大佬教程收集整理的这篇文章主要介绍了Slurm 中的 GPU 分配：--gres 与 --gpus-per-task，以及 mpirun 与 srun，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。
在 Slurm 中有两种分配 GPU 的方法：通用的 --gres=gpu:N 参数，或者像 --gpus-per-task=N 这样的特定参数。还有两种在批处理脚本中启动 MPI 任务的方法：使用 srun 或使用通常的 @H_998_3@mpirun（当 OpenMPI 编译时支持 Slurm）。我发现这些方法在行为上存在一些令人惊讶的差异。
我正在使用 sbatch 提交批处理作业，其中基本脚本如下：
#!/bin/bash
#SBATCH --job-name=sim_1 # job name (default is the name of this filE)
#SBATCH --output=log.%x.job_%j # file name for stdout/stderr (%x will be replaced with the job name,%j with the jobID)
#SBATCH --time=1:00:00 # maximum wall time allocated for the job (D-H:MM:SS)
#SBATCH --partition=gpXY # put the job into the gpu partition
#SBATCH --exclusive # request exclusive alLOCATIOn of resources
#SBATCH --mem=20G # RAM per node
#SBATCH --threads-per-core=1 # do not use hyperthreads (i.e. cpus = physical cores below)
#SBATCH --cpus-per-task=4 # number of cpus per process
## nodes alLOCATIOn
#SBATCH --nodes=2 # number of nodes
#SBATCH --ntasks-per-node=2 # MPI processes per node
## GPU alLOCATIOn - variant A
#SBATCH --gres=gpu:2 # number of GPUs per node (gres=gpu:N)
## GPU alLOCATIOn - variant B
## #SBATCH --gpus-per-task=1 # number of GPUs per process
## #SBATCH --gpu-bind=single:1 # bind each process to its own GPU (single:<tasks_per_gpu>)
# start the job in the directory it was submitted from
cd "$SLURM_submit_DIR"
# program execution - variant 1
mpirun ./sim
# program execution - variant 2
#srun ./sim
第一个块中的 #SBATCH 选项非常明显且无趣。接下来，当作业在至少 2 个节点上运行时，我将描述的行为是可观察到的。我每个节点运行 2 个任务，因为我们每个节点有 2 个 GPU。
最后，GPU 分配有两种变体（A 和 B）和程序执行的两种变体（1 和 2）。因此，总共有 4 个变体：A1、A2、B1、B2。
在变体 A1 和 A2 中，作业以最佳性能正确执行，我们在日志中有以下输出：
Rank 0: rank on node is 0,using GPU ID 0 of 2,CUDA_VISIBLE_DEVICES=0,1
Rank 1: rank on node is 1,using GPU ID 1 of 2,1
Rank 2: rank on node is 0,1
Rank 3: rank on node is 1,1
作业未正确执行，由于第二个节点上的 CUDA_VISIBLE_DEVICES=0 未正确映射 GPU：
Rank 0: rank on node is 0,using GPU ID 0 of 1,CUDA_VISIBLE_DEVICES=0
Rank 3: rank on node is 1,CUDA_VISIBLE_DEVICES=0
请注意，此变体在使用和不使用 --gpu-bind=single:1 时的行为相同。
GPU 已正确映射（由于 --gpu-bind=single:1，现在每个进程只能看到一个 GPU）：
Rank 0: rank on node is 0,CUDA_VISIBLE_DEVICES=0
Rank 1: rank on node is 1,CUDA_VISIBLE_DEVICES=1
Rank 2: rank on node is 0,CUDA_VISIBLE_DEVICES=1
然而，当 rank 开始通信时会出现 MPI 错误（类似的消息对于每个 rank 重复一次）：
--------------------------------------------------------------------------
The call to cuIpcopenMemHandle Failed. This is an unrecoverable error
and will cause the program to abort.
Hostname: gp11
cuIpcopenMemHandle return value: 217
address: 0x7f40ee000000
check the cuda.h file for what the return value means. A possible cause
for this is not enough free device memory. Try to reduce the device
memory footprint of your application.
--------------------------------------------------------------------------
虽然它说“这是一个不可恢复的错误”，但执行似乎进行得很好，除了日志中充斥着这样的消息（假设每个 MPI 通信调用一条消息）：
[gp11:122211] Failed to register remote memory,rc=-1
[gp11:122212] Failed to register remote memory,rc=-1
[gp12:62725] Failed to register remote memory,rc=-1
[gp12:62724] Failed to register remote memory,rc=-1
很明显，这是一条 OpenMPI 错误消息。我发现有关此错误的 old thread，建议使用 --mca btl_smcuda_use_cuda_ipc 0 禁用 CUDA IPC。但是，由于在这种情况下使用 srun 来启动程序，我不知道如何将这些参数传递给 OpenMPI。
请注意，在此变体中，--gpu-bind=single:1 仅影响可见 GPU (CUDA_VISIBLE_DEVICES)。但是即使没有这个选项，每个任务仍然可以选择正确的GPU，错误仍然出现。
知道发生了什么以及如何解决变体 B1 和 B2 中的错误吗？理想情况下，我们希望使用比 --gpus-per-task 更灵活的 --gres=gpu:...（当我们更改 --ntasks-per-node 时，要更改的参数少了一个）。使用 @H_998_3@mpirun 与 srun 对我们来说无关紧要。
我们有 Slurm 20.11.5.1、OpenMPI 4.0.5（使用 --with-cuda 和 --with-slurm 构建）和 CUDA 11.2.2。操作系统是 Arch linux。网络是 10G 以太网（没有 InfiniBand 或 OmniPath）。让我知道是否应该包含更多信息。
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）
以上是大佬教程为你收集整理的Slurm 中的 GPU 分配：--gres 与 --gpus-per-task，以及 mpirun 与 srun全部内容，希望文章能够帮你解决Slurm 中的 GPU 分配：--gres 与 --gpus-per-task，以及 mpirun 与 srun所遇到的程序开发问题。
如果觉得大佬教程网站内容还不错，欢迎将大佬教程推荐给程序员好友。
本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。