在k8s上部署pytorch分布式程序的完整步骤记录

 更新时间:2024年08月23日 11:17:42   作者:道阻&且长  
Kubernetes的核心优势在于其能够提供一个可扩展、灵活且高度可配置的平台,使得应用程序的部署、扩展和管理变得前所未有的简单下面这篇文章主要给大家介绍了关于在k8s上部署pytorch分布式程序的完整步骤,需要的朋友可以参考下

集群配置

在k8s集群安装stable版training-operator:

kubectl apply -k "github.com/kubeflow/training-operator/manifests/overlays/standalone?ref=v1.7.0"

下载Kubeflow training-operator对应的Python SDK:

pip3 install kubeflow-training

简单的pytorch CPU分布式测试

demo.py文件内容如下:

import datetime
import torch
torch.distributed.init_process_group(init_method="env://",timeout=datetime.timedelta(minutes=1))
rank = torch.distributed.get_rank()
world_size = torch.distributed.get_world_size()
print(f"rank {rank} world_size {world_size}")
a = torch.tensor([1])
torch.distributed.all_reduce(a)
print(f"rank {rank} world_size {world_size} result {a}")
torch.distributed.barrier()
print(f"rank {rank} world_size {world_size}")

Dockerfile文件如下:

FROM python:3.8
RUN pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
WORKDIR /
COPY demo.py demo.py

打包好镜像上传后,便可以在集群中跑pytorchjob,pytorch.yaml部署文件如下:

apiVersion: "kubeflow.org/v1"
kind: PyTorchJob
metadata:
  name: torchrun-cpu
spec:
  pytorchReplicaSpecs:
    Master:
      replicas: 1
      restartPolicy: OnFailure
      template:
        spec:
          containers:
            - name: pytorch
              image: pytorch-demo
              command:
                - "python3"
                - "demo.py"
    Worker:
      replicas: 1
      restartPolicy: OnFailure
      template:
        spec:
          containers:
            - name: pytorch
              image: pytorch-demo
              command:
                - "python3"
                - "demo.py"

执行命令开始部署:

kubectl apply -f pytorch.yaml -n namespace

正常运行结束后可以看到两个pod均为complete状态,查看log输出:

training-operator的一些设计

当我们通过training-operator创建对应的pod资源时,describe worker可以看到如下的env信息:

可以看到master默认端口为23456,world_size即总共的运行节点为2,该worker对应的rank为1,master的地址为master的pod的name,这其实是training-operator为它创建了对应的svc,查看svc可以看到与pod同名的svc:

通过svc配置worker到master pod的tcp连接,以便在distributed.init_process_group以及接下来参数同步等需要网络传输的操作能够正常进行。

而training-operator通过解析yaml文件来为部署的pod配置环境变量以便init_process_group时不用自己配置分布式训练的参数,而是直接读取env配置好的参数,可以简化开发者的开发难度。不过这也能看出来,training-operator对pytorch分布式的支持实际上也是基于pytorch原有的pytorch分布式框架进行开发,在operator上添加相关代码给予支持。

总结

到此这篇关于在k8s上部署pytorch分布式程序的文章就介绍到这了,更多相关k8s部署pytorch分布式程序内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • 对pyqt5中QTabWidget的相关操作详解

    对pyqt5中QTabWidget的相关操作详解

    今天小编就为大家分享一篇对pyqt5中QTabWidget的相关操作详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2019-06-06
  • Python+腾讯云服务器实现每日自动健康打卡

    Python+腾讯云服务器实现每日自动健康打卡

    本文主要介绍了通过Python+腾讯云服务器实现每日自动健康打卡,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2021-12-12
  • 修复 Django migration 时遇到的问题解决

    修复 Django migration 时遇到的问题解决

    本篇文章主要介绍了修复 Django migration 时遇到的问题解决,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
    2018-06-06
  • Python学习之列表常用方法总结

    Python学习之列表常用方法总结

    这篇文章主要为大家介绍了Python中列表的几个常用方法总结,文中的示例代码讲解详细,对我们学习Python列表有一定帮助,需要的可以参考一下
    2022-03-03
  • Python小红书旋转验证码识别实战教程

    Python小红书旋转验证码识别实战教程

    这篇文章主要介绍了Python小红书旋转验证码识别实战教程,本文通过示例代码给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧
    2023-08-08
  • Django执行python manage.py makemigrations报错的解决方案分享

    Django执行python manage.py makemigrations报错的解决方案分享

    相信用过很多Django makemigrations的人都会遇到过makemigrations时会发生报错,下面这篇文章主要给大家介绍了关于Django执行python manage.py makemigrations报错的解决方案,需要的朋友可以参考下
    2022-09-09
  • python 牛顿法实现逻辑回归(Logistic Regression)

    python 牛顿法实现逻辑回归(Logistic Regression)

    这篇文章主要介绍了python 牛顿法实现逻辑回归(Logistic Regression),帮助大家更好的进行机器学习,感兴趣的朋友可以了解下
    2020-10-10
  • Python按钮的响应事件详解

    Python按钮的响应事件详解

    今天小编就为大家分享一篇关于Python按钮的响应事件详解,小编觉得内容挺不错的,现在分享给大家,具有很好的参考价值,需要的朋友一起跟随小编来看看吧
    2019-03-03
  • Python中下划线的使用方法

    Python中下划线的使用方法

    这篇文章主要介绍了Python中下划线的使用方法,是为python编程学习中的基本知识,需要的朋友可以参考下
    2015-03-03
  • Django零基础入门之运行Django版的hello world

    Django零基础入门之运行Django版的hello world

    这篇文章主要介绍了Django零基础入门之运行Django版的hello world,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
    2021-09-09

最新评论