Kubernetes クラスターの事前トレーニングチュートリアル (GPU) - Amazon SageMaker AI
GPU Kubernetes 環境のセットアップSageMaker HyperPod CLI を使用してトレーニングジョブを起動するレシピランチャーを使用してトレーニングジョブを起動する

Kubernetes クラスターの事前トレーニングチュートリアル (GPU)

GPU Kubernetes クラスターでトレーニングジョブを起動するには、次の 2 つの方法があります。

前提条件

環境のセットアップを開始する前に、以下を確認します。

  • HyperPod GPU Kubernetes クラスターが適切にセットアップされている。

  • 共有ストレージの場所。クラスターノードからアクセスできる Amazon FSx ファイルシステムまたは NFS システムでかまいません。

  • 以下の形式のいずれか。

    • JSON

    • JSONGZ (圧縮 JSON)

    • ARROW

  • (オプション) HuggingFace のモデル重みを事前トレーニングまたはファインチューニングに使用する場合は、HuggingFace トークンを取得する必要があります。アクセストークンの詳細については、「ユーザーアクセストークン」を参照してください。

GPU Kubernetes 環境のセットアップ

GPU Kubernetes 環境を設定するには、以下を実行します。

  • 仮想環境をセットアップします。Python 3.9 以降を使用していることを確認します。

    python3 -m venv ${PWD}/venv
source venv/bin/activate

  • 以下のいずれかの方法で、依存関係をインストールします。

    • (推奨): HyperPod コマンドラインツールの方法:

      # install HyperPod command line tools
git clone https://github.com/aws/sagemaker-hyperpod-cli
cd sagemaker-hyperpod-cli
pip3 install .

    • SageMaker HyperPod レシピの方法:

      # install SageMaker HyperPod Recipes.
git clone --recursive git@github.com:aws/sagemaker-hyperpod-recipes.git
cd sagemaker-hyperpod-recipes
pip3 install -r requirements.txt

  • kubectl と eksctl のセットアップ

  • Helm をインストールする

  • Kubernetes クラスターに接続する

    aws eks update-kubeconfig --region "CLUSTER_REGION" --name "CLUSTER_NAME"
hyperpod connect-cluster --cluster-name "CLUSTER_NAME" [--region "CLUSTER_REGION"] [--namespace <namespace>]

SageMaker HyperPod CLI を使用してトレーニングジョブを起動する

SageMaker HyperPod コマンドラインインターフェイス (CLI) ツールを使用して、設定でトレーニングジョブを送信することをお勧めします。次の例では、hf_llama3_8b_seq16k_gpu_p5x16_pretrain モデルのトレーニングジョブを送信します。

  • your_training_container: 深層学習コンテナ。SMP コンテナの最新リリースを確認するには、「SageMaker モデル並列処理ライブラリのリリースノート」を参照してください。

  • (オプション) 次の key-value ペアを設定することで、HuggingFace から事前トレーニング済みの重みが必要な場合は、HuggingFace トークンを指定できます。

    "recipes.model.hf_access_token": "<your_hf_token>"
hyperpod start-job --recipe training/llama/hf_llama3_8b_seq16k_gpu_p5x16_pretrain \
--persistent-volume-claims fsx-claim:data \
--override-parameters \
'{
"recipes.run.name": "hf-llama3-8b",
"recipes.exp_manager.exp_dir": "/data/<your_exp_dir>",
"container": "658645717510.dkr.ecr.<region>.amazonaws.com/smdistributed-modelparallel:2.4.1-gpu-py311-cu121",
"recipes.model.data.train_dir": "<your_train_data_dir>",
"recipes.model.data.val_dir": "<your_val_data_dir>",
"cluster": "k8s",
"cluster_type": "k8s"
}'

トレーニングジョブを送信したら、次のコマンドを使用して、送信が正常に完了したかどうかを確認できます。

kubectl get pods
NAME                             READY   STATUS             RESTARTS        AGE
hf-llama3-<your-alias>-worker-0   0/1     running         0               36s

