随着 AI 模型规模的越来越大,训练数据的越来越多,用户对模型的迭代效率也要求越来越高,单个 GPU 的算力显然无法满足大部分业务场景,使用单机多卡或多机多卡训练成为趋势。单机多卡训练场景的参数同步借助目前 NVIDIA NVLINK 技术已经得到了很好地解决,而多机多卡场景由于对网络通信的强依赖就没有那么简单。
目前网卡厂商提供的 RoCE 等 RDMA 技术,使得多机通信效率大幅提升,但是如何在25G或 50G VPC 网络环境下提升分布式训练系统的通信效率,仍然是目前公有云厂商亟需解决的问题。TACO-Training 不同于业界其他方案的创新点在于,除了常用的多级通信、多流通信、梯度融合、压缩通信等 AI 加速技术,还引入了自定义用户态协议栈 HARP,有效地解决了 VPC 环境下多机多卡训练中的网络通信问题。
自定义用户态协议栈 HARP 可以在 VPC 分布式训练环境环境实现接近 100G RDMA 网络的线性加速比,相比开源的 Horovod 框架在部分模型上有高达两倍多的性能提升。
TACO-Training 在云服务器和云容器环境下都可以部署,在 GPU 云服务器上的TACO-Training 训练加速部署方案已经在官网文档上线,具体可参见?GPU 云服务器上部署 AI 加速引擎 TACO-Training。
本文将为大家介绍基于腾讯云容器服务(TKE)的部署方案,让我们一起了解 TACO-Training 在云容器上的分布式训练加速方案,借助腾讯云自研网络协议栈 HARP,加速 AI 训练!
TACO-Training 是腾讯云异构计算团队基于 IaaS 资源推出的 AI 训练加速引擎,为用户提供开箱即用的 AI 训练套件。TACO-Training 背靠云帆Oteam,基于腾讯内部丰富的 AI 业务场景,提供自底向上的网络通信、分布式策略及训练框架等多层级的优化,是一套全生态的训练加速方案。为了更好的服务用户,腾讯云决定提供内部深度优化的 AI 训练加速方案给用户部署体验,助力用户节约计算成本,提高 AI 产品研发效率。
TACO-Training 在分布式场景引入的主要加速技术包括:
随着网络硬件技术的发展,网卡的速度从10G增长到100G甚至更高,并在数据中心大量部署使用。但目前普遍使用的内核网络协议栈存在着一些必要的开销,使其不能很好地利用高速网络设备。为了解决内核网络协议栈存在的问题,腾讯云自研了用户态网络协议栈 HARP,可以以 Plug-in 的方式集成到 NCCL 中,无需任何业务改动,加速云上分布式训练性能。在 VPC 的环境下,相比传统的内核协议栈,HARP 提供了以下的能力:
下图中左边是内核协议栈,右边是用户态协议栈 HARP。
Kubeflow 是在 k8s 平台之上针对机器学习的开发、训练、优化、部署和管理的工具集,融合了机器学习领域的很多开源项目,比如 Jupyter、tfserving、Katib、Argo 等。可以针对机器学习的不同阶段:数据预处理、模型训练、模型预测、服务部署等进行管理。只要安装了k8s,就可以在本地、机房、云环境中任意部署。
TKE 目前已经集成了开源 Kubeflow 提供的部分AI组件,例如 mpi-operator,tf-operator,pytorch-operator,elastic-jupyter-operator 等,用户可以非常方便地安装使用。
下图展示了在 CVM GPU 训练集群下,各个开源模型使用 TACO training 进行分布式训练的加速效果。
可以发现:随着网络模型参数量的增加,TACO 相比 Horovod 的提升效果越来越明显,Transformer-XL 上面甚至有高达两倍多的性能提升。
下图展示了,无论是 ResNet50 还是 Transformer-XL,在双机16卡A100的训练环境下,CVM 实例(GT4.41XLARGE948 + 50G VPC)通过 HARP 加速后,能够提供接近黑石 100G RDMA 产品(HCCPNV4h )的性能。
为了复现上述性能加速效果,接下来我们开始学习如何一步一步搭建 TKE Kubeflow + TACO-training 的 GPU 分布式训练集群。
1、控制台创建 TKE 集群,节点可以选择8卡 V100(GN10Xp.20XLARGE320 + 25G 网络)或者8卡 A100(GT4.41XLARGE948 + 50G 网络)实例。
参考如下配置:
注意:验证过的操作系统包括:
2、控制台安装 Kubeflow 组件 mpi-operator。
安装成功之后,worker 节点上可以看到如下 pod,
3、所有的 worker 节点配置大页内存
// 配置命令详见评论区文档,此处无效
kind:?Service
metadata:
??name:?wordpress
??labels:
????app:?wordpress
spec:
??ports:
????-?port:?80
??selector:
????app:?wordpress
????tier:?frontend
主机起来之后,检查配置是否成功,
4、绑定弹性网卡
登录?云服务器控制台,找到实例,点击 ins id 进入实例页面,选择弹性网卡,点击绑定弹性网卡。在弹出的“绑定弹性网卡”窗口中,按需选择绑定已创建的网卡,或新建弹性网卡并绑定。单击确定即可完成绑定。
注意:绑定的弹性网卡数量和本机 GPU 卡数一样。
绑定成功后,主机上可以看到9块弹性网卡(1个主网卡和8个辅助弹性网卡)
5、生成 HARP 配置文件
//?登录worker节点的主机
sudo?curl?-s?-L?http://mirrors.tencent.com/install/GPU/taco/harp_setup.sh?|?bash
执行成功会打印 ‘Set up HARP successfully’,
参考如下:taco.yaml文件,
apiVersion:?kubeflow.org/v1
kind:?MPIJob
metadata:
??name:?taco-bench
spec:
??slotsPerWorker:?1
??runPolicy:
????cleanPodPolicy:?Running
??mpiReplicaSpecs:
????Launcher:
??????replicas:?1
??????template:
????????spec:
??????????containers:
??????????-?image:?ccr.ccs.tencentyun.com/qcloud/taco-training:cu112-cudnn81-py3-0.3.2
????????????name:?mpi-launcher
????????????command:?["/bin/sh",?"-ec",?"sleep?infinity"]
????????????resources:
??????????????limits:
????????????????cpu:?1
????????????????memory:?2Gi
