Ordonnancement Slurm des tâches exécutées avec GPU

Pour l'information générale sur l'ordonnancement des tâches, consultez Exécuter des tâches.

Nœuds disponibles

Le tableau suivant décrit les nœuds avec GPU présentement disponibles avec Béluga, Cedar, Graham et Hélios.

# de nœuds	Type de nœud	Cœurs CPU	Mémoire CPU	# de GPU	Type de GPU NVIDIA	Topologie du bus PCIe
172	P100, Béluga	40	191000M	4	V100-SXM2-16Go	tous les GPU associés au même socket CPU
114	P100, Cedar	24	128000M	4	P100-PCIE-12Go	deux GPU par socket CPU
32	P100, Cedar	24	257000M	4	P100-PCIE-16Go	tous les GPU associés au même socket CPU
192	V100L, Cedar	32	192000M	4	V100-PCIE-32Go	deux GPU par socket CPU; tous les GPU connectés via NVLink
160	GPU base, Graham	32	127518M	2	P100-PCIE-12Go	un GPU par socket CPU
7	GPU base, Graham	28	183105M	8	V100-PCIE-16Go	quatre GPU socket CPU
36	GPU base, Graham	16	196608M	4	Tesla T4-16Go	deux GPU par socket CPU
15	K20, Hélios	20	110000M	8	K20-5Go	quatre GPU par socket CPU
6	K80, Hélios	24	257000M	16	K80-12Go	huit GPU par socket CPU

Comment indiquer le type de GPU à utiliser

Plusieurs types de GPU sont disponibles sur la plupart des grappes. Pour indiquer le type de GPU à utiliser, ajoutez l'option appropriée, selon la grappe.

Cedar

Pour demander un P100 de 12G :

 #SBATCH --gres=gpu:p100:1

Pour demander un P100 de 16G :

 #SBATCH --gres=gpu:p100l:1

ou un V100 de 32G :

 #SBATCH --gres=gpu:v100l:1

À moins d'être spécifié autrement, les tâches sur GPU demandant <=125G de mémoire sont exécutés sur des P100 de 12G.

Graham

Pour demander un P100 :

 #SBATCH --gres=gpu:p100:1

Pour demander un V100 :

 #SBATCH --gres=gpu:v100:1

Pour demander un T4 :

 #SBATCH --gres=gpu:t4:1

Par défaut, toutes les tâches sur GPU seront exécutées sur des P100.

Béluga

Comme il n'y a qu'un type de GPU, aucune option n'est nécessaire.

Hélios

Pour demander un K20 :

 #SBATCH --gres=gpu:k20:1

Pour demander un K80 :

 #SBATCH --gres=gpu:k80:1

Tâches avec un seul cœur

Pour une tâche qui nécessite un seul cœur CPU et un GPU,

File : gpu_serial_job.sh

#!/bin/bash
#SBATCH --account=def-someuser
#SBATCH --gres=gpu:1              # Number of GPUs (per node)
#SBATCH --mem=4000M               # memory (per node)
#SBATCH --time=0-03:00            # time (DD-HH:MM)
./program

Tâches multifils

Pour une tâche GPU qui nécessite plusieurs CPU dans un seul nœud,

File : gpu_threaded_job.sh

#!/bin/bash
#SBATCH --account=def-someuser
#SBATCH --gres=gpu:1              # Number of GPU(s) per node
#SBATCH --cpus-per-task=6         # CPU cores/threads
#SBATCH --mem=4000M               # memory per node
#SBATCH --time=0-03:00            # time (DD-HH:MM)
export OMP_NUM_THREADS=$SLURM_CPUS_PER_TASK
./program

Pour chaque GPU, les tâches multifils ne devraient pas dépasser

• avec Béluga, 10 cœurs;
• avec Cedar, nous recommandons un maximum de 6 cœurs par GPU P100 (p100 et p100l) et un maximum de 8 cœurs par GPU V100 (v100l) ;
• avec Graham, 16 cœurs.

