文档

关闭对应用的GPU隔离能力

更新时间:

本文通过部署一个简单的示例应用向您介绍如何在集群中关闭针对应用的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_DISABLEtrue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)。