GPU Ant8裸金属服务器NVIDIA525+CUDA12.0装机和NCCL验证
0. 前置条件
华为云Ant8裸金属服务器,使用IMS公共镜像Ubuntu 20.04 x86 64bit sdi3 for Ant8 BareMetal. 镜像中仅预置IB驱动; nvidia驱动均未安装。
本文旨在在此机器上做NCCL-test测试, 先装机,在测试。装机软件预览如下:
软件类型 | 版本详情 |
预置操作系统 | Ubuntu 20.04 server 64bit |
nvidia-driver | 525.105.17 |
nvidia-cuda | 12.0 |
nvidia-fabricmanager | 515.10.17(必须和nvidia-driver版本保持一致) |
mlnx-ofed-linux | 5.8-2.0.3.0/5.4-3.6.8.1(可选) |
nvidia-peer-memory-dkms | 1.2-0 |
nccl | libnccl2=2.16.2-1+cuda12.0 libnccl-dev=2.16.2-1+cuda12.0 |
nccl-test | v.2.13.6 |
注意: 默认认为当前机器已经完成配置RoCE网络。
1. 替换apt源
sudo sed -i "s@http://.*archive.ubuntu.com@http://repo.huaweicloud.com@g" /etc/apt/sources.list
sudo sed -i "s@http://.*security.ubuntu.com@http://repo.huaweicloud.com@g" /etc/apt/sources.list
sudo apt update
2. 安装nvidia驱动
注意替换驱动版本为自己期望的。
sudo apt install nvidia-driver-525
3、安装cuda-toolkit
3.1 安装方式1-deb(local)
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/12.0.0/local_installers/cuda-repo-ubuntu2004-12-0-local_12.0.0-525.60.13-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu2004-12-0-local_12.0.0-525.60.13-1_amd64.deb
sudo cp /var/cuda-repo-ubuntu2004-12-0-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda
3.2 安装方式2-runfile(local)
wget https://developer.download.nvidia.com/compute/cuda/12.0.0/local_installers/cuda_12.0.0_525.60.13_linux.run
sudo sh cuda_12.0.0_525.60.13_linux.run
4、安装nccl
参考:https://docs.nvidia.com/deeplearning/nccl/install-guide/index.html
nccl和环境中cuda版本的配套的。配套关系和安装方法参考: https://developer.nvidia.com/nccl/nccl-legacy-downloads
本文使用cuda版本是12.0, 因此安装nccl的命令为
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt update
sudo apt install libnccl2=2.16.2-1+cuda12.0 libnccl-dev=2.16.2-1+cuda12.0
5、安装nvidia-fabricmanager
Ant系列 GPU支持 NvLink & NvSwitch,若您使用多GPU卡的机型,需额外安装与驱动版本对应的nvidia-fabricmanager服务使GPU卡间能够互联,否则可能无法正常使用GPU实例。
注意事项: nvidia-fabricmanager的版本需要和nvidia-driver版本保持一致。
sudo apt install nvidia-fabricmanager-525
systemctl enable nvidia-fabricmanager
systemctl start nvidia-fabricmanager
6、安装nvidia-peer-memory
git clone https://github.com/Mellanox/nv_peer_memory.git
cd ./nv_peer_memory
./build_module.sh
cd /tmp
tar xzf /tmp/nvidia-peer-memory_1.3.orig.tar.gz
cd nvidia-peer-memory-1.3
dpkg-buildpackage -us -uc
dpkg -i ../nvidia-peer-memory-dkms_1.2-0_all.deb
nv_peer_mem工作在linux内核态,安装完成后需要看是否加载到内核, 通过执行 lsmod | grep peer查看是否加载.
