Použití GPU pro úlohy náročné na výpočetní výkon ve službě Azure Kubernetes Service (AKS)Use GPUs for compute-intensive workloads on Azure Kubernetes Service (AKS)

  • 6 min ke čtení

Grafické procesory (GPU) se často používají pro úlohy náročné na výpočetní výkon, jako jsou například úlohy grafiky a vizualizace.Graphical processing units (GPUs) are often used for compute-intensive workloads such as graphics and visualization workloads. AKS podporuje vytváření fondů uzlů s podporou GPU pro spouštění těchto úloh náročných na výpočetní výkon v Kubernetes.AKS supports the creation of GPU-enabled node pools to run these compute-intensive workloads in Kubernetes. Další informace o dostupných virtuálních počítačích s podporou GPU najdete v tématu velikosti virtuálních počítačů optimalizované pro GPU v Azure.For more information on available GPU-enabled VMs, see GPU optimized VM sizes in Azure. Pro uzly AKS doporučujeme minimální velikost Standard_NC6.For AKS nodes, we recommend a minimum size of Standard_NC6.

Poznámka

Virtuální počítače s podporou GPU obsahují specializovaný hardware, který je předmětem vyšší ceny a dostupnosti oblastí.GPU-enabled VMs contain specialized hardware that is subject to higher pricing and region availability. Další informace najdete v tématu dostupnost nástroje pro ceny a oblasti.For more information, see the pricing tool and region availability.

V současné době jsou fondy uzlů s podporou GPU dostupné jenom pro fondy uzlů Linux.Currently, using GPU-enabled node pools is only available for Linux node pools.

Než začneteBefore you begin

V tomto článku se předpokládá, že máte existující cluster AKS s uzly, které podporují GPU.This article assumes that you have an existing AKS cluster with nodes that support GPUs. Cluster AKS musí běžet v Kubernetes 1,10 nebo novějším.Your AKS cluster must run Kubernetes 1.10 or later. Pokud potřebujete cluster AKS, který splňuje tyto požadavky, Projděte si první část tohoto článku a vytvořte cluster AKS.If you need an AKS cluster that meets these requirements, see the first section of this article to create an AKS cluster.

Potřebujete také nainstalované a nakonfigurované rozhraní Azure CLI verze 2.0.64 nebo novější.You also need the Azure CLI version 2.0.64 or later installed and configured. Verzi zjistíte spuštěním příkazu az --version.Run az --version to find the version. Pokud potřebujete instalaci nebo upgrade, přečtěte si téma Instalace Azure CLI.If you need to install or upgrade, see Install Azure CLI.

Vytvoření clusteru AKSCreate an AKS cluster

Pokud potřebujete cluster AKS, který splňuje minimální požadavky (uzel s podporou GPU a Kubernetes verze 1,10 nebo novější), proveďte následující kroky.If you need an AKS cluster that meets the minimum requirements (GPU-enabled node and Kubernetes version 1.10 or later), complete the following steps. Pokud již máte cluster AKS, který splňuje tyto požadavky, přejděte k další části.If you already have an AKS cluster that meets these requirements, skip to the next section.

Nejdřív vytvořte skupinu prostředků pro cluster pomocí příkazu AZ Group Create .First, create a resource group for the cluster using the az group create command. Následující příklad vytvoří název skupiny prostředků myResourceGroup v oblasti eastus :The following example creates a resource group name myResourceGroup in the eastus region:

az group create --name myResourceGroup --location eastus

Nyní vytvořte cluster AKS pomocí příkazu AZ AKS Create .Now create an AKS cluster using the az aks create command. Následující příklad vytvoří cluster s jedním uzlem velikosti Standard_NC6 :The following example creates a cluster with a single node of size Standard_NC6:

az aks create \
    --resource-group myResourceGroup \
    --name myAKSCluster \
    --node-vm-size Standard_NC6 \
    --node-count 1

