Add ConfigMap training script, update IB/NCCL config in README
- Add ConfigMap with train_nccl.py (VGG11 + CIFAR10 + NCCL) - Runtime: mount training-scripts ConfigMap to /workspace/scripts - Runtime: set command to python /workspace/scripts/train_nccl.py - Runtime: remove /dev/infiniband hostPath (hostdevice-net CNI handles it) - Runtime: add NCCL_DEBUG_SUBSYS=INIT,NET,IB - Runtime: add cifar-10 dataset hostPath mount - README: add NCCL_DEBUG_SUBSYS, cifar-data, MASTER_ADDR auto-config note Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
This commit is contained in:
parent
f62425843b
commit
146baa41e8
21
README.md
21
README.md
|
|
@ -8,7 +8,8 @@
|
||||||
|------|-----|
|
|------|-----|
|
||||||
| Kubernetes | v1.34.3 |
|
| Kubernetes | v1.34.3 |
|
||||||
| Helm | v4.0.4 |
|
| Helm | v4.0.4 |
|
||||||
| GPU 노드 | InfiniBand 연결 GPU 노드 3대 |
|
| GPU 노드 | InfiniBand 연결 GPU 노드 3대 (노드당 GPU 8장, IB NIC 2개) |
|
||||||
|
| GPU 이미지 | nvcr.io/nvidia/pytorch:24.10-py3 |
|
||||||
| Volcano | v1.14.0 |
|
| Volcano | v1.14.0 |
|
||||||
| Kubeflow Trainer | sha-48e7a93 |
|
| Kubeflow Trainer | sha-48e7a93 |
|
||||||
| JobSet (의존성) | v0.10.1 |
|
| JobSet (의존성) | v0.10.1 |
|
||||||
|
|
@ -185,6 +186,22 @@ Volcano 스케줄러를 Kubeflow TrainJob과 연동하여 gang scheduling, queue
|
||||||
| `template.metadata.annotations` | Queue 지정 등. TrainJob level에서 override 가능 |
|
| `template.metadata.annotations` | Queue 지정 등. TrainJob level에서 override 가능 |
|
||||||
| `resources.requests/limits` | 노드당 GPU 기본 할당량 (TrainJob에서 override 가능) |
|
| `resources.requests/limits` | 노드당 GPU 기본 할당량 (TrainJob에서 override 가능) |
|
||||||
|
|
||||||
|
현재 Runtime에 포함된 InfiniBand/NCCL 설정:
|
||||||
|
|
||||||
|
| 설정 | 값 | 설명 |
|
||||||
|
|------|-----|------|
|
||||||
|
| `k8s.v1.cni.cncf.io/networks` | `hostdevice-net` | InfiniBand CNI 네트워크 연결 |
|
||||||
|
| `nvidia.com/gpu` | `8` | 노드당 GPU 8장 |
|
||||||
|
| `nvidia.com/hostdev` | `2` | 노드당 IB NIC 2개 |
|
||||||
|
| `privileged` + `IPC_LOCK` | - | NCCL IB 통신에 필요한 권한 |
|
||||||
|
| `NCCL_IB_DISABLE` | `0` | InfiniBand 사용 |
|
||||||
|
| `NCCL_DEBUG_SUBSYS` | `INIT,NET,IB` | NCCL 디버그 서브시스템 |
|
||||||
|
| `NCCL_SOCKET_IFNAME` | `net` | NCCL 소켓 인터페이스 |
|
||||||
|
| `/dev/shm` | `128Gi` | NCCL 공유 메모리 (GPU 8장 기준) |
|
||||||
|
| `cifar-data` | hostPath | `/home/ubuntu/cifar-10-batches-py` 데이터셋 마운트 |
|
||||||
|
|
||||||
|
> MASTER_ADDR / MASTER_PORT는 Kubeflow Trainer torch runtime이 torchrun rdzv로 자동 설정하므로 별도 지정 불필요.
|
||||||
|
|
||||||
#### TrainJob — 학습 작업 제출
|
#### TrainJob — 학습 작업 제출
|
||||||
|
|
||||||
실제 학습을 실행할 때마다 생성합니다. Runtime의 기본값을 상속받고, 필요한 부분만 override합니다.
