Best practice per l'uso di GPU Dataflow

In questa pagina vengono descritte le best practice per la creazione di pipeline mediante GPU.

Per informazioni ed esempi su come abilitare le GPU nei job Dataflow, Esegui una pipeline con GPU e Elaborazione delle immagini satellitari Landsat con GPU.

Prerequisiti per l'utilizzo delle GPU in Dataflow

• Per utilizzare le GPU con il job Dataflow, devi usare Runner v2.
• Dataflow esegue il codice utente in VM worker all'interno di un container Docker. Queste VM worker eseguono Container-Optimized OS. Affinché i job Dataflow utilizzino GPU, sono necessari i seguenti prerequisiti:
  • I driver GPU vengono installati sulle VM worker e sono accessibili al Docker containerizzato. Per ulteriori informazioni, vedi Installa i driver GPU.
  • le librerie GPU richieste dalla pipeline, ad esempio Librerie NVIDIA CUDA-X o il Toolkit per NVIDIA CUDA, sono installati nell'immagine container personalizzata. Per ulteriori informazioni, vedi Configura l'immagine container.
• Poiché i container GPU sono generalmente di grandi dimensioni, esaurire lo spazio su disco, aumenta il valore predefinito dimensioni del disco di avvio fino a 50 GB o più.

Considerazioni

Quando progetti gli ambienti di test e di produzione, considera l'uso i seguenti fattori.

Sviluppo locale

L'utilizzo di Apache Beam con GPU NVIDIA consente di creare su larga scala pipeline di elaborazione dati che gestiscono la pre-elaborazione e l'inferenza. Quando utilizzando le GPU per lo sviluppo locale, considera le seguenti informazioni:

• Spesso, i flussi di lavoro di elaborazione dati utilizzano librerie devono essere installati nell'ambiente di lancio e nell'ambiente di esecuzione Worker Dataflow. Questa configurazione aggiunge passaggi allo sviluppo un flusso di lavoro per configurazione dei requisiti della pipeline o per l'utilizzo di container personalizzati in Dataflow. È utile disporre di un ambiente di sviluppo locale che imita la produzione il più vicino possibile all'ambiente.

• Se il flusso di lavoro soddisfa entrambi i criteri riportati di seguito, non è necessario creare o modificare il flusso di lavoro di sviluppo per configurare la pipeline requisiti:

  • Stai utilizzando una libreria che utilizza in modo implicito le GPU NVIDIA.
  • Il codice non richiede modifiche per supportare le GPU.

• Alcune librerie non passano in modo trasparente tra l'utilizzo di CPU e GPU e quindi richiedono build specifiche e percorsi di codice diversi. Per replicare ciclo di sviluppo code-run-code per questo scenario, sono richiesti passaggi aggiuntivi.

• Quando esegui esperimenti locali, replica l'ambiente del worker Dataflow il più vicino possibile. A seconda della libreria, potrebbe essere necessaria una macchina con una GPU e le librerie GPU necessarie installate. Questo tipo di macchina potrebbe non disponibili nel tuo ambiente locale. Puoi emulare Dataflow utilizzando un container in esecuzione su una macchina virtuale Google Cloud con GPU.

Specifiche dei tipi di macchina

Per maggiori dettagli sul supporto dei tipo di macchina per ogni modello GPU, vedi Piattaforme GPU. Le GPU supportate con i tipi di macchine N1 supportano anche tipi di macchine N1 personalizzate.

Il tipo e il numero di GPU definiscono le restrizioni del limite superiore di vCPU e memoria che i worker possono avere. Per trovare il modello restrizioni, consulta Disponibilità.

Se specifichi un numero più elevato di CPU o memoria, potrebbe essere necessario specificare un con un numero maggiore di GPU.

Per maggiori dettagli, leggi l'articolo GPU on Compute Engine.

Ottimizza l'utilizzo delle risorse

La maggior parte delle pipeline non è composta interamente da trasformazioni che richiedono una GPU. Una pipeline tipica ha una fase di importazione che utilizza uno dei molti forniti da Apache Beam. Quella fase è seguita dalla manipolazione dei dati o trasformazioni di modellazione, che poi alimentano una trasformazione GPU.

Uso corretto Suggerimenti per le risorse Apache Beam per personalizzare le risorse worker per le pipeline batch. La vestibilità perfetta è abilitato, Dataflow utilizza le GPU solo per le fasi della pipeline che le richiedono. Di conseguenza, questa funzionalità migliora la flessibilità e la capacità della pipeline, riducendo potenzialmente i costi.

Per ulteriori informazioni, consulta la sezione Adattabilità ottimale.

GPU e parallelismo dei worker

Per le pipeline Python che utilizzano Dataflow Runner v2 dell'architettura, Dataflow lancia un processo SDK Apache Beam per core VM. Ogni processo dell'SDK viene eseguito nel proprio container Docker e a sua volta genera molti thread, ognuno dei quali elabora i dati in entrata.

Le GPU utilizzano più processi dell'architettura e GPU nei worker Dataflow visibile a tutti i processi e i thread.

