab服务。
    推荐直接使用命令启动。 
    # Run the following command to start JupyterLab and set the password.
cd /rapids/rapids_notebooks_v0.8/xgboost
jupyter-lab --allow-root --ip=0.0.0.0 --no-browser --NotebookApp.token='YOUR PASSWORD'
# Exit JupyterLab.
sh ../utils/stop-jupyter.sh
    • 除使用命令外，您也可以执行脚本sh ../utils/start-jupyter.sh启动jupyter-lab，此时无法设置登录密码。
    • 您也可以连续按两次Ctrl+C退出JupyterLab服务。
  3. 打开浏览器，在地址栏输入http://您的GPU实例IP地址:8888远程访问JupyterLab。
    说明 推荐使用Chrome浏览器。
    如果您在启动JupyterLab服务时设置了登录密码，会跳转到密码输入界面。
  4. 运行NoteBook代码。
    该案例是一个抵押贷款回归的任务，详细信息请参见代码执行过程。登录成功后，可以看到NoteBook代码的代码包括以下内容：
    • xgboost_E2E.ipynb文件： XGBoost Demo文件。双击文件可以查看文件详情，单击下图中的执行按钮可以逐步执行代码，每次执行一个Cell。
    • mortgage_2000_1gb.tgz文件： 2000年的抵押贷款回归训练数据（1G分割的perf文件夹下的文件不会大于1G，使用1G分割的数据可以更有效的利用GPU显存）。

代码执行过程

该案例基于XGBoost演示了数据预处理到训练的端到端的过程，主要分为三个阶段：
  • ETL（Extract-Transform-Load）：主要在GPU实例上进行。将业务系统的数据经过抽取、清洗转换之后加载到数据仓库。
  • Data Conversion：在GPU实例上进行。将在ETL阶段处理过的数据转换为用于XGBoost训练的DMatrix格式。
  • ML-Training：默认在GPU实例上进行。使用XGBoost训练梯度提升决策树 。

NoteBook代码的执行过程如下：

  1. 准备数据集。

    本案例的Shell脚本会默认下载2000年的抵押贷款回归训练数据（mortgage_2000_1gb.tgz）。

    如果您想获取更多数据用于XGBoost模型训练，可以设定参数download_url指定下载路径，具体下载地址请参见Mortgage Data。

    示例效果如下 ：
  2. 设定相关参数。
    参数名称 说明
    start_year 指定选择训练数据的起始时间，ETL时会处理start_year到end_year之间的数据。
    end_year 指定选择训练数据的结束时间，ETL时会处理start_year到end_year之间的数据。
    train_with_gpu 是否使用GPU进行XGBoost模型训练，默认为True。
    gpu_count 指定启动worker的数量，默认为1。您可以按需要设定参数值，但不能超出GPU实例的GPU数量。
    part_count 指定用于模型训练的performance文件的数量，默认为2 * gpu_count。如果参数值过大，在Data Conversion阶段会报错超出GPU内存限制，错误信息会在NoteBook后台输出。
    示例效果如下：
  3. 启动Dask服务。

    代码会启动Dask Scheduler，并根据gpu_count参数启动worker用于ETL和模型训练。启动Dask服务后，您也可以通过Dask Dashboard直观地监控任务，打开方法请参见Dask Dashboard。

    示例效果如下：
  4. 启动ETL。

    ETL阶段会进行到表关联、分组、聚合、切片等操作，数据格式采用cuDF库的DataFrame格式（类似于pandas的DataFrame格式）。

    示例效果如下：
  5. 启动Data Conversion。

    将DataFrame格式的数据转换为用于XGBoost训练的DMatrix格式，每个worker处理一个DMatrix对象。

    示例效果如下：
  6. 启动ML Training。

    使用dask-xgboost启动模型训练，dask-xgboost负责多个dask worker间的通信协同工作，底层仍然调用xgboost执行模型训练。

    示例效果如下：

Dask Dashboard

Dask Dashboard支持任务进度跟踪、任务性能问题识别和故障调试。

Dask服务启动后，在浏览器地址栏中访问http://您的GPU实例IP地址:8787/status即可进入Dashboard主界面。

相关函数

函数功能 函数名称
下载文件 def download_file_from_url(url, filename):
解压文件 def decompress_file(filename, path):
获取当前机器的GPU个数 def get_gpu_nums():
管理GPU内存
  • def initialize_rmm_pool():
  • def initialize_rmm_no_pool():
  • def run_dask_task(func, **kwargs):
提交DASK任务
  • def process_quarter_gpu(year=2000, quarter=1, perf_file=""):
  • def run_gpu_workflow(quarter=1, year=2000, perf_file="", **kwargs):
使用cuDF从CSV中加载数据
  • def gpu_load_performance_csv(performance_path, **kwargs):
  • def gpu_load_acquisition_csv(acquisition_path, **kwargs):
  • def gpu_load_names(**kwargs):
处理和提取训练数据的特征
  • def null_workaround(df, **kwargs):
  • def create_ever_features(gdf, **kwargs):
  • def join_ever_delinq_features(everdf_tmp, delinq_merge, **kwargs):
  • def create_joined_df(gdf, everdf, **kwargs):
  • def create_12_mon_features(joined_df, **kwargs):
  • def combine_joined_12_mon(joined_df, testdf, **kwargs):
  • def final_performance_delinquency(gdf, joined_df, **kwargs):
  • def join_perf_acq_gdfs(perf, acq, **kwargs):
  • def last_mile_cleaning(df, **kwargs):