Pomocí příkazu AZ AKS Get-credentialss Získejte přihlašovací údaje pro váš cluster AKS:Get the credentials for your AKS cluster using the az aks get-credentials command:

az aks get-credentials --resource-group myResourceGroup --name myAKSCluster

Nainstalovat modul plug-in zařízení NVIDIAInstall NVIDIA device plugin

Než bude možné použít GPU v uzlech, je nutné nasadit DaemonSet pro modul plug-in zařízení NVIDIA.Before the GPUs in the nodes can be used, you must deploy a DaemonSet for the NVIDIA device plugin. Tento DaemonSet spustí pod každým uzlem, aby poskytoval požadované ovladače pro GPU.This DaemonSet runs a pod on each node to provide the required drivers for the GPUs.

Nejprve vytvořte obor názvů pomocí příkazu kubectl Create Namespace , například GPU-Resources:First, create a namespace using the kubectl create namespace command, such as gpu-resources:

kubectl create namespace gpu-resources

Vytvořte soubor s názvem NVIDIA-Device-plugin-DS. yaml a vložte následující manifest YAML.Create a file named nvidia-device-plugin-ds.yaml and paste the following YAML manifest. Tento manifest je k dispozici jako součást modulu plug-in zařízení NVIDIA pro projekt Kubernetes.This manifest is provided as part of the NVIDIA device plugin for Kubernetes project.

apiVersion: apps/v1
kind: DaemonSet
metadata:
  name: nvidia-device-plugin-daemonset
  namespace: gpu-resources
spec:
  selector:
    matchLabels:
      name: nvidia-device-plugin-ds
  updateStrategy:
    type: RollingUpdate
  template:
    metadata:
      # Mark this pod as a critical add-on; when enabled, the critical add-on scheduler
      # reserves resources for critical add-on pods so that they can be rescheduled after
      # a failure.  This annotation works in tandem with the toleration below.
      annotations:
        scheduler.alpha.kubernetes.io/critical-pod: ""
      labels:
        name: nvidia-device-plugin-ds
    spec:
      tolerations:
      # Allow this pod to be rescheduled while the node is in "critical add-ons only" mode.
      # This, along with the annotation above marks this pod as a critical add-on.
      - key: CriticalAddonsOnly
        operator: Exists
      - key: nvidia.com/gpu
        operator: Exists
        effect: NoSchedule
      containers:
      - image: mcr.microsoft.com/oss/nvidia/k8s-device-plugin:1.11
        name: nvidia-device-plugin-ctr
        securityContext:
          allowPrivilegeEscalation: false
          capabilities:
            drop: ["ALL"]
        volumeMounts:
          - name: device-plugin
            mountPath: /var/lib/kubelet/device-plugins
      volumes:
        - name: device-plugin
          hostPath:
            path: /var/lib/kubelet/device-plugins

Nyní pomocí příkazu kubectl Apply vytvořte DaemonSet a potvrďte, že se modul plug-in zařízení NVIDIA úspěšně vytvořil, jak je znázorněno v následujícím příkladu výstupu:Now use the kubectl apply command to create the DaemonSet and confirm the NVIDIA device plugin is created successfully, as shown in the following example output:

$ kubectl apply -f nvidia-device-plugin-ds.yaml

daemonset "nvidia-device-plugin" created

Použití specializované image GPU AKS (Preview)Use the AKS specialized GPU image (preview)

Jako alternativu k těmto krokům AKS poskytuje plně nakonfigurovanou AKS bitovou kopii, která již obsahuje modul plug-in zařízení NVIDIA pro Kubernetes.As alternative to these steps, AKS is providing a fully configured AKS image that already contains the NVIDIA device plugin for Kubernetes.

Upozornění

Neměli byste ručně instalovat sadu démonů modulu plug-in pro zařízení NVIDIA pro clustery pomocí nové AKSy specializované image GPU.You should not manually install the NVIDIA device plugin daemon set for clusters using the new AKS specialized GPU image.