|
실제 학습을 실행할 때마다 생성합니다. Runtime의 기본값을 상속받고, 필요한 부분만 override합니다.
|
||||||
|
|
@ -197,7 +214,7 @@ Volcano 스케줄러를 Kubeflow TrainJob과 연동하여 gang scheduling, queue
|
||||||
| `trainer.numProcPerNode` | 노드당 프로세스 수 (`"auto"`면 GPU 수만큼 자동) |
|
| `trainer.numProcPerNode` | 노드당 프로세스 수 (`"auto"`면 GPU 수만큼 자동) |
|
||||||
| `trainer.resourcesPerNode` | 노드당 리소스 (Runtime 기본값 override) |
|
| `trainer.resourcesPerNode` | 노드당 리소스 (Runtime 기본값 override) |
|
||||||
|
|
||||||
> 설치 테스트는 `numNodes: 1`로 단일노드에서 진행합니다. 검증 완료 후 `numNodes`를 늘리면 멀티노드 분산학습이 됩니다.
|
> 현재 기본 설정은 `numNodes: 2` (2노드 멀티노드 분산학습). 단일노드 테스트 시 TrainJob에서 `numNodes: 1`로 override 가능.
|
||||||
|
|
||||||
### 4.2 연동 설정 적용
|
### 4.2 연동 설정 적용
|
||||||
|
|
||||||
|
|
|
||||||
|
|
@ -1,6 +1,268 @@
|
||||||
# Volcano <-> Kubeflow Trainer Integration Configuration Sample
|
# Volcano <-> Kubeflow Trainer Integration Configuration Sample
|
||||||
# Reference: https://www.kubeflow.org/docs/components/trainer/gang-scheduling/volcano/
|
# Reference: https://www.kubeflow.org/docs/components/trainer/gang-scheduling/volcano/
|
||||||
|
|
||||||
|
---
|
||||||
|
# 0. ConfigMap for test training script (VGG11 + CIFAR10 + NCCL)
|
||||||
|
apiVersion: v1
|
||||||
|
kind: ConfigMap
|
||||||
|
metadata:
|
||||||
|
name: training-scripts
|
||||||
|
data:
|
||||||
|
train_nccl.py: |
|
||||||
|
import os
|
||||||
|
import time
|
||||||
|
import torch
|
||||||
|
import argparse
|
||||||
|
import torch.distributed as dist
|
||||||
|
import torch.multiprocessing as mp
|
||||||
|
from torch.optim.lr_scheduler import StepLR
|
||||||
|
|
||||||
|
# for dataset
|
||||||
|
from torchvision.datasets.cifar import CIFAR10
|
||||||
|
import torchvision.transforms as tfs
|
||||||
|
from torch.utils.data import DataLoader
|
||||||
|
from torch.utils.data.distributed import DistributedSampler
|
||||||
|
|
||||||
|
# for model
|
||||||
|
from torchvision.models import vgg11
|
||||||
|
from torch.nn.parallel import DistributedDataParallel as DDP
|
||||||
|
|
||||||
|
import numpy as np
|
||||||
|
import random
|
||||||
|
import datetime
|
||||||
|
|
||||||
|
|
||||||
|
def set_random_seeds(random_seed=0):
|
||||||
|
torch.manual_seed(random_seed)
|
||||||
|
torch.backends.cudnn.deterministic = True
|
||||||
|
torch.backends.cudnn.benchmark = False
|
||||||
|
np.random.seed(random_seed)
|
||||||
|
random.seed(random_seed)
|
||||||
|
|
||||||
|
|
||||||
|
def get_args_parser():
|
||||||
|
parser = argparse.ArgumentParser(add_help=False)
|
||||||
|
parser.add_argument('--lr', type=float, default=0.01)
|
||||||
|
parser.add_argument('--epoch', type=int, default=90)
|
||||||
|
parser.add_argument('--batch_size', type=int, default=1200)
|
||||||
|
parser.add_argument('--global_rank', type=int, default=0)
|
||||||
|
parser.add_argument('--vis_step', type=int, default=10)
|
||||||
|
parser.add_argument('--num_workers', type=int, default=24)
|
||||||
|
parser.add_argument("--local_rank", type=int,
|
||||||
|
help="Local rank. Necessary for using the torch.distributed.launch utility.")