STATUS が PENDING または ContainerCreating の場合は、以下のコマンドを実行して詳細を取得します。

kubectl describe pod name_of_pod

ジョブの STATUS が Running に変わったら、以下のコマンドを使用してログを確認できます。

kubectl logs name_of_pod

STATUS は、kubectl get pods を実行すると、Completed に変わります。

レシピランチャーを使用してトレーニングジョブを起動する

または、SageMaker HyperPod レシピを使用してトレーニングジョブを送信することもできます。レシピを使用するには、k8s.yaml、config.yaml を更新し、起動スクリプトを実行します。

  • k8s.yaml で、persistent_volume_claims を更新します。Amazon FSx クレームを各コンピューティングポッドの /data ディレクトリにマウントします。

    persistent_volume_claims:
  - claimName: fsx-claim
    mountPath: data

  • config.yaml で、repo_url_or_path の下の git を更新します。

    git:
  repo_url_or_path: <training_adapter_repo>
  branch: null
  commit: null
  entry_script: null
  token: null

  • launcher_scripts/llama/run_hf_llama3_8b_seq16k_gpu_p5x16_pretrain.sh の更新

    • your_contrainer: 深層学習コンテナ。SMP コンテナの最新リリースを確認するには、「SageMaker モデル並列処理ライブラリのリリースノート」を参照してください。

    • (オプション) 次の key-value ペアを設定することで、HuggingFace から事前トレーニング済みの重みが必要な場合は、HuggingFace トークンを指定できます。

      recipes.model.hf_access_token=<your_hf_token>
    #!/bin/bash
#Users should setup their cluster type in /recipes_collection/config.yaml
REGION="<region>"
IMAGE="658645717510.dkr.ecr.${REGION}.amazonaws.com/smdistributed-modelparallel:2.4.1-gpu-py311-cu121"
SAGEMAKER_TRAINING_LAUNCHER_DIR=${SAGEMAKER_TRAINING_LAUNCHER_DIR:-"$(pwd)"}
EXP_DIR="<your_exp_dir>" # Location to save experiment info including logging, checkpoints, ect
TRAIN_DIR="<your_training_data_dir>" # Location of training dataset
VAL_DIR="<your_val_data_dir>" # Location of talidation dataset

HYDRA_FULL_ERROR=1 python3 "${SAGEMAKER_TRAINING_LAUNCHER_DIR}/main.py" \
    recipes=training/llama/hf_llama3_8b_seq8k_gpu_p5x16_pretrain \
    base_results_dir="${SAGEMAKER_TRAINING_LAUNCHER_DIR}/results" \
    recipes.run.name="hf-llama3" \
    recipes.exp_manager.exp_dir="$EXP_DIR" \
    cluster=k8s \
    cluster_type=k8s \
    container="${IMAGE}" \
    recipes.model.data.train_dir=$TRAIN_DIR \
    recipes.model.data.val_dir=$VAL_DIR

  • トレーニングジョブを起動する

    bash launcher_scripts/llama/run_hf_llama3_8b_seq16k_gpu_p5x16_pretrain.sh

トレーニングジョブを送信したら、次のコマンドを使用して、送信が正常に完了したかどうかを確認できます。

kubectl get pods
NAME READY   STATUS             RESTARTS        AGE
hf-llama3-<your-alias>-worker-0   0/1     running         0               36s

STATUS が PENDING または ContainerCreating の場合は、以下のコマンドを実行して詳細を取得します。

kubectl describe pod <name-of-pod>

ジョブの STATUS が Running に変わったら、以下のコマンドを使用してログを確認できます。

kubectl logs name_of_pod

kubectl get pods を実行すると、STATUS は Completed になります。

k8s クラスターの設定に関する詳細については、「HyperPod k8s でのトレーニングジョブの実行」を参照してください。