在Slurm群集上运行TensorFlow？

Question

我可以访问计算集群,特别是一个带有两个12核CPU的节点,它与Slurm Workload Manager一起运行.

我想在该系统上运行TensorFlow,但遗憾的是我无法找到有关如何执行此操作的信息,或者甚至是否可能.我是新手,但据我所知,我必须通过创建Slurm作业来运行TensorFlow,并且不能通过ssh直接执行python/tensorflow.

有没有人有关于这个主题的想法,教程或任何类型的来源？

Answer 1

它相对简单.

在每个主机请求一个进程的简化假设下,slurm将为您提供环境变量中所需的所有信息,特别是SLURM_PROCID,SLURM_NPROCS和SLURM_NODELIST.

例如,您可以按如下方式初始化任务索引,任务数和节点列表:

from hostlist import expand_hostlist
task_index  = int( os.environ['SLURM_PROCID'] )
n_tasks     = int( os.environ['SLURM_NPROCS'] )
tf_hostlist = [ ("%s:22222" % host) for host in
                expand_hostlist( os.environ['SLURM_NODELIST']) ]  

请注意,slurm为您提供了压缩格式的主机列表(例如,"myhost [11-99]"),您需要进行扩展.我使用KentEngström的模块主机列表,可以在这里找到https://pypi.python.org/pypi/python-hostlist

此时,您可以直接使用您可用的信息创建TensorFlow集群规范和服务器,例如:

cluster = tf.train.ClusterSpec( {"your_taskname" : tf_hostlist } )
server  = tf.train.Server( cluster.as_cluster_def(),
                           job_name   = "your_taskname",
                           task_index = task_index )

你就定了!您现在可以使用通常的语法在分配的特定主机上执行TensorFlow节点放置:

for idx in range(n_tasks):
   with tf.device("/job:your_taskname/task:%d" % idx ):
       ...

上面报告的代码存在的缺陷是,您的所有作业都将指示Tensorflow安装在固定端口22222上侦听的服务器.如果多个此类作业恰好安排到同一节点,则第二个将无法侦听22222.

更好的解决方案是让slurm为每个工作预留端口.您需要将您的slurm管理员带到船上并要求他配置slurm,以便它允许您使用--resv-ports选项请求端口.在实践中,这需要他们在slurm.conf中添加如下所示的行:

MpiParams=ports=15000-19999

在您的slurm管理员出错之前,请检查已配置的选项,例如:

scontrol show config | grep MpiParams

如果您的网站已经使用旧版本的OpenMPI,则可能会有类似这样的选项.

然后,修改我的第一段代码,如下所示:

from hostlist import expand_hostlist
task_index  = int( os.environ['SLURM_PROCID'] )
n_tasks     = int( os.environ['SLURM_NPROCS'] )
port        = int( os.environ['SLURM_STEP_RESV_PORTS'].split('-')[0] )
tf_hostlist = [ ("%s:%s" % (host,port)) for host in
                expand_hostlist( os.environ['SLURM_NODELIST']) ]  

祝好运!