Zaregistrujte GPUDedicatedVHDPreview funkci:Register the GPUDedicatedVHDPreview feature:

az feature register --name GPUDedicatedVHDPreview --namespace Microsoft.ContainerService

Může trvat několik minut, než se stav zobrazí jako zaregistrované.It might take several minutes for the status to show as Registered. Stav registrace můžete zjistit pomocí příkazu AZ Feature list :You can check the registration status by using the az feature list command:

az feature list -o table --query "[?contains(name, 'Microsoft.ContainerService/GPUDedicatedVHDPreview')].{Name:name,State:properties.state}"

Pokud se stav zobrazuje jako zaregistrované, aktualizujte registraci Microsoft.ContainerService poskytovatele prostředků pomocí příkazu AZ Provider Register :When the status shows as registered, refresh the registration of the Microsoft.ContainerService resource provider by using the az provider register command:

az provider register --namespace Microsoft.ContainerService

K instalaci rozšíření AKS-Preview rozhraní příkazového řádku použijte následující příkazy rozhraní příkazového řádku Azure:To install the aks-preview CLI extension, use the following Azure CLI commands:

az extension add --name aks-preview

Pokud chcete aktualizovat rozšíření CLI AKS-Preview, použijte následující příkazy rozhraní příkazového řádku Azure CLI:To update the aks-preview CLI extension, use the following Azure CLI commands:

az extension update --name aks-preview

Použití specializované image GPU AKS pro nové clustery (Preview)Use the AKS specialized GPU image on new clusters (preview)

Nakonfigurujte cluster tak, aby při vytvoření clusteru používal image AKS specializovaného grafického procesoru.Configure the cluster to use the AKS specialized GPU image when the cluster is created. Pomocí --aks-custom-headers příznaku v uzlech agentů GPU na novém clusteru použijte k použití AKS specializované image GPU.Use the --aks-custom-headers flag for the GPU agent nodes on your new cluster to use the AKS specialized GPU image.

az aks create --name myAKSCluster --resource-group myResourceGroup --node-vm-size Standard_NC6 --node-count 1 --aks-custom-headers UseGPUDedicatedVHD=true

Pokud chcete vytvořit cluster pomocí běžných imagí AKS, můžete to udělat tak, že vynecháte vlastní --aks-custom-headers značku.If you want to create a cluster using the regular AKS images, you can do so by omitting the custom --aks-custom-headers tag. Můžete se také rozhodnout přidat další specializované fondy uzlů GPU podle níže uvedených pokynů.You can also choose to add more specialized GPU node pools as per below.

Použití specializované image GPU AKS na existujících clusterech (Preview)Use the AKS specialized GPU image on existing clusters (preview)

Konfigurace nového fondu uzlů pro použití specializované image GPU AKSConfigure a new node pool to use the AKS specialized GPU image. Použijte --aks-custom-headers příznak Flag pro uzly agenta GPU v novém fondu uzlů, aby se použila AKS specializovaná image GPU.Use the --aks-custom-headers flag flag for the GPU agent nodes on your new node pool to use the AKS specialized GPU image.

az aks nodepool add --name gpu --cluster-name myAKSCluster --resource-group myResourceGroup --node-vm-size Standard_NC6 --node-count 1 --aks-custom-headers UseGPUDedicatedVHD=true

Pokud chcete vytvořit fond uzlů pomocí běžných imagí AKS, můžete to udělat tak, že vynecháte vlastní --aks-custom-headers značku.If you want to create a node pool using the regular AKS images, you can do so by omitting the custom --aks-custom-headers tag.

