Usa GPU con Dataproc Serverless

Puedes conectar aceleradores de GPU a tu instancia de Dataproc Serverless cargas de trabajo por lotes para lograr los siguientes resultados:

• Acelera el procesamiento de cargas de trabajo de análisis de datos a gran escala.

• Acelera el entrenamiento de modelos en conjuntos de datos grandes mediante las bibliotecas de aprendizaje automático de GPU.

• Llevar a cabo análisis de datos avanzados, como videos o lenguaje natural de datos.

Todos los entornos de ejecución compatibles con Dataproc Serverless Spark agregar la biblioteca RAPIDS de Spark a cada nodo de carga de trabajo Entorno de ejecución de Spark sin servidores de Dataproc versión 1.1 también se agrega la biblioteca XGBoost a nodos de carga de trabajo. Estas bibliotecas proporcionan una potente transformación de datos de aprendizaje automático que puedes usar en tus cargas de trabajo aceleradas con GPU.

Beneficios de la GPU

Estos son algunos de los beneficios de usar GPU con Dataproc Serverless Cargas de trabajo de Spark:

• Mejora del rendimiento: La aceleración de la GPU puede aumentar significativamente. Impulsa el rendimiento de las cargas de trabajo, particularmente para las tareas de procesamiento intensivo, como aprendizaje automático y profundo, procesamiento de grafos y estadísticas complejas.

• Entrenamiento de modelos más rápido: Para las tareas de aprendizaje automático, adjuntar GPU puede reducen drásticamente el tiempo necesario para entrenar modelos, lo que permite a los científicos de datos e ingenieros para iterar y experimentar rápidamente.

• Escalabilidad: Los clientes pueden agregar más nodos de GPU o GPU más potentes a los nodos para para manejar necesidades de procesamiento cada vez más complejas.

• Rentabilidad: Si bien las GPU requieren una inversión inicial, puedes lograr los costos. de ahorro a largo plazo debido a tiempos de procesamiento reducidos y a una utilización más eficiente de los recursos.

• Análisis de datos mejorado: La aceleración de GPU te permite realizar estadísticas avanzadas. como análisis de imágenes y videos y procesamiento de lenguaje natural, en grandes conjuntos de datos.

• Productos mejorados: Un procesamiento más rápido permite una toma de decisiones más ágil. y aplicaciones más responsivas.

Limitaciones y consideraciones

• Puedes conectar NVIDIA A100 o GPU NVIDIA L4 para cargas de trabajo por lotes sin servidores de Dataproc. Los aceleradores A100 y L4 están sujetos a Disponibilidad regional de GPU de Compute Engine.

• La biblioteca XGBoost solo se proporciona a Dataproc Serverless Cargas de trabajo aceleradas por GPU cuando se usa Dataproc Serverless Entorno de ejecución de Spark versión 1.x.

• Los lotes acelerados por GPU de Dataproc Serverless con uso de XGBoost aumentaron Cuotas de Compute Engine Por ejemplo, para ejecutar una carga de trabajo por lotes sin servidores que usa una GPU NVIDIA L4, debes asignar la cuota de NVIDIA_L4_GPUS.

• Los trabajos habilitados por el acelerador no son compatibles con constraints/compute.requireShieldedVm política de la organización. Si tu organización aplica esta política, su acelerador habilitado los trabajos no se ejecutarán correctamente.

• Cuando uses la aceleración de GPU de RAPIDS, debes establecer el grupo de caracteres predeterminado en UTF-8 con Admitía los entornos de ejecución de Dataproc Serverless anteriores a la versión 2.2. Consulta Crea una carga de trabajo por lotes sin servidores con aceleradores de GPU para obtener más información.

Precios

Consulta los precios de Dataproc Serverless para obtener información sobre los precios del acelerador.