|
||||||
|
parser.add_argument('--world_size', type=int, default=0)
|
||||||
|
parser.add_argument('--port', type=int, default=2022)
|
||||||
|
parser.add_argument('--root', type=str, default='data')
|
||||||
|
parser.add_argument('--start_epoch', type=int, default=0)
|
||||||
|
parser.add_argument('--save_path', type=str, default='./save')
|
||||||
|
parser.add_argument('--save_file_name', type=str, default='vgg_cifar')
|
||||||
|
return parser
|
||||||
|
|
||||||
|
|
||||||
|
def main(opts):
|
||||||
|
# 1. set random seeds
|
||||||
|
set_random_seeds(random_seed=0)
|
||||||
|
|
||||||
|
# 2. initialization
|
||||||
|
init_for_distributed(opts)
|
||||||
|
|
||||||
|
# 3. visdom
|
||||||
|
vis = None
|
||||||
|
|
||||||
|
# 4. data set
|
||||||
|
transform_train = tfs.Compose([
|
||||||
|
tfs.Resize(256),
|
||||||
|
tfs.RandomCrop(224),
|
||||||
|
tfs.RandomHorizontalFlip(),
|
||||||
|
tfs.ToTensor(),
|
||||||
|
tfs.Normalize(mean=(0.4914, 0.4822, 0.4465),
|
||||||
|
std=(0.2023, 0.1994, 0.2010)),
|
||||||
|
])
|
||||||
|
|
||||||
|
transform_test = tfs.Compose([
|
||||||
|
tfs.Resize(256),
|
||||||
|
tfs.CenterCrop(224),
|
||||||
|
tfs.ToTensor(),
|
||||||
|
tfs.Normalize(mean=(0.4914, 0.4822, 0.4465),
|
||||||
|
std=(0.2023, 0.1994, 0.2010)),
|
||||||
|
])
|
||||||
|
|
||||||
|
train_set = CIFAR10(root=opts.root,
|
||||||
|
train=True,
|
||||||
|
transform=transform_train,
|
||||||
|
download=True)
|
||||||
|
|
||||||
|
test_set = CIFAR10(root=opts.root,
|
||||||
|
train=False,
|
||||||
|
transform=transform_test,
|
||||||
|
download=True)
|
||||||
|
|
||||||
|
train_sampler = DistributedSampler(dataset=train_set, shuffle=True)
|
||||||
|
test_sampler = DistributedSampler(dataset=test_set, shuffle=False)
|
||||||
|
|
||||||
|
train_loader = DataLoader(dataset=train_set,
|
||||||
|
batch_size=int(opts.batch_size / opts.world_size),
|
||||||
|
shuffle=False,
|
||||||
|
num_workers=int(opts.num_workers / opts.world_size),
|
||||||
|
sampler=train_sampler,
|
||||||
|
pin_memory=True)
|
||||||
|
|
||||||
|
test_loader = DataLoader(dataset=test_set,
|
||||||
|
batch_size=int(opts.batch_size / opts.world_size),
|
||||||
|
shuffle=False,
|
||||||
|
num_workers=int(opts.num_workers / opts.world_size),
|
||||||
|
sampler=test_sampler,
|
||||||
|
pin_memory=True)
|
||||||
|
|
||||||
|
# 5. model
|
||||||
|
model = vgg11(pretrained=False)
|
||||||
|
model = model.cuda(opts.local_rank)
|
||||||
|
model = DDP(module=model,
|
||||||
|
device_ids=[opts.local_rank])
|
||||||
|
|
||||||
|
# 6. criterion
|
||||||
|