Se esegui più processi dell'SDK su una GPU condivisa, puoi migliorare la GPU efficienza e utilizzo abilitando il servizio NVIDIA Multi-Process (MPS). MPS migliora il parallelismo dei worker e la velocità effettiva complessiva per le pipeline GPU, in particolare per carichi di lavoro con un basso utilizzo di risorse GPU. Per ulteriori informazioni, vedi Migliora le prestazioni su una GPU condivisa utilizzando NVIDIA MPS.

Per evitare l'oversubscription della memoria GPU, potresti aver bisogno di gestire l'accesso alle GPU. Se utilizzi TensorFlow, è necessario eseguire uno dei seguenti passaggi possono aiutarti a evitare l'oversubscription della memoria GPU:

• Configura i worker Dataflow in modo che ne avviino uno solo in un processo Python containerizzato, a prescindere dal conteggio delle vCPU worker. Per rendere configurazione, all'avvio del job, utilizza il seguente codice opzioni pipeline:

  • --experiments=no_use_multiple_sdk_containers
  • --number_of_worker_harness_threads

  Per ulteriori informazioni sul numero di thread da utilizzare, vedi Riduci il numero di thread.

• Abilita MPS.

Carichi di lavoro di inferenza

Quando utilizzi modelli di machine learning (ML) per eseguire l'inferenza locale e remota, usano Apache Beam integrato Trasformazione RunInference: L'API RunInference è un PTransform ottimizzato per il machine learning le inferenze. L'utilizzo della trasformazione RunInference può migliorare l'efficienza di machine learning nelle tue pipeline.

Flusso di lavoro

Il seguente flusso di lavoro in due fasi mostra come creare una pipeline utilizzando le GPU. Questo flusso si occupa dei problemi relativi a GPU e non GPU separatamente e abbrevia il ciclo di feedback.

1. Crea una pipeline

   Creare una pipeline che possa essere eseguita su Dataflow. Sostituisci le trasformazioni che richiedono GPU con le trasformazioni che non utilizzano GPU, ma hanno le stesse funzionalità:

   1. Crea tutte le trasformazioni che circondano l'utilizzo della GPU, ad esempio dati l'importazione e la manipolazione.

   2. Creare uno stub per la trasformazione GPU con un passthrough o una modifica dello schema.

2. Esegui test in locale

   Testa la parte GPU del codice della pipeline nell'ambiente che imita la Ambiente di esecuzione worker Dataflow. I passaggi seguenti descrivono uno dei metodi per eseguire il test:

   1. Crea un'immagine Docker con tutte librerie necessarie.

   2. Avvia lo sviluppo del codice GPU.

   3. Avvia il ciclo codice-esecuzione-codice utilizzando una macchina virtuale Google Cloud con Docker. Per escludere le incompatibilità delle librerie, esegui il codice GPU in un un processo Python locale separato da un Apache Beam una pipeline o un blocco note personalizzato. Poi esegui l'intera pipeline sul runner diretto o avviare la pipeline su Dataflow.

Utilizza una VM che esegue un sistema operativo ottimizzato per i container

Per un ambiente minimo, utilizza una macchina virtuale (VM) ottimizzata per i container. Per ulteriori informazioni, consulta Creare una VM con GPU collegate.

Il flusso generale è:

1. Creare una VM.

2. Connettiti alla VM ed esegui questi comandi:

   sudo cos-extensions install gpu -- -version latest
   sudo mount --bind /var/lib/nvidia /var/lib/nvidia
   sudo mount -o remount,exec /var/lib/nvidia
   

3. Verifica che le GPU siano disponibili:

   ./nvidia-smi
   

4. Avvia un container Docker con driver GPU dalla VM montata come volumi. Ad esempio:

   sudo docker run --rm -it --entrypoint /bin/bash
   --volume /var/lib/nvidia/lib64:/usr/local/nvidia/lib64
   --volume /var/lib/nvidia/bin:/usr/local/nvidia/bin
   --privileged gcr.io/bigdatapivot/image_process_example:latest
   

Per un Dockerfile di esempio, vedi Crea un'immagine container personalizzata. Aggiungi al Dockerfile tutte le dipendenze necessarie per la pipeline.

Per ulteriori informazioni sull'utilizzo di un'immagine Docker preconfigurata per l'utilizzo delle GPU, vedi Utilizza un'immagine esistente configurata per l'utilizzo delle GPU.

Strumenti per lavorare con sistemi ottimizzati per i container

• Per configurare l'interfaccia a riga di comando di Docker in modo che utilizzi docker-credential-gcr come assistente per le credenziali per l'insieme predefinito di registri contenitori Google, utilizza:

  sudo docker-credential-gcr configure-docker
  

  Per ulteriori informazioni sulla configurazione delle credenziali Docker, vedi docker-credential-gcr.

• Per copiare file, ad esempio il codice della pipeline, da o verso una VM, usa toolbox. Questa tecnica è utile quando si utilizza un'immagine ottimizzata personalizzata. Ad esempio:

  toolbox /google-cloud-sdk/bin/gsutil cp gs://bucket/gpu/image_process/* /media/root/home/<userid>/opencv/
  

  Per ulteriori informazioni, consulta Debug dei problemi relativi ai nodi utilizzando gli strumenti.

Passaggi successivi

• Scopri di più sul supporto di Dataflow per le GPU.
• Scopri di più su come eseguire una pipeline utilizzando le GPU.
• Risolvi Elaborazione delle immagini satellitari Landsat con GPU.