惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

V
V2EX
C
Check Point Blog
博客园_首页
B
Blog
D
Docker
U
Unit 42
量子位
I
InfoQ
有赞技术团队
有赞技术团队
Martin Fowler
Martin Fowler
GbyAI
GbyAI
L
LangChain Blog
云风的 BLOG
云风的 BLOG
博客园 - Franky
美团技术团队
T
The Blog of Author Tim Ferriss
阮一峰的网络日志
阮一峰的网络日志
月光博客
月光博客
Vercel News
Vercel News
Recent Announcements
Recent Announcements
雷峰网
雷峰网
大猫的无限游戏
大猫的无限游戏
小众软件
小众软件
Google DeepMind News
Google DeepMind News

陈少文的网站

巨变与机遇的未来十年 Kubernetes 平台管理软件压力测试方案 使用镜像部署 Hexo 静态页面 终于等到你 - GitHub 镜像仓库服务(ghcr.io) 一起来学 Go --(6)Interface 一起来学 Go --(5)Goroutine 和 Channel 什么是函数式编程 如何在 Kubernetes 集群集成 Kata 柯里化与偏函数 使用 PyGithub 自动创建 Label 软件产品是团队能力的输出 Helm 2 、Helm 3 比较 IoT 变现 Kubernetes 中的 DNS 服务 国内的 Helm 镜像源 Harbor 使用自签证书支持 Https 访问 DevOps 工具链之 Prow 如何使用 kfctl 安装 Kubeflow VS Code 无法下载 Go 插件的工具包 工程师更应具有服务精神 你不知道的 Docker 使用技巧 使用 Docker 运行 Tensorflow 论中国 什么是左移 如何清空 Git 仓库全部历史记录 一禅小和尚 有风吹过厨房 时间的玫瑰 如何在 CentOS 安装 GPU 驱动 开发 Tips(19)
使用 Volcano 运行 nccl-test
微信公众号 · 2024-08-11 · via 陈少文的网站

1. 制作 nccl-test 镜像

  • 查看 CUDA 版本
1
2
3
nvidia-smi | grep "CUDA Version" | awk '{print $9}'

12.2
  • 编写 Dockerfile
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
cat > Dockerfile << EOF
FROM nvidia/cuda:12.1.0-cudnn8-devel-ubuntu22.04
ENV DEBIAN_FRONTEND=noninteractive

ARG CONDA_VERSION

WORKDIR /workspace

ENV DEBIAN_FRONTEND=noninteractive
RUN apt-get update && apt install -y openmpi-bin libopenmpi-dev ssh openssh-server net-tools vim git iputils-ping nfs-common

RUN git clone https://github.com/NVIDIA/nccl-tests.git && \
    cd nccl-tests && \
    make MPI=1 MPI_HOME=/usr/lib/x86_64-linux-gnu/openmpi
EOF
  • 编译 nccl-test 镜像
1
docker build -t shaowenchen/nccl-test:12.1.0-ubuntu22.04 -f Dockerfile .
  • 推送 nccl-test 镜像
1
docker push shaowenchen/nccl-test:12.1.0-ubuntu22.04

2. 运行 Volcano Job

  • 给测试节点打上标签
1
2
3
kubectl label node node-a100-15 nccl-test=true
kubectl label node node-a100-16 nccl-test=true
kubectl label node node-a100-31 nccl-test=true
  • 创建 Volcano Job
1
2
export NCCL_TEST_IMAGE=shaowenchen/nccl-test:12.1.0-ubuntu22.04
export NCCL_TEST_NODES=3
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
cat <<EOF | kubectl apply -f -
apiVersion: batch.volcano.sh/v1alpha1
kind: Job
metadata:
  name: nccl-test
spec:
  minAvailable: $NCCL_TEST_NODES
  schedulerName: volcano
  queue: default
  policies:
    - event: PodEvicted
      action: RestartJob
  plugins:
    env: []
    svc: []
    ssh: []
  tasks:
    - replicas: $NCCL_TEST_NODES
      name: nccl-test
      policies:
      - event: TaskCompleted
        action: CompleteJob
      template:
        metadata:
          labels:
            app: nccl-test
        spec:
          containers:
            - command:
              - /bin/sh
              - -c
              - |
                mkdir -p /var/run/sshd; /usr/sbin/sshd;
                sleep infinity                
              image: $NCCL_TEST_IMAGE
              imagePullPolicy: Always
              name: nccl-test
              resources:
                requests:
                  cpu: 1
          nodeSelector:
            nccl-test: "true"
          affinity:
            podAntiAffinity:
              requiredDuringSchedulingIgnoredDuringExecution:
                - labelSelector:
                    matchExpressions:
                      - key: app
                        operator: In
                        values:
                        - nccl-test
                  topologyKey: "kubernetes.io/hostname"
EOF

