Kubernetes 叢集預先訓練教學課程 (GPU) - Amazon SageMaker AI
GPU Kubernetes 環境設定使用 SageMaker HyperPod CLI 啟動訓練任務使用配方啟動器啟動訓練任務

Kubernetes 叢集預先訓練教學課程 (GPU)

有兩種方式可在 GPU Kubernetes 叢集中啟動訓練任務：

先決條件

開始設定環境之前，請確定您具有下列先決條件：

  • HyperPod GPU Kubernetes 叢集已正確設定。

  • 共用儲存位置。它可以是可從叢集節點存取的 Amazon FSx 檔案系統或 NFS 系統。

  • 採用下列其中一種格式的資料：

    • JSON

    • JSONGZ (壓縮 JSON)

    • ARROW

  • (選用) 如果您要使用來自 HuggingFace 的模型權重進行預先訓練或微調，則必須取得 HuggingFace 權杖。如需取得權杖的詳細資訊，請參閱使用者存取權杖。

GPU Kubernetes 環境設定

若要設定 GPU Kubernetes 環境，請執行下列動作：

  • 設定虛擬環境。請確定您使用的是 Python 3.9 或更新版本。

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

  • 使用下列其中一種方法安裝相依性：

    • (建議)：HyperPod 命令列工具方法：

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

    • SageMaker HyperPod 配方方法：

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

  • 設定 kubectl 和 eksctl

  • 安裝 Helm

  • 連線至您的 Kubernetes 叢集

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

使用 SageMaker HyperPod CLI 啟動訓練任務

建議使用 SageMaker HyperPod 命令列介面 (CLI) 工具，搭配您的組態提交訓練任務。下列範例會提交 hf_llama3_8b_seq16k_gpu_p5x16_pretrain 模型的訓練任務。

  • your_training_container：深度學習容器 若要尋找 SMP 容器的最新版本，請參閱 SageMaker 模型平行化程式庫的版本備註。

  • (選用) 如果您需要來自 HuggingFace 的預先訓練權重，您可以設定下列金鑰/值對，以提供 HuggingFace 權杖：

    "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"
}'

在提交了訓練任務之後，您可以使用下列命令來驗證是否已成功提交。

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

如果 STATUS 是 PENDING 或 ContainerCreating，請執行下列命令以取得詳細資訊。

kubectl describe pod name_of_pod

在任務 STATUS 變更為 Running 之後，您可以使用下列命令來檢查日誌。

kubectl logs name_of_pod

STATUS 會在您執行 kubectl get pods 時變成 Completed。

使用配方啟動器啟動訓練任務

或者，您可以使用 SageMaker HyperPod 配方來提交訓練任務。使用配方涉及更新 k8s.yaml、config.yaml 和執行啟動指令碼。

  • 在 k8s.yaml 中，更新 persistent_volume_claims。它會將 Amazon FSx 宣告掛載到每個運算 Pod 的 /data 目錄

    persistent_volume_claims:
  - claimName: fsx-claim
    mountPath: data

  • 在 config.yaml 中，更新 git 下的 repo_url_or_path。

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

  • 更新 launcher_scripts/llama/run_hf_llama3_8b_seq16k_gpu_p5x16_pretrain.sh

    • your_contrainer：深度學習容器 若要尋找 SMP 容器的最新版本，請參閱 SageMaker 模型平行化程式庫的版本備註。

    • (選用) 如果您需要來自 HuggingFace 的預先訓練權重，您可以設定下列金鑰/值對，以提供 HuggingFace 權杖：

      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

  • 啟動訓練任務

    bash launcher_scripts/llama/run_hf_llama3_8b_seq16k_gpu_p5x16_pretrain.sh

在提交了訓練任務之後，您可以使用下列命令來驗證是否已成功提交。

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

如果 STATUS 是 PENDING 或 ContainerCreating，請執行下列命令以取得詳細資訊。

kubectl describe pod <name-of-pod>

在任務 STATUS 變更為 Running 之後，您可以使用下列命令來檢查日誌。

kubectl logs name_of_pod

當您執行 Completed 時，STATUS 會變成 kubectl get pods。

如需 k8s 叢集組態的詳細資訊，請參閱 在 HyperPod k8s 上執行訓練任務。