criterion = torch.nn.CrossEntropyLoss().to(opts.local_rank)
|
||||||
|
|
||||||
|
# 7. optimizer
|
||||||
|
optimizer = torch.optim.SGD(params=model.parameters(),
|
||||||
|
lr=0.01,
|
||||||
|
weight_decay=0.0005,
|
||||||
|
momentum=0.9)
|
||||||
|
|
||||||
|
# 8. scheduler
|
||||||
|
scheduler = StepLR(optimizer=optimizer,
|
||||||
|
step_size=30,
|
||||||
|
gamma=0.1)
|
||||||
|
|
||||||
|
if opts.start_epoch != 0:
|
||||||
|
|
||||||
|
checkpoint = torch.load(os.path.join(opts.save_path, opts.save_file_name) + '.{}.pth.tar'
|
||||||
|
.format(opts.start_epoch - 1),
|
||||||
|
map_location=torch.device('cuda:{}'.format(opts.local_rank)))
|
||||||
|
model.load_state_dict(checkpoint['model_state_dict'])
|
||||||
|
optimizer.load_state_dict(checkpoint['optimizer_state_dict'])
|
||||||
|
scheduler.load_state_dict(checkpoint['scheduler_state_dict'])
|
||||||
|
if opts.global_rank == 0:
|
||||||
|
print('\nLoaded checkpoint from epoch %d.\n' % (int(opts.start_epoch) - 1))
|
||||||
|
|
||||||
|
for epoch in range(opts.start_epoch, opts.epoch):
|
||||||
|
|
||||||
|
# 9. train
|
||||||
|
tic = time.time()
|
||||||
|
model.train()
|
||||||
|
train_sampler.set_epoch(epoch)
|
||||||
|
|
||||||
|
for i, (images, labels) in enumerate(train_loader):
|
||||||
|
images = images.to(opts.local_rank)
|
||||||
|
labels = labels.to(opts.local_rank)
|
||||||
|
outputs = model(images)
|
||||||
|
|
||||||
|
# ----------- update -----------
|
||||||
|
optimizer.zero_grad()
|
||||||
|
loss = criterion(outputs, labels)
|
||||||
|
loss.backward()
|
||||||
|
optimizer.step()
|
||||||
|
|
||||||
|
# get lr
|
||||||
|
for param_group in optimizer.param_groups:
|
||||||
|
lr = param_group['lr']
|
||||||
|
|
||||||
|
# time
|
||||||
|
toc = time.time()
|
||||||
|
|
||||||
|
# visualization
|
||||||
|
if (i % opts.vis_step == 0 or i == len(train_loader) - 1):
|
||||||
|
print('GPU[{0}] Epoch [{1}/{2}], Iter [{3}/{4}], Loss: {5:.4f}, LR: {6:.5f}, Time: {7:.2f}'.format(opts.global_rank,
|
||||||
|
epoch,
|
||||||
|
opts.epoch,
|
||||||
|
i,
|
||||||
|
len(train_loader),
|
||||||
|
loss.item(),
|
||||||
|
lr,
|
||||||
|
toc - tic))
|
||||||
|
|
||||||
|
# save pth file
|
||||||
|
if opts.local_rank == 0:
|
||||||
|
if not os.path.exists(opts.save_path):
|
||||||
|
os.mkdir(opts.save_path)
|
||||||
|
|
||||||
|
checkpoint = {'epoch': epoch,
|
||||||
|
'model_state_dict': model.state_dict(),
|
||||||
|
'optimizer_state_dict': optimizer.state_dict(),
|
||||||
|
'scheduler_state_dict': scheduler.state_dict()}
|
||||||
|
|
||||||
|
torch.save(checkpoint, os.path.join(opts.save_path, opts.save_file_name + '.{}.pth.tar'.format(epoch)))