注意事项:
(1). 如果git clone拉不下来代码,可能需要先设置下git的配置:
git config --global core.compression -1
export GIT_SSL_NO_VERIFY=1
git config --global http.sslVerify false
git config --global http.postBuffer 10524288000
git config --global http.lowSpeedLimit 1000
git config --global http.lowSpeedTime 1800
(2). 如果安装完成后lsmod 看不到nv-peer-memory,可能是由于ib驱动版本过低导致,此时需要升级ib驱动,升级命令:
wget https://content.mellanox.com/ofed/MLNX_OFED-5.4-3.6.8.1/MLNX_OFED_LINUX-5.4-3.6.8.1-ubuntu20.04-x86_64.tgz
tar -zxvf MLNX_OFED_LINUX-5.4-3.6.8.1-ubuntu20.04-x86_64.tgz
cd MLNX_OFED_LINUX-5.4-3.6.8.1-ubuntu20.04-x86_64
apt-get install -y python3 gcc quilt build-essential bzip2 dh-python pkg-config dh-autoreconf python3-distutils debhelper make
./mlnxofedinstall --add-kernel-support
如果想安装其它更高版本的ib驱动,请参考:
https://network.nvidia.com/products/infiniband-drivers/linux/mlnx_ofed/
比如要安装MLNX_OFED-5.8-2.0.3.0 (当前最新版本)
wget https://content.mellanox.com/ofed/MLNX_OFED-5.8-2.0.3.0/MLNX_OFED_LINUX-5.8-2.0.3.0-ubuntu20.04-x86_64.tgz
tar -zxvf MLNX_OFED_LINUX-5.8-2.0.3.0-ubuntu20.04-x86_64.tgz
cd MLNX_OFED_LINUX-5.8-2.0.3.0-ubuntu20.04-x86_64
apt-get install -y python3 gcc quilt build-essential bzip2 dh-python pkg-config dh-autoreconf python3-distutils debhelper make
./mlnxofedinstall --add-kernel-support
(3). 安装完nv_peer_mem, 如果想查看其状态可以
/etc/init.d/nv_peer_mem/ status
如果发现没有此文件,则可能安装的时候没有默认拷贝过来,需要拷贝即可:
cp /tmp/nvidia-peer-memory-1.3/nv_peer_mem.conf /etc/infiniband/
cp /tmp/nvidia-peer-memory-1.3/debian/tmp/etc/init.d/nv_peer_mem /etc/init.d/
7、设置环境变量
注意事项: MPI路径版本需要匹配, 可以通过 ls /usr/mpi/gcc/ 查看openmpi的具体版本.
# 加入到~/.bashrc
export LD_LIBRARY_PATH=/usr/local/cuda/lib:usr/local/cuda/lib64:/usr/include/nccl.h:/usr/mpi/gcc/openmpi-4.1.2a1/lib:$LD_LIBRARY_PATH
export PATH=$PATH:/usr/local/cuda/bin:/usr/mpi/gcc/openmpi-4.1.2a1/bin
8. nccl-test
先安装编译nccl-test
注意事项: MPI路径版本需要匹配, 可以通过 ls /usr/mpi/gcc/ 查看openmpi的具体版本.
cd /root
git clone https://github.com/NVIDIA/nccl-tests.git
cd ./nccl-tests
make MPI=1 MPI_HOME=/usr/mpi/gcc/openmpi-4.1.2a1 -j 8
注意:编译时需要加上MPI=1的参数,否则无法进行多机之间的测试
9 测试
(1) 单机测试:
/root/nccl-tests/build/all_reduce_perf -b 8 -e 1024M -f 2 -g 8
(2) 多机测试:
mpirun --allow-run-as-root --hostfile hostfile -mca btl_tcp_if_include eth0 -mca btl_openib_allow_ib true -x NCCL_DEBUG=INFO -x NCCL_IB_GID_INDEX=3 -x NCCL_IB_TC=128 -x NCCL_ALGO=RING -x NCCL_IB_HCA=^mlx5_bond_0 -x LD_LIBRARY_PATH -x NCCl_IB_QPS_PER_CONNECTION=4 /root/nccl-tests/build/all_reduce_perf -b 8 -e 11g -f 2 -g 8
hostfile格式:
#主机私有Ip 单节点进程数
192.168.20.1 slots=1
192.168.20.2 slots=1
注意事项:
1. 需要执行mpirun的节点到hostfile中的节点间有免密登录(SSH 三步解决免密登录_jeikerxiao的博客-CSDN博客)
2. btl_tcp_if_include 后面替换为主网卡名称
3. NCCL环境变量:
NCCL_IB_GID_INDEX=3 :数据包走交换机的队列4通道,这是RoCE协议标准。
NCCL_IB_TC=128 :使用RoCE v2协议,默认使用RoCE v1,但是v1在交换机上没有拥塞控制,可能丢包,而且后面的交换机不会支持v1,就跑不起来了。
NCCL_ALGO=RING :
nccl_test的总线bandwidth 是在假定是Ring算法的情况下 计算出来的。
计算公式是有假设的: 总线带宽 = 算法带宽 * 2 ( N-1 ) / N ,算法带宽 = 数据量 / 时间
但是这个计算公式的前提是用Ring算法,Tree算法的总线带宽不能这么算。
如果Tree算法算出来的总线带宽相当于是相对Ring算法的性能加速。
算法计算总耗时减少了,所以用公式算出来的总线带宽也增加了
理论上Tree算法是比Ring算法更优的,但是Tree算法对网络的要求比Ring高,计算可能不太稳定。 Tree算法可以用更少的数据通信量完成all reduce计算,但用来测试性能不太合适。
因此,会出现两节点实际带宽100,但测试出速度110,甚至130GB/s的情况。
加这个参数以后,2节点和2节点以上情况的速度才会稳定一些
附图1: 关于mpirun命令解释的详图附图2: 笔者在自己两个节点的机器上nccl-test测试结果
- 点赞
- 收藏
- 关注作者
评论(0)