Usar GPUs com o Dataproc sem servidor

É possível anexar aceleradores de GPU ao Dataproc sem servidor cargas de trabalho em lote para alcançar os seguintes resultados:

• Acelere o processamento de cargas de trabalho de análise de dados em grande escala.

• Acelere o treinamento de modelos em grandes conjuntos de dados usando bibliotecas de machine learning de GPU.

• Execute análises de dados avançadas, como vídeo ou linguagem natural processamento.

Todos os ambientes de execução Spark sem servidor do Dataproc com suporte adicione a biblioteca RAPIDS do Spark a cada nó da carga de trabalho. Ambiente de execução do Spark sem servidor para Dataproc versão 1.1 também adiciona a biblioteca XGBoost aos nós de carga de trabalho. Essas bibliotecas oferecem ferramentas poderosas de transformação de dados e machine learning que podem ser usadas em cargas de trabalho aceleradas por GPU.

Benefícios da GPU

Confira alguns dos benefícios de usar GPUs com o Dataproc sem servidor Cargas de trabalho do Spark:

• Melhoria de desempenho: a aceleração de GPU pode aumentar significativamente Desempenho das cargas de trabalho do Spark, principalmente para tarefas com uso intenso de computação, como aprendizado profundo e de máquina, processamento de gráficos e análises complexas.

• Treinamento de modelos mais rápido: para tarefas de machine learning, a anexação de GPUs pode reduzir drasticamente o tempo necessário para treinar modelos, permitindo que cientistas de dados e engenheiros iterem e experimentem rapidamente.

• Escalonabilidade: os clientes podem adicionar mais nós de GPU ou GPUs mais avançadas a nós para e lidar com necessidades de processamento cada vez mais complexas.

• Eficiência de custo: embora as GPUs exijam um investimento inicial, é possível economizar ao longo do tempo devido à redução do tempo de processamento e à utilização mais eficiente de recursos.

• Análise de dados aprimorada: a aceleração da GPU permite realizar análises avançadas, como análise de imagens e vídeos e processamento de linguagem natural, em grandes conjuntos de dados.

• Produtos aprimorados:processamento mais rápido possibilita uma tomada de decisão mais rápida. e aplicativos mais responsivos.

Limitações e considerações

• É possível anexar GPUs NVIDIA A100 ou NVIDIA L4 a cargas de trabalho em lote do Dataproc sem servidor. Os aceleradores A100 e L4 estão sujeitos à Disponibilidade regional da GPU do Compute Engine.

• A biblioteca XGBoost só é fornecida para cargas de trabalho com aceleração de GPU do Dataproc Serverless ao usar o ambiente de execução do Spark versão 1.x do Dataproc Serverless.

• Os lotes acelerados por GPU sem servidor do Dataproc com XGBoost utilizam cotas do Compute Engine aumentadas. Por exemplo, para executar uma carga de trabalho em lote sem servidor que usa uma GPU NVIDIA L4, você precisa alocar a cota NVIDIA_L4_GPUS.

• Os jobs ativados pelo acelerador não são compatíveis com a política da organização constraints/compute.requireShieldedVm. Se sua organização aplicar esta política, a conta com suporte para acelerador ativada os jobs não serão executados.

• Defina o conjunto de caracteres padrão como UTF-8 ao usar a aceleração de GPU do RAPIDS com compatíveis com os ambientes de execução sem servidor do Dataproc anteriores à versão 2.2. Consulte Crie uma carga de trabalho em lote sem servidor com aceleradores de GPU para mais informações.

Preços

Consulte Preços do Dataproc sem servidor para informações sobre preços dos aceleradores.

Antes de começar

Antes de criar uma carga de trabalho em lote sem servidor com aceleradores de GPU anexados, faça o seguinte:

1. Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

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. Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

4. Enable the Dataproc, Compute Engine, and Cloud Storage APIs.

   Enable the APIs

5. Install the Google Cloud CLI.

6. To initialize the gcloud CLI, run the following command:

   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. Verifique se a cobrança está ativada para o seu projeto do Google Cloud.

9. Enable the Dataproc, Compute Engine, and Cloud Storage APIs.

   Enable the APIs

10. Install the Google Cloud CLI.

11. To initialize the gcloud CLI, run the following command:

    gcloud init

12. In the Google Cloud console, go to the Cloud Storage Buckets page.

    Go to Buckets page

13. Click Create bucket.
14. On the Create a bucket page, enter your bucket information. To go to the next step, click Continue.
    • For Name your bucket, enter a name that meets the bucket naming requirements.
    • For Choose where to store your data, do the following:
      • Select a Location type option.
      • Select a Location option.
    • For Choose a default storage class for your data, select a storage class.
    • For Choose how to control access to objects, select an Access control option.
    • For Advanced settings (optional), specify an encryption method, a retention policy, or bucket labels.
15. Click Create.