Poznámka

Pokud vaše SKU GPU vyžaduje virtuální počítače generace 2, můžete vytvořit tento postup:If your GPU sku requires generation 2 virtual machines, you can create doing:

az aks nodepool add --name gpu --cluster-name myAKSCluster --resource-group myResourceGroup --node-vm-size Standard_NC6s_v2 --node-count 1 --aks-custom-headers UseGPUDedicatedVHD=true,usegen2vm=true

Potvrďte, že jsou plánovatelná GPU.Confirm that GPUs are schedulable

S vytvořeným clusterem AKS ověřte, že GPU jsou plánovatelná v Kubernetes.With your AKS cluster created, confirm that GPUs are schedulable in Kubernetes. Nejprve seznam uzlů v clusteru pomocí příkazu kubectl Get Nodes :First, list the nodes in your cluster using the kubectl get nodes command:

$ kubectl get nodes

NAME                       STATUS   ROLES   AGE   VERSION
aks-nodepool1-28993262-0   Ready    agent   13m   v1.12.7

Nyní použijte příkaz kubectl popsat uzel a potvrďte, že GPU jsou plánovatelná.Now use the kubectl describe node command to confirm that the GPUs are schedulable. V části kapacita by měl grafický procesor vypsat jako nvidia.com/gpu: 1 .Under the Capacity section, the GPU should list as nvidia.com/gpu: 1.

Následující zhuštěný příklad ukazuje, že grafický procesor je k dispozici na uzlu s názvem AKS-nodepool1-18821093-0:The following condensed example shows that a GPU is available on the node named aks-nodepool1-18821093-0:

$ kubectl describe node aks-nodepool1-28993262-0

Name:               aks-nodepool1-28993262-0
Roles:              agent
Labels:             accelerator=nvidia

[...]

Capacity:
 attachable-volumes-azure-disk:  24
 cpu:                            6
 ephemeral-storage:              101584140Ki
 hugepages-1Gi:                  0
 hugepages-2Mi:                  0
 memory:                         57713784Ki
 nvidia.com/gpu:                 1
 pods:                           110
Allocatable:
 attachable-volumes-azure-disk:  24
 cpu:                            5916m
 ephemeral-storage:              93619943269
 hugepages-1Gi:                  0
 hugepages-2Mi:                  0
 memory:                         51702904Ki
 nvidia.com/gpu:                 1
 pods:                           110
System Info:
 Machine ID:                 b0cd6fb49ffe4900b56ac8df2eaa0376
 System UUID:                486A1C08-C459-6F43-AD6B-E9CD0F8AEC17
 Boot ID:                    f134525f-385d-4b4e-89b8-989f3abb490b
 Kernel Version:             4.15.0-1040-azure
 OS Image:                   Ubuntu 16.04.6 LTS
 Operating System:           linux
 Architecture:               amd64
 Container Runtime Version:  docker://1.13.1
 Kubelet Version:            v1.12.7
 Kube-Proxy Version:         v1.12.7
PodCIDR:                     10.244.0.0/24
ProviderID:                  azure:///subscriptions/<guid>/resourceGroups/MC_myResourceGroup_myAKSCluster_eastus/providers/Microsoft.Compute/virtualMachines/aks-nodepool1-28993262-0
Non-terminated Pods:         (9 in total)
  Namespace                  Name                                     CPU Requests  CPU Limits  Memory Requests  Memory Limits  AGE
  ---------                  ----                                     ------------  ----------  ---------------  -------------  ---
  kube-system                nvidia-device-plugin-daemonset-bbjlq     0 (0%)        0 (0%)      0 (0%)           0 (0%)         2m39s

[...]

Spuštění úlohy s povoleným GPURun a GPU-enabled workload

Pokud chcete zobrazit GPU v akci, naplánujte úlohu s povoleným GPU pomocí příslušné žádosti o prostředky.To see the GPU in action, schedule a GPU-enabled workload with the appropriate resource request. V tomto příkladu spustíme úlohu Tensorflow s datovou sadou mnist ručně zapsaných.In this example, let's run a Tensorflow job against the MNIST dataset.