Antes de comenzar

Antes de crear una carga de trabajo por lotes sin servidores con aceleradores de GPU conectados, haz lo siguiente:

1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

4. Habilita las API de Dataproc, Compute Engine, and Cloud Storage.

   Habilita las API

5. Instala Google Cloud CLI.

6. Para inicializar la CLI de gcloud, ejecuta el siguiente comando:

   gcloud init

7. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

   Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

   Go to project selector

8. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

9. Habilita las API de Dataproc, Compute Engine, and Cloud Storage.

   Habilita las API

10. Instala Google Cloud CLI.

11. Para inicializar la CLI de gcloud, ejecuta el siguiente comando:

    gcloud init

12. En la consola de Google Cloud, ve a la página Buckets de Cloud Storage.

    Ir a la página Buckets

13. Haga clic en Crear bucket.
14. En la página Crear un bucket, ingresa la información de tu bucket. Para ir al paso siguiente, haz clic en Continuar.
    • En Nombre de tu bucket, ingresa un nombre que cumpla con los requisitos de nomenclatura de buckets.
    • En Elige dónde almacenar tus datos, haz lo siguiente:
      • Selecciona una opción de Tipo de ubicación.
      • Selecciona una opción de Ubicación.
    • Para Elegir una clase de almacenamiento predeterminada para tus datos, selecciona una clase de almacenamiento.
    • En Elige cómo controlar el acceso a los objetos, selecciona una opción de Control de acceso.
    • Para la Configuración avanzada (opcional), especifica un método de encriptación, una política de retención o etiquetas de bucket.
15. Haga clic en Crear.

Crea una carga de trabajo por lotes sin servidores con aceleradores de GPU

Enviar una carga de trabajo por lotes de Dataproc Serverless que use GPU de NVIDIA L4 para ejecutar una tarea de PySpark paralela. Sigue estos pasos con gcloud CLI:

1. Haz clic en Expandir, luego crea y guarda el código de PySpark enumerado en una test-py-spark-gpu.py en tu máquina local con un editor de texto o código.

   Expandirme Contraer

   #!/usr/bin/env python
   
   """S8s Accelerators Example."""
   
   import subprocess
   from typing import Any
   from pyspark.sql import SparkSession
   from pyspark.sql.functions import col
   from pyspark.sql.types import IntegerType
   from pyspark.sql.types import StructField
   from pyspark.sql.types import StructType
   
   spark = SparkSession.builder.appName("joindemo").getOrCreate()
   
   
   def get_num_gpus(_: Any) -> int:
     """Returns the number of GPUs."""
     p_nvidia_smi = subprocess.Popen(
         ["nvidia-smi", "-L"], stdin=None, stdout=subprocess.PIPE
     )
     p_wc = subprocess.Popen(
         ["wc", "-l"],
         stdin=p_nvidia_smi.stdout,
         stdout=subprocess.PIPE,
         stderr=subprocess.PIPE,
         universal_newlines=True,
     )
     [out, _] = p_wc.communicate()
     return int(out)
   
   
   num_workers = 5
   result = (
       spark.sparkContext.range(0, num_workers, 1, num_workers)
       .map(get_num_gpus)
       .collect()
   )
   num_gpus = sum(result)
   print(f"Total accelerators: {num_gpus}")
   
   # Run the join example
   schema = StructType([StructField("value", IntegerType(), True)])
   df = (
       spark.sparkContext.parallelize(range(1, 10000001), 6)
       .map(lambda x: (x,))
       .toDF(schema)
   )
   df2 = (
       spark.sparkContext.parallelize(range(1, 10000001), 6)
       .map(lambda x: (x,))
       .toDF(schema)
   )
   joined_df = (
       df.select(col("value").alias("a"))
       .join(df2.select(col("value").alias("b")), col("a") == col("b"))
       .explain()
   )
   
   

2. Usa gcloud CLI en tu máquina local para enviar el Trabajo por lotes sin servidores de Dataproc Serverless con cinco trabajadores, por cada trabajador se acelera con las GPU L4:

   gcloud dataproc batches submit pyspark test-py-spark-gpu.py \
       --project=PROJECT_ID \
       --region=REGION \
       --deps-bucket=BUCKET_NAME \
       --version=1.1 \
       --properties=spark.dataproc.executor.compute.tier=premium,spark.dataproc.executor.disk.tier=premium,spark.dataproc.executor.resource.accelerator.type=l4,spark.executor.instances=5,spark.dataproc.driverEnv.LANG=C.UTF-8,spark.executorEnv.LANG=C.UTF-8,spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager
   

Notas:

• PROJECT_ID es el ID del proyecto de Google Cloud.
• REGION: Una región de Compute Engine disponible para para ejecutar la carga de trabajo.
• BUCKET_NAME: Es el nombre de tu bucket de Cloud Storage. Cargas de Spark dependencias de carga de trabajo a una carpeta /dependencies en este bucket antes que ejecuta la carga de trabajo por lotes.
• --version: Todos los entornos de ejecución compatibles de Dataproc Serverless agrega el comando RAPIDS biblioteca a cada nodo de una carga de trabajo acelerada por GPU. Actualmente, Solo la versión 1.1 del entorno de ejecución agrega la capa XGBoost biblioteca a cada nodo de una carga de trabajo acelerada por GPU.