Criar uma carga de trabalho em lote sem servidor com aceleradores de GPU

Envie uma carga de trabalho em lote do Dataproc Serverless que usa GPUs NVIDIA L4 para executar uma tarefa PySpark paralela. Siga estas etapas usando a CLI gcloud:

1. Clique em Expandir-me, crie e salve o código PySpark listado em um test-py-spark-gpu.py na máquina local usando um editor de texto ou de código.

   Expandir Fechar

   #!/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. Use a CLI gcloud na sua máquina local para enviar o job em lote sem servidor do Dataproc Serverless com cinco workers, cada um deles acelerado com GPUs 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
   

Observações:

• PROJECT_ID pelo ID do projeto no Google Cloud.
• REGION: uma região disponível do Compute Engine para executar a carga de trabalho.
• BUCKET_NAME: o nome do bucket do Cloud Storage. Uploads do Spark dependências de carga de trabalho para uma pasta /dependencies neste bucket antes para executar a carga de trabalho em lote.
• --version: todos os ambientes de execução do Dataproc sem servidor compatíveis adicione o RAPIDS a cada nó de uma carga de trabalho acelerada por GPU. Atualmente, somente a versão 1.1 do ambiente de execução adiciona a API XGBoost a cada nó de uma carga de trabalho acelerada por GPU.

• --properties (consulte Propriedades de alocação de recursos do Spark):

  • spark.dataproc.driverEnv.LANG=C.UTF-8 e spark.executorEnv.LANG=C.UTF-8 (obrigatório com versões do ambiente de execução anteriores a 2.2): essas propriedades definem o conjunto de caracteres padrão como C.UTF-8.

  • spark.dataproc.executor.compute.tier=premium (obrigatório): As cargas de trabalho aceleradas por GPU são faturadas usando unidades de computação de dados premium (DCUs). Consulte "Dataproc sem servidor" Preços do acelerador.

  • spark.dataproc.executor.disk.tier=premium (obrigatório): os nós com aceleradores A100-40, A100-80 ou L4 precisam usar o nível de disco premium.

  • spark.dataproc.executor.resource.accelerator.type=l4 (obrigatório): apenas um tipo de GPU precisa ser especificado. O job de exemplo seleciona a GPU L4. Os seguintes tipos de acelerador podem ser especificados com os seguintes nomes de argumento:

    Tipo de GPU	Nome do argumento
    A100 40 GB	a100-40
    A100 80 GB	a100-80

  • spark.executor.instances=5 (obrigatório): precisa ser pelo menos dois. Definir como cinco para este exemplo.

  • spark.executor.cores (opcional): É possível definir essa propriedade para especificar o número de vCPUs de núcleo. Os valores válidos para GPUs L4 são 4, o padrão, ou 8, 12, 16, 24, 48 ou 96. O único valor válido e padrão para GPUs A100 é 12. As configurações com GPUs L4 e núcleos 24, 48 ou 96 têm GPUs 2, 4 ou 8 anexadas a cada executor. Todas as outras configurações têm GPU 1 anexada.

  • spark.dataproc.executor.disk.size (obrigatório): as GPUs L4 têm um tamanho de disco fixo de 375 GB, exceto para configurações com núcleos 24, 48 ou 96, que têm 750, 1,500 ou 3,000 GB, respectivamente. Se você definir essa propriedade como um valor diferente ao enviar uma carga de trabalho acelerada por L4, um erro vai ocorrer. Se você selecionar um modelo A100 40 ou GPU A100 80, os tamanhos válidos são 375 g, 750 g, 1.500 g, 3.000 g, 6.000g e 9.000g.

  • spark.executor.memory (opcional) e spark.executor.memoryOverhead (opcional): é possível definir uma dessas propriedades, mas não as duas. A quantidade de memória disponível consumida pela propriedade definida é aplicada à propriedade não definida. Por padrão, spark.executor.memoryOverhead é definido como 40% da memória disponível para cargas de trabalho em lote do PySpark e 10% para outras cargas de trabalho (consulte Propriedades de alocação de recursos do Spark).

    A tabela a seguir mostra a quantidade máxima de memória que pode ser definida para diferentes configurações de GPU A100 e L4. O valor mínimo é 1024 MB.

    	A100 (40 GB)	A100 (80 GB)	L4 (4 núcleos)	L4 (8 núcleos)	L4 (12 núcleos)	L4 (16 núcleos)	L4 (24 núcleos)	L4 (48 núcleos)	L4 (96 núcleos)
    Memória total máxima (MB)	78040	165080	13384	26768	40152	53536	113072	160608	321216

  • Propriedades RAPIDS do Spark (opcional): por padrão, Dataproc sem servidor define os seguintes valores de propriedade RAPIDS do 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=''. Por padrão, essa propriedade não é definida. No entanto, a NVIDIA recomenda ativar Gerenciador de embaralhamento do RAPIDS ao usar GPUs para melhorar o desempenho. Para isso, defina spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager quando você envia uma carga de trabalho.

    Consulte Acelerador do RAPIDS para configuração do Apache Spark e defina as propriedades do Spark RAPIDS, e Acelerador do RAPIDS para configuração avançada do Apache Spark para definir as propriedades avançadas do Spark.