????Worker:
??????replicas:?4
??????template:
????????spec:
??????????containers:
??????????-?image:?ccr.ccs.tencentyun.com/qcloud/taco-training:cu112-cudnn81-py3-0.3.2
????????????name:?mpi-worker
????????????securityContext:
??????????????privileged:?true
????????????volumeMounts:
??????????????-?mountPath:?/sys/
????????????????name:?sys
??????????????-?mountPath:?/dev/hugepages
????????????????name:?dev-hge
??????????????-?mountPath:?/usr/local/tfabric/tools
????????????????name:?tfabric
????????????resources:
??????????????limits:
????????????????hugepages-1Gi:?"50Gi"
????????????????memory:?"100Gi"
????????????????nvidia.com/gpu:?8?#?requesting?1?GPU
??????????volumes:
????????????-?name:?sys
??????????????hostPath:
????????????????path:?/sys/
????????????-?name:?dev-hge
??????????????hostPath:
????????????????path:?/dev/hugepages/
????????????-?name:?tfabric
??????????????hostPath:
????????????????path:?/usr/local/tfabric/tools/
几点说明:
kubectl?create?-f?taco.yaml
创建成功后,
下载 benchmark 脚本并拷贝到 taco 的 container 当中,
wget?https://raw.githubusercontent.com/horovod/horovod/master/examples/tensorflow/tensorflow_synthetic_benchmark.py
for?i?in?`kubectl?get?pods?|?grep?worker?|?awk?'{print?$1}'`;?do?kubectl?cp?tensorflow_synthetic_benchmark.py?$i:/mnt/;?done
为了测试不同的网络模型和节点数量下的性能,mpi launcher pod 并没有配置成直接启动训练脚本方式。
//登录launcher?pod
kubectl?exec?-it?taco-bench-launcher?--?bash
//?执行训练benchmark
/usr/local/openmpi/bin/mpirun?-np?32?-H?taco-bench-worker-0:8,taco-bench-worker-1:8,taco-bench-worker-2:8,taco-bench-worker-3:8?--allow-run-as-root?-bind-to?none?-map-by?slot?-x?NCCL_ALGO=RING?-x?NCCL_DEBUG=INFO?-x?HOROVOD_MPI_THREADS_DISABLE=1?-x?HOROVOD_FUSION_THRESHOLD=0??-x?HOROVOD_CYCLE_TIME=0?-x?LIGHT_2D_ALLREDUCE=1?-x?LIGHT_TOPK_ALLREDUCE=1?-x?LIGHT_TOPK_THRESHOLD=2097152?-x?LIGHT_INTRA_SIZE=8?-x?LD_LIBRARY_PATH?-x?PATH?-mca?btl_tcp_if_include?eth0?python3?/mnt/tensorflow_synthetic_benchmark.py?--model=VGG16?--batch-size=128
如果需要切换到 Horovod 做对比测试,执行如下命令删除 TACO 相关组件,安装开源 Horovod,
//?卸载HARP加速库
for?i?in?`kubectl?get?pods?|?grep?worker?|?awk?'{print?$1}'`;?do?kubectl?exec?$i?--?bash?-c?'mv?/usr/lib/x86_64-linux-gnu/libnccl-net.so?/mnt/';?done
//?卸载LightCC
for?i?in?`kubectl?get?pods?|?grep?worker?|?awk?'{print?$1}'`;?do?kubectl?exec?$i?--?bash?-c?'pip?uninstall?-y?light-horovod;echo';?done
//?安装horovod(耗时8分钟左右)
for?i?in?`kubectl?get?pods?|?grep?worker?|?awk?'{print?$1}'`;?do?kubectl?exec?$i?--?bash?-c?'export?PATH=/usr/local/openmpi/bin:$PATH;HOROVOD_WITH_MPI=1?HOROVOD_GPU_OPERATIONS=NCCL?HOROVOD_WITH_TENSORFLOW=1?HOROVOD_NCCL_LINK=SHARED?pip3?install?--no-cache-dir?horovod==0.21.3';?done
//?检查确认所有的worker都已经成功horovod
for?i?in?`kubectl?get?pods?|?grep?worker?|?awk?'{print?$1}'`;?do?kubectl?exec?$i?--?bash?-c?'pip?show?horovod;echo';?done
至此我们就可以复现出前面展示的性能数据了,
4机32卡V100:
双机16卡A100:
注意:黑石 A100+RDMA 的产品测试需要额外的环境配置,TACO 镜像暂不支持。
本文首先介绍了当前分布式训练的现状以及面临的问题,然后介绍了腾讯云在分布式训练方面的底层优化与探索,引出业内首个自定义网络协议栈——HARP。
接着我们展示了有 HARP 加持的 TACO-Training 引擎的加速效果:
最后,我们学习了如何基于 TKE Kubeflow 一步步搭建 TACO-training 训练集群,流程非常简单方便,快来一起试试吧。
推荐阅读