3. 运行 nccl-test

  • 查看 Pod 状态
1
2
3
4
5
6
kubectl get pod -l app=nccl-test -o wide

NAME                    READY   STATUS    RESTARTS   AGE    IP              NODE           NOMINATED NODE   READINESS GATES
nccl-test-nccl-test-0   1/1     Running   0          7m3s   10.244.39.166   node-a100-31   <none>           <none>
nccl-test-nccl-test-1   1/1     Running   0          7m3s   10.244.201.46   node-a100-15   <none>           <none>
nccl-test-nccl-test-2   1/1     Running   0          7m     10.244.39.185   node-a100-31   <none>           <none>
  • 进入 Pod
1
kubectl exec -it nccl-test-nccl-test-0 bash
  • 配置环境变量
1
export NCCL_TEST_GPUS=8
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
mpirun --allow-run-as-root -np $VC_NCCL_TEST_NUM --host $VC_NCCL_TEST_HOSTS /workspace/nccl-tests/build/all_reduce_perf -b 8M -e 128M -f 2 -g ${NCCL_TEST_GPUS} -t 1 -a 2 -n 50

#                                                              out-of-place                       in-place
#       size         count      type   redop    root     time   algbw   busbw #wrong     time   algbw   busbw #wrong
#        (B)    (elements)                               (us)  (GB/s)  (GB/s)            (us)  (GB/s)  (GB/s)
     8388608       2097152     float     sum      -1   103954    0.08    0.15      0   113322    0.07    0.14      0
    16777216       4194304     float     sum      -1   135988    0.12    0.24      0   108949    0.15    0.30      0
    33554432       8388608     float     sum      -1   117689    0.29    0.55      0   122374    0.27    0.53      0
    67108864      16777216     float     sum      -1   227753    0.29    0.56      0   227060    0.30    0.57      0
   134217728      33554432     float     sum      -1   479106    0.28    0.54      0   476898    0.28    0.54      0
# Out of bounds values : 0 OK
# Avg bus bandwidth    : 0.410777

mpirun 命令参数说明:

--allow-run-as-root: 允许使用 root 运行程序
np: 执行的总进程数量,这里一个节点一个进程,因此就是节点的数量
host: 运行程序的节点列表

all_reduce_perf 参数说明:

-b: 开始的数据大小
-e: 结束的数据大小
-f: 每次增加的倍数
-g: 每个进程的 GPU 数量
-t: 每个进程的线程数量
-a: 在所有 ranks 计算均值作为最终结果 (MPI=1 only). <0=Rank0,1=Avg,2=Min,3=Max>. 默认为 1.
-n: 每次操作(一次发送)循环多少次

此外还可以配置 -x NCCL_SOCKET_IFNAME=eth0 -x NCCL_P2P_LEVEL=NVL -x LD_LIBRARY_PATH -x PATH -x NCCL_NET_GDR_LEVEL=4 等通信参数,测试 NVLink、IB 网卡的带宽。

4. 清理环境

1
kubectl delete job.batch.volcano.sh nccl-test

5. 相关问题与解决

  • invalid device ordinal

报错

1
2
3
nccl-test-nccl-test-1: Test CUDA failure common.cu:622 'invalid device ordinal'
 .. nccl-test-nccl-test-1 pid 717: Test failure common.cu:1078
 .. nccl-test-nccl-test-1 pid 717: Test failure common.cu:891

没有足够可用 GPU 卡,需要减少 -g 参数。