将 GPU 与 Dataproc Serverless 搭配使用

您可以将 GPU 加速器附加到 Dataproc Serverless 批处理工作负载，以实现以下结果：

  • 加快大规模数据分析工作负载的处理速度。

  • 使用 GPU 机器学习库，加速大型数据集的模型训练。

  • 执行高级数据分析，例如视频或自然语言 处理。

所有受支持的 Dataproc Serverless Spark 运行时 将 Spark RAPIDS 库添加到每个工作负载节点。 Dataproc Serverless Spark 运行时 1.1 版 还添加了 XGBoost 库 工作负载节点这些库提供了强大的数据转换功能和 机器学习工具，可用于 GPU 加速的工作负载。

GPU 优势

将 GPU 与 Dataproc Serverless Spark 工作负载搭配使用具有以下一些优势：

  • 性能改进：GPU 加速可以显著提高 Spark 工作负载的性能，尤其是计算密集型任务， 机器学习、深度学习、图处理以及复杂分析。

  • 加快模型训练速度：对于机器学习任务，附加 GPU 可以显著缩短训练模型所需的时间，让数据科学家和工程师能够快速迭代和实验。

  • 可伸缩性：客户可以向节点添加更多 GPU 节点或更强大的 GPU，以处理日益复杂的处理需求。

  • 成本效益：虽然 GPU 需要初始投资，但您可以实现成本效益， 由于处理时间缩短，资源利用效率更高，最终节省下来的费用。

  • 增强型数据分析：借助 GPU 加速，您可以对大型数据集执行高级分析，例如图片和视频分析以及自然语言处理。

  • 改进的产品：更快的处理速度有助于更快做出决策 响应速度也更快的应用

限制和注意事项

价格

请参阅 Dataproc 无服务器价格 了解加速器价格信息。

准备工作

在创建带有挂接 GPU 加速器的无服务器批处理工作负载之前，请执行以下操作：

  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.

    Go to project selector

  3. Make sure that billing is enabled for your Google Cloud project.

  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.

    Go to project selector

  8. Make sure that billing is enabled for your Google Cloud project.

  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.

使用 GPU 加速器创建无服务器批量工作负载

提交使用以下内容的 Dataproc 无服务器批量工作负载： NVIDIA L4 GPU 运行并行的 PySpark 任务。使用 gcloud CLI 执行以下步骤：

  1. 点击展开，然后创建列出的 PySpark 代码并将其保存到 test-py-spark-gpu.py 文件。

    #!/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. 使用本地机器上的 gcloud CLI 提交 有 5 个工作器（每个工作器）的 Dataproc 无服务器无服务器批量作业 使用 L4 GPU 加速：

    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

注意：

  • PROJECT_ID：您的 Google Cloud 项目 ID。
  • REGION：用于运行工作负载的可用 Compute Engine 区域。
  • BUCKET_NAME：Cloud Storage 存储分区的名称。Spark 上传 工作负载依赖项迁移到此存储桶中的 /dependencies 文件夹，然后再 运行批处理工作负载
  • --version：所有受支持的 Dataproc 无服务器运行时都会将 RAPIDS 库添加到 GPU 加速型工作负载的每个节点。目前，只有运行时版本 1.1 会向 GPU 加速型工作负载的每个节点添加 XGBoost 库。

  • --properties（请参阅 Spark 资源分配属性）：

    • spark.dataproc.driverEnv.LANG=C.UTF-8 和 spark.executorEnv.LANG=C.UTF-8（对于 2.2 之前的运行时版本是必需的）：这些属性会将默认字符集设置为 C.UTF-8。

    • spark.dataproc.executor.compute.tier=premium（必填）： 使用高级数据计算单元对 GPU 加速的工作负载进行计费 (DCU)。查看 Dataproc 无服务器 加速器价格。

    • spark.dataproc.executor.disk.tier=premium（必需）：配备 A100-40、A100-80 或 L4 加速器的节点必须使用高级磁盘层级。

    • spark.dataproc.executor.resource.accelerator.type=l4（必需）：仅限 必须指定一种 GPU 类型。示例作业选择 L4 GPU。通过 可以使用以下参数指定以下加速器类型 名称：

      GPU 类型 参数名称
      A100 40GB a100-40
      A100 80GB a100-80

    • spark.executor.instances=5（必需）：必须至少为 2 个。在此示例中，将其设置为 5。

    • spark.executor.cores（可选）：您可以设置此属性来指定核心 vCPU 的数量。L4 GPU 的有效值包括 4，默认值，或者 8、12、16、24、48 或 96。唯一 A100 GPU 的有效值为 12。配置了 L4 GPU 和 24、48 或 96 核心的配置会在每个执行器上附加 2、4 或 8 GPU。所有其他配置都挂接了 1 个 GPU。

    • spark.dataproc.executor.disk.size（必需）：L4 GPU 具有固定 磁盘大小为 375 GB（24、48 或 96 的配置除外） 核心，分别具有 750、1,500 或 3,000 GB。如果您在提交 L4 加速型工作负载时将此属性设置为其他值，则会发生错误。如果您选择 A100、40 或 A100 80 GPU，有效尺寸为 375g、750g、1500g、3000g、6000g 和 9000g。

    • spark.executor.memory（可选）和 spark.executor.memoryOverhead（可选）：您可以设置以下其中一项 属性，但不能同时设置这两者。未被设置的属性占用的可用内存量会应用于未设置的属性。默认情况下，spark.executor.memoryOverhead 设为 PySpark 批处理工作负载，而 10% 用于其他工作负载（请参阅 Spark 资源分配属性）。

      下表显示了可为不同 A100 和 L4 GPU 配置设置的最大内存量。这两个属性的最小值均为 1024 MB。

      A100 (40 GB) A100（80 GB） L4（4 核） L4（8 核） L4（12 核） L4（16 核） L4（24 核） L4（48 核） L4（96 个核心）
      总内存上限 (MB) 78040 165080 13384 26768 40152 53536 113072 160608 321216

    • Spark RAPIDS 属性（可选）：默认情况下，Dataproc Serverless 会设置以下 Spark RAPIDS 属性值：

      • spark.plugins=com.nvidia.spark.SQLPlugin
      • spark.executor.resource.gpu.amount=1
      • spark.task.resource.gpu.amount=1/$spark_executor_cores
      • spark.shuffle.manager=''。默认情况下，此属性未设置。不过，NVIDIA 建议在使用 GPU 时启用 RAPIDS 洗牌管理器，以提高性能。为此，请将 spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager 在提交工作负载时可用

      如需设置 Spark RAPIDS 属性，请参阅 RAPIDS Accelerator for Apache Spark Configuration；如需设置 Spark 高级属性，请参阅 RAPIDS Accelerator for Apache Spark Advanced Configuration。