|
||||||
|
print("save pth.tar {} epoch!".format(epoch))
|
||||||
|
|
||||||
|
# 10. test
|
||||||
|
model.eval()
|
||||||
|
|
||||||
|
val_avg_loss = 0
|
||||||
|
correct_top1 = 0
|
||||||
|
correct_top5 = 0
|
||||||
|
total = 0
|
||||||
|
|
||||||
|
with torch.no_grad():
|
||||||
|
for i, (images, labels) in enumerate(test_loader):
|
||||||
|
images = images.to(opts.local_rank)
|
||||||
|
labels = labels.to(opts.local_rank)
|
||||||
|
outputs = model(images)
|
||||||
|
loss = criterion(outputs, labels)
|
||||||
|
val_avg_loss += loss.item()
|
||||||
|
# rank 1
|
||||||
|
_, pred = torch.max(outputs, 1)
|
||||||
|
total += labels.size(0)
|
||||||
|
correct_top1 += (pred == labels).sum().item()
|
||||||
|
|
||||||
|
# rank 5
|
||||||
|
_, rank5 = outputs.topk(5, 1, True, True)
|
||||||
|
rank5 = rank5.t()
|
||||||
|
correct5 = rank5.eq(labels.view(1, -1).expand_as(rank5))
|
||||||
|
|
||||||
|
for k in range(5):
|
||||||
|
correct_k = correct5[:k+1].reshape(-1).float().sum(0, keepdim=True)
|
||||||
|
correct_top5 += correct_k.item()
|
||||||
|
|
||||||
|
accuracy_top1 = correct_top1 / total
|
||||||
|
accuracy_top5 = correct_top5 / total
|
||||||
|
|
||||||
|
val_avg_loss = val_avg_loss / len(test_loader)
|
||||||
|
|
||||||
|
print("top-1 percentage : {0:0.3f}%".format(correct_top1 / total * 100))
|
||||||
|
print("top-5 percentage : {0:0.3f}%".format(correct_top5 / total * 100))
|
||||||
|
scheduler.step()
|
||||||
|
|
||||||
|
return 0
|
||||||
|
|
||||||
|
|
||||||
|
def init_for_distributed(opts):
|
||||||
|
|
||||||
|
# 1. setting for distributed training
|
||||||
|
opts.global_rank = int(os.environ['RANK'])
|
||||||
|
opts.local_rank = int(os.environ['LOCAL_RANK'])
|
||||||
|
opts.world_size = int(os.environ['WORLD_SIZE'])
|
||||||
|
torch.cuda.set_device(opts.local_rank)
|
||||||
|
if opts.global_rank is not None and opts.local_rank is not None:
|
||||||
|
print("Use GPU: [{}/{}] for training".format(opts.global_rank, opts.local_rank))
|
||||||
|
|
||||||
|
# 2. init_process_group
|
||||||
|
dist.init_process_group(
|
||||||
|
backend="nccl",
|
||||||
|
rank=opts.global_rank,
|
||||||
|
world_size=opts.world_size,
|
||||||
|
device_id=torch.device(f"cuda:{opts.local_rank}"),
|
||||||
|
timeout=datetime.timedelta(seconds=60)
|
||||||
|
)
|
||||||
|
|
||||||
|
return
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
|
||||||
|
parser = argparse.ArgumentParser('vgg11 cifar training', parents=[get_args_parser()])
|
||||||
|
opts = parser.parse_args()
|
||||||
|
main(opts)