Vytvořte soubor s názvem Samples-TF-mnist ručně zapsaných-demo. yaml a vložte následující manifest YAML.Create a file named samples-tf-mnist-demo.yaml and paste the following YAML manifest. Následující manifest úlohy zahrnuje omezení prostředků nvidia.com/gpu: 1 :The following job manifest includes a resource limit of nvidia.com/gpu: 1:

Poznámka

Pokud při volání do ovladačů obdržíte chybu neshody verzí, například, verze ovladače CUDA není dostatečná pro verzi CUDA runtime, Projděte si graf kompatibility matice ovladače NVIDIA – https://docs.nvidia.com/deploy/cuda-compatibility/index.htmlIf you receive a version mismatch error when calling into drivers, such as, CUDA driver version is insufficient for CUDA runtime version, review the NVIDIA driver matrix compatibility chart - https://docs.nvidia.com/deploy/cuda-compatibility/index.html

apiVersion: batch/v1
kind: Job
metadata:
  labels:
    app: samples-tf-mnist-demo
  name: samples-tf-mnist-demo
spec:
  template:
    metadata:
      labels:
        app: samples-tf-mnist-demo
    spec:
      containers:
      - name: samples-tf-mnist-demo
        image: mcr.microsoft.com/azuredocs/samples-tf-mnist-demo:gpu
        args: ["--max_steps", "500"]
        imagePullPolicy: IfNotPresent
        resources:
          limits:
           nvidia.com/gpu: 1
      restartPolicy: OnFailure

Spusťte úlohu pomocí příkazu kubectl Apply .Use the kubectl apply command to run the job. Tento příkaz analyzuje soubor manifestu a vytvoří definované objekty Kubernetes:This command parses the manifest file and creates the defined Kubernetes objects:

kubectl apply -f samples-tf-mnist-demo.yaml

Zobrazení stavu a výstupu úlohy s podporou GPUView the status and output of the GPU-enabled workload

Sledujte průběh úlohy pomocí příkazu kubectl získat úlohy s --watch argumentem.Monitor the progress of the job using the kubectl get jobs command with the --watch argument. První načtení obrázku a zpracování datové sady může trvat několik minut.It may take a few minutes to first pull the image and process the dataset. Když se ve sloupci dokončení zobrazí 1/1, úloha se úspěšně dokončila.When the COMPLETIONS column shows 1/1, the job has successfully finished. Ukončete kubetctl --watch příkaz pomocí kombinace kláves CTRL-C:Exit the kubetctl --watch command with Ctrl-C:

$ kubectl get jobs samples-tf-mnist-demo --watch

NAME                    COMPLETIONS   DURATION   AGE

samples-tf-mnist-demo   0/1           3m29s      3m29s
samples-tf-mnist-demo   1/1   3m10s   3m36s

Pokud se chcete podívat na výstup úlohy s povoleným grafickým procesorem, nejdřív si načtěte název pod příkazem kubectl Get lusks :To look at the output of the GPU-enabled workload, first get the name of the pod with the kubectl get pods command:

$ kubectl get pods --selector app=samples-tf-mnist-demo

NAME                          READY   STATUS      RESTARTS   AGE
samples-tf-mnist-demo-mtd44   0/1     Completed   0          4m39s

Nyní použijte příkaz kubectl logs k zobrazení protokolů pod.Now use the kubectl logs command to view the pod logs. V následujícím příkladu se v protokolech potvrdí, že se zjistilo příslušné zařízení GPU Tesla K80 .The following example pod logs confirm that the appropriate GPU device has been discovered, Tesla K80. Zadejte název pro vlastní pod:Provide the name for your own pod:

$ kubectl logs samples-tf-mnist-demo-smnr6

2019-05-16 16:08:31.258328: I tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA
2019-05-16 16:08:31.396846: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1030] Found device 0 with properties: 
name: Tesla K80 major: 3 minor: 7 memoryClockRate(GHz): 0.8235
pciBusID: 2fd7:00:00.0
totalMemory: 11.17GiB freeMemory: 11.10GiB
2019-05-16 16:08:31.396886: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1120] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: Tesla K80, pci bus id: 2fd7:00:00.0, compute capability: 3.7)
2019-05-16 16:08:36.076962: I tensorflow/stream_executor/dso_loader.cc:139] successfully opened CUDA library libcupti.so.8.0 locally
Successfully downloaded train-images-idx3-ubyte.gz 9912422 bytes.
Extracting /tmp/tensorflow/input_data/train-images-idx3-ubyte.gz
Successfully downloaded train-labels-idx1-ubyte.gz 28881 bytes.
Extracting /tmp/tensorflow/input_data/train-labels-idx1-ubyte.gz
Successfully downloaded t10k-images-idx3-ubyte.gz 1648877 bytes.
Extracting /tmp/tensorflow/input_data/t10k-images-idx3-ubyte.gz
Successfully downloaded t10k-labels-idx1-ubyte.gz 4542 bytes.
Extracting /tmp/tensorflow/input_data/t10k-labels-idx1-ubyte.gz
Accuracy at step 0: 0.1081
Accuracy at step 10: 0.7457
Accuracy at step 20: 0.8233
Accuracy at step 30: 0.8644
Accuracy at step 40: 0.8848
Accuracy at step 50: 0.8889
Accuracy at step 60: 0.8898
Accuracy at step 70: 0.8979
Accuracy at step 80: 0.9087
Accuracy at step 90: 0.9099
Adding run metadata for 99
Accuracy at step 100: 0.9125
Accuracy at step 110: 0.9184
Accuracy at step 120: 0.922
Accuracy at step 130: 0.9161
Accuracy at step 140: 0.9219
Accuracy at step 150: 0.9151
Accuracy at step 160: 0.9199
Accuracy at step 170: 0.9305
Accuracy at step 180: 0.9251
Accuracy at step 190: 0.9258
Adding run metadata for 199
Accuracy at step 200: 0.9315
Accuracy at step 210: 0.9361
Accuracy at step 220: 0.9357
Accuracy at step 230: 0.9392
Accuracy at step 240: 0.9387
Accuracy at step 250: 0.9401
Accuracy at step 260: 0.9398
Accuracy at step 270: 0.9407
Accuracy at step 280: 0.9434
Accuracy at step 290: 0.9447
Adding run metadata for 299
Accuracy at step 300: 0.9463
Accuracy at step 310: 0.943
Accuracy at step 320: 0.9439
Accuracy at step 330: 0.943
Accuracy at step 340: 0.9457
Accuracy at step 350: 0.9497
Accuracy at step 360: 0.9481
Accuracy at step 370: 0.9466
Accuracy at step 380: 0.9514
Accuracy at step 390: 0.948
Adding run metadata for 399
Accuracy at step 400: 0.9469
Accuracy at step 410: 0.9489
Accuracy at step 420: 0.9529
Accuracy at step 430: 0.9507
Accuracy at step 440: 0.9504
Accuracy at step 450: 0.951
Accuracy at step 460: 0.9512
Accuracy at step 470: 0.9539
Accuracy at step 480: 0.9533
Accuracy at step 490: 0.9494
Adding run metadata for 499

Vyčištění prostředkůClean up resources

K odebrání přidružených objektů Kubernetes vytvořených v tomto článku použijte příkaz kubectl Delete Job :To remove the associated Kubernetes objects created in this article, use the kubectl delete job command as follows:

kubectl delete jobs samples-tf-mnist-demo

Další krokyNext steps

Pokud chcete spouštět úlohy Apache Spark, přečtěte si téma spuštění úloh Apache Spark na AKS.To run Apache Spark jobs, see Run Apache Spark jobs on AKS.

Další informace o spouštění úloh strojového učení (ML) na Kubernetes najdete v tématu Kubeflow Labs.For more information about running machine learning (ML) workloads on Kubernetes, see Kubeflow Labs.