• --properties (consulta Propiedades de asignación de recursos de Spark) :

  • spark.dataproc.driverEnv.LANG=C.UTF-8 y spark.executorEnv.LANG=C.UTF-8 (obligatoria con las versiones del entorno de ejecución anteriores a 2.2): Estas propiedades se establecen el grupo de caracteres predeterminado en C.UTF-8.

  • spark.dataproc.executor.compute.tier=premium (obligatorio): Las cargas de trabajo aceleradas por GPU se facturan con unidades de procesamiento de datos premium (DCU). Consulta Dataproc Serverless Precios del acelerador.

  • spark.dataproc.executor.disk.tier=premium (obligatorio): Nodos con A100-40, A100-80 o L4 los aceleradores deben usar el nivel de disco premium.

  • spark.dataproc.executor.resource.accelerator.type=l4 (obligatorio): solo se debe especificar un tipo de GPU. El trabajo de ejemplo selecciona la GPU L4. El los siguientes tipos de acelerador pueden especificarse con el siguiente argumento nombres:

    Tipo de GPU	Nombre del argumento
    A100 40 GB	a100-40
    A100 80 GB	a100-80

  • spark.executor.instances=5 (obligatorio): Debe ser dos como mínimo. Establecer en cinco para este ejemplo.

  • spark.executor.cores (opcional): Puedes configurar esta propiedad para especificar la cantidad de CPU virtuales de núcleo. Los valores válidos para las GPU L4 son 4, el valor predeterminado, o 8, 12 o 16. La única infraestructura válida y predeterminada de salida para las GPU A100 es 12.

  • spark.dataproc.executor.disk.size (obligatorio): Las GPU L4 requieren la versión 375. Tamaño de GB. Si configuras esta propiedad con un valor diferente cuando envías una carga de trabajo acelerada por L4, se produce un error. Si seleccionas un GPU A100 40 o A100 80, los tamaños válidos son 375 g, 750 g, 1,500 g, 3,000 g, 6,000 g y 9,000 g.

  • spark.executor.memory (opcional) y spark.executor.memoryOverhead (opcional): Puedes establecer una de estas pero no ambas. La cantidad de memoria disponible no consumida por la propiedad establecida se aplica a la propiedad no establecida. De forma predeterminada, spark.executor.memoryOverhead está configurado al 40% de la memoria disponible para cargas de trabajo por lotes de PySpark y un 10% para otras cargas de trabajo (consulta Propiedades de asignación de recursos de Spark).

    La siguiente tabla muestra la cantidad máxima de memoria que se puede configurar para diferentes configuraciones de GPU A100 y L4. El valor mínimo para cualquiera de tiene 1024 MB.

    	A100 (40 GB)	A100 (80 GB)	L4 (4 núcleos)	L4 (8 núcleos)	L4 (12 núcleos)	L4 (16 núcleos)
    Memoria total máxima (MB)	78040	165080	13384	26768	40152	53536

  • Propiedades RAPIDS de Spark (opcional): De forma predeterminada, Dataproc Serverless configura los siguientes valores de propiedad RAPIDS de Spark:

    • spark.plugins=com.nvidia.spark.SQLPlugin
    • spark.executor.resource.gpu.amount=1
    • spark.task.resource.gpu.amount=1/$spark_executor_cores
    • spark.shuffle.manager=''. De forma predeterminada, esta propiedad no está configurada. Sin embargo, NVIDIA recomienda activar Administrador de Shuffle de RAPIDS cuando se usan GPU para mejorar el rendimiento. Para hacerlo, configura spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager cuando envías una carga de trabajo.

    Consulta Acelerador de RAPIDS para la configuración de Apache Spark para establecer propiedades de RAPIDS de Spark y Acelerador de RAPIDS para la configuración avanzada de Apache Spark para configurar las propiedades avanzadas de Spark.