|
||||||
|
|
||||||
---
|
---
|
||||||
# 1. Volcano Queue for training workloads
|
# 1. Volcano Queue for training workloads
|
||||||
# Queue는 리소스 할당 단위. capability는 클러스터 실제 용량에 맞게 조정 필요.
|
# Queue는 리소스 할당 단위. capability는 클러스터 실제 용량에 맞게 조정 필요.
|
||||||
|
|
@ -21,6 +283,7 @@ spec:
|
||||||
---
|
---
|
||||||
# 2. ClusterTrainingRuntime with Volcano gang scheduling + topology-aware scheduling
|
# 2. ClusterTrainingRuntime with Volcano gang scheduling + topology-aware scheduling
|
||||||
# podGroupPolicy.volcano를 사용하면 PodGroup이 자동 생성됨 (수동 생성 불필요)
|
# podGroupPolicy.volcano를 사용하면 PodGroup이 자동 생성됨 (수동 생성 불필요)
|
||||||
|
# MASTER_ADDR / MASTER_PORT는 Kubeflow Trainer torch runtime이 자동 설정 (torchrun rdzv)
|
||||||
apiVersion: trainer.kubeflow.org/v1alpha1
|
apiVersion: trainer.kubeflow.org/v1alpha1
|
||||||
kind: ClusterTrainingRuntime
|
kind: ClusterTrainingRuntime
|
||||||
metadata:
|
metadata:
|
||||||
|
|
@ -57,6 +320,9 @@ spec:
|
||||||
containers:
|
containers:
|
||||||
- name: node
|
- name: node
|
||||||
image: nvcr.io/nvidia/pytorch:24.10-py3
|
image: nvcr.io/nvidia/pytorch:24.10-py3
|
||||||
|
command:
|
||||||
|
- python
|
||||||
|
- /workspace/scripts/train_nccl.py
|
||||||
securityContext:
|
securityContext:
|
||||||
privileged: true
|
privileged: true
|
||||||
capabilities:
|
capabilities:
|
||||||
|
|
@ -65,6 +331,8 @@ spec:
|
||||||
env:
|
env:
|
||||||
- name: NCCL_DEBUG
|
- name: NCCL_DEBUG
|
||||||
value: "INFO"
|
value: "INFO"
|
||||||
|
- name: NCCL_DEBUG_SUBSYS
|
||||||
|
value: "INIT,NET,IB"
|
||||||
- name: NCCL_IB_DISABLE
|
- name: NCCL_IB_DISABLE
|
||||||
value: "0"
|
value: "0"
|
||||||
- name: NCCL_SOCKET_IFNAME
|
- name: NCCL_SOCKET_IFNAME
|
||||||
|
|
@ -79,22 +347,27 @@ spec:
|
||||||
volumeMounts:
|
volumeMounts:
|
||||||
- name: shared-memory
|
- name: shared-memory
|
||||||
mountPath: /dev/shm
|
mountPath: /dev/shm
|
||||||
- name: infiniband
|
- name: cifar-data
|
||||||
mountPath: /dev/infiniband
|
mountPath: /workspace/data/cifar-10-batches-py
|
||||||
|
- name: training-scripts
|
||||||
|
mountPath: /workspace/scripts
|
||||||
volumes:
|
volumes:
|
||||||
- name: shared-memory
|
- name: shared-memory
|
||||||
emptyDir:
|
emptyDir:
|
||||||
medium: Memory
|
medium: Memory
|
||||||
sizeLimit: 128Gi
|
sizeLimit: 128Gi
|
||||||
- name: infiniband
|
- name: cifar-data
|
||||||
hostPath:
|
hostPath:
|
||||||
path: /dev/infiniband
|
path: /home/ubuntu/cifar-10-batches-py
|
||||||
type: Directory
|
type: Directory
|
||||||
|
- name: training-scripts
|
||||||
|
configMap:
|
||||||
|
name: training-scripts
|
||||||
|
defaultMode: 0755
|
||||||
|
|
||||||
---
|
---
|
||||||
# 3. Example TrainJob (설치 테스트용 - 단일노드)
|
# 3. Example TrainJob (테스트용 - 2노드 분산학습)
|
||||||
# podGroupPolicy는 runtime에서 상속되므로 TrainJob에서는 별도 설정 불필요
|
# podGroupPolicy, env, volumes, command 등은 runtime에서 상속됨
|
||||||
# 설치 테스트는 numNodes: 1로 단일노드에서 진행. 멀티노드는 검증 후 numNodes를 늘리면 됨.
|
|
||||||
apiVersion: trainer.kubeflow.org/v1alpha1
|
apiVersion: trainer.kubeflow.org/v1alpha1
|
||||||
kind: TrainJob
|
kind: TrainJob
|
||||||
metadata:
|
metadata:
|
||||||
|
|
@ -104,7 +377,6 @@ spec:
|
||||||
runtimeRef:
|
runtimeRef:
|
||||||
name: torch-distributed-volcano
|
name: torch-distributed-volcano
|
||||||
trainer:
|
trainer:
|
||||||
# TODO: Replace with your actual training image
|
|
||||||
image: nvcr.io/nvidia/pytorch:24.10-py3
|
image: nvcr.io/nvidia/pytorch:24.10-py3
|
||||||
numNodes: 2
|
numNodes: 2
|
||||||
resourcesPerNode:
|
resourcesPerNode:
|
||||||
|
|
|
||||||
Loading…
Reference in New Issue