Tâches MPI

File : gpu_mpi_job.sh

#!/bin/bash
#SBATCH --account=def-someuser
#SBATCH --gres=gpu:4              # Number of GPUs per node
#SBATCH --nodes=2                 # Number of nodes
#SBATCH --ntasks=48               # Number of MPI process
#SBATCH --cpus-per-task=1         # CPU cores per MPI process
#SBATCH --mem=120G                # memory per node
#SBATCH --time=0-03:00            # time (DD-HH:MM)
export OMP_NUM_THREADS=$SLURM_CPUS_PER_TASK
srun ./program

Nœuds entiers

Si votre application peut utiliser efficacement un nœud entier et ses GPU associés, vous pouvez probablement réduire le temps d'attente si vous demandez un nœud entier. Utilisez les scripts suivants comme modèle.

Ordonnancement d'un nœud GPU pour Graham

File : graham_gpu_node_job.sh

#!/bin/bash
#SBATCH --nodes=1
#SBATCH --gres=gpu:2
#SBATCH --ntasks-per-node=32
#SBATCH --mem=127000M
#SBATCH --time=3:00
#SBATCH --account=def-someuser
nvidia-smi

Ordonnancement d'un nœud GPU P100 pour Cedar

File : cedar_gpu_node_job.sh

#!/bin/bash
#SBATCH --nodes=1
#SBATCH --gres=gpu:p100:4
#SBATCH --ntasks-per-node=24
#SBATCH --exclusive
#SBATCH --mem=125G
#SBATCH --time=3:00
#SBATCH --account=def-someuser
nvidia-smi

Ordonnancement d'un nœud GPU large pour Cedar

Sur Cedar se trouvent des nœuds de type GPU large qui ont chacun quatre cartes Tesla P100 16Go, alors que les autres nœuds sont de 12Go. Les nœuds de type GPU large utilisent le même connecteur PCI, ce qui fait que la latence dans les communications entre GPU est plus faible; cependant, la bande passante entre CPU et GPU est plus basse que dans le cas des nœuds GPU réguliers. De plus, la mémoire vive des nœuds est de 256Go plutôt que de 128Go. Pour utiliser ces nœuds, il faut demander des nœuds entiers et indiquer lgpu. Le temps d'exécution maximal pour ces tâches est passé de 24 haures à 28 jours.

File : large_gpu_job.sh

#!/bin/bash
#SBATCH --nodes=1 
#SBATCH --gres=gpu:lgpu:4   
#SBATCH --ntasks=1
#SBATCH --cpus-per-task=24    # There are 24 CPU cores on Cedar GPU nodes
#SBATCH --mem=0               # Request the full memory of the node
#SBATCH --time=3:00
#SBATCH --account=def-someuser
hostname
nvidia-smi

Regroupement de tâches pour un seul GPU

Pour exécuter pendant plus de 24 heures quatre programmes qui utilisent un seul GPU ou deux programmes qui utilisent deux GPU, nous recommandons GNU Parallel. Voici un exemple simple :

cat params.input | parallel -j4 'CUDA_VISIBLE_DEVICES=$(({%} - 1)) python {} &> {#}.out'

L'identifiant du GPU est calculé en soustrayant 1 de l'identifiant de la fente (slot), représenté par {%}. L'identifiant de la tâche est représenté par {#}, avec des valeurs partant de 1.

Le fichier params.input devrait contenir les paramètres sur des lignes distinctes, comme suit :

code1.py
code2.py
code3.py
code4.py
...

Vous pouvez ainsi soumettre plusieurs tâches. Le paramètre -j4 fait en sorte que GNU Parallel exécutera quatre tâches concurremment en lançant une tâche aussitôt que la précédente est terminée. Pour éviter que deux tâches se disputent le même GPU, utilisez CUDA_VISIBLE_DEVICES.

Message Passing Interface