关闭对应用的GPU隔离能力

适用场景

本文示例适用于已开启共享GPU显存隔离能力的专有版GPU集群及ACK Pro版集群。

前提条件

已安装共享GPU组件。具体操作，请参见安装共享GPU组件或安装共享GPU调度组件。

操作步骤

1. 执行以下命令查询集群的GPU共享能力。

   kubectl inspect cgpu

   预期输出：

   NAME                      IPADDRESS      GPU0(Allocated/Total)  GPU Memory(GiB)
   cn-beijing.192.16x.x.xx3  192.16x.x.xx3  0/15                   0/15
   cn-beijing.192.16x.x.xx1  192.16x.x.xx1  0/15                   0/15
   cn-beijing.192.16x.x.xx2  192.16x.x.xx2  0/15                   0/15
   ---------------------------------------------------------------------
   Allocated/Total GPU Memory In Cluster:
   0/45 (0%)

   说明

   如果您想查询GPU共享能力详细信息，请执行命令kubectl inspect cgpu -d。

2. 使用以下模板创建GPU共享容器，同时该容器不使用共享GPU的隔离能力。

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: disable-cgpu
   spec:
     parallelism: 1
     template:
       metadata:
         labels:
           app: disable-cgpu
       spec:
         containers:
         - name: disable-cgpu
           image: registry.cn-hangzhou.aliyuncs.com/ai-samples/gpushare-sample:tensorflow-1.5
           env:
           - name: CGPU_DISABLE #关闭cGPU隔离能力。
             value: "true"
           command:
           - python
           - tensorflow-sample-code/tfjob/docker/mnist/main.py
           - --max_steps=100000
           - --data_dir=tensorflow-sample-code/data
           resources:
             limits:
               # 单位为GiB，该Pod总共申请了3 GiB显存。
               aliyun.com/gpu-mem: 3
           workingDir: /root
         restartPolicy: Never

   说明

   • aliyun.com/gpu-mem：设置GPU显存大小。

   • 关闭共享GPU显存隔离能力：设置容器的环境变量CGPU_DISABLE为true即可关闭cGPU。

3. 执行以下命令，查看共享GPU调度结果。

   kubectl inspect cgpu

   预期输出：

   NAME                      IPADDRESS      GPU0(Allocated/Total)  GPU Memory(GiB)
   cn-beijing.192.16x.x.xx1  192.16x.x.xx1  0/15                   0/15
   cn-beijing.192.16x.x.xx2  192.16x.x.xx2  0/15                   0/15
   cn-beijing.192.16x.x.xx3  192.16x.x.xx3  3/15                   3/15
   ---------------------------------------------------------------------
   Allocated/Total GPU Memory In Cluster:
   3/45 (6%)

   节点cn-beijing.192.16x.x.xx3分配了3 GiB显存给刚刚创建的容器。

执行结果

您可以通过以下两种方式验证部署的共享GPU显存隔离能力是否被关闭：

• 方式一：执行以下命令查看部署应用的日志。

  kubectl logs disable-cgpu-xxxx --tail=1

  预期输出：

  2020-08-25 08:14:54.927965: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1326] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 15024 MB memory) -> physical GPU (device: 0, name: Tesla V100-SXM2-16GB, pci bus id: 0000:00:07.0, compute capability: 7.0)

  从日志中可以看到，容器中的应用程序能够使用的显存为15024 MiB，可证明共享GPU显存隔离能力被关闭了（共享GPU显存隔离能力开启时，应用程序能够看到的显存为3 GiB）。

• 方式二：执行以下命令登录容器查看容器被分配显存总量。

  kubectl exec disable-cgpu-xxxx nvidia-smi

  预期输出：

  Tue Aug 25 08:23:33 2020
  +-----------------------------------------------------------------------------+
  | NVIDIA-SMI 418.87.01    Driver Version: 418.87.01    CUDA Version: 10.1     |
  |-------------------------------+----------------------+----------------------+
  | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
  | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
  |===============================+======================+======================|
  |   0  Tesla V100-SXM2...  Off  | 00000000:00:07.0 Off |                    0 |
  | N/A   33C    P0    55W / 300W |  15453MiB / 16130MiB |      1%      Default |
  +-------------------------------+----------------------+----------------------+
  
  +-----------------------------------------------------------------------------+
  | Processes:                                                       GPU Memory |
  |  GPU       PID   Type   Process name                             Usage      |
  |=============================================================================|
  +-----------------------------------------------------------------------------+

  从输出信息中可以看到宿主机的显存容量为16130 MiB，容器分配到的显存为15453 MiB，可证明共享GPU隔离能力未生效（共享GPU隔离能力开启时，容器分配到的显存为3 GiB）。