GPU 分布式 AI 训练加速引擎 TACO-Training 容器方案首发！

背景

随着 AI 模型规模的越来越大，训练数据的越来越多，用户对模型的迭代效率也要求越来越高，单个 GPU 的算力显然无法满足大部分业务场景，使用单机多卡或多机多卡训练成为趋势。单机多卡训练场景的参数同步借助目前 NVIDIA NVLINK 技术已经得到了很好地解决，而多机多卡场景由于对网络通信的强依赖就没有那么简单。

目前网卡厂商提供的 RoCE 等 RDMA 技术，使得多机通信效率大幅提升，但是如何在25G或 50G VPC 网络环境下提升分布式训练系统的通信效率，仍然是目前公有云厂商亟需解决的问题。TACO-Training 不同于业界其他方案的创新点在于，除了常用的多级通信、多流通信、梯度融合、压缩通信等 AI 加速技术，还引入了自定义用户态协议栈 HARP，有效地解决了 VPC 环境下多机多卡训练中的网络通信问题。

自定义用户态协议栈 HARP 可以在 VPC 分布式训练环境环境实现接近 100G RDMA 网络的线性加速比，相比开源的 Horovod 框架在部分模型上有高达两倍多的性能提升。

TACO-Training 在云服务器和云容器环境下都可以部署，在 GPU 云服务器上的TACO-Training 训练加速部署方案已经在官网文档上线，具体可参见 GPU 云服务器上部署 AI 加速引擎 TACO-Training。

本文将为大家介绍基于腾讯云容器服务（TKE）的部署方案，让我们一起了解 TACO-Training 在云容器上的分布式训练加速方案，借助腾讯云自研网络协议栈 HARP，加速 AI 训练！

介绍

TACO-Training

TACO-Training 是腾讯云异构计算团队基于 IaaS 资源推出的 AI 训练加速引擎，为用户提供开箱即用的 AI 训练套件。TACO-Training 背靠云帆Oteam，基于腾讯内部丰富的 AI 业务场景，提供自底向上的网络通信、分布式策略及训练框架等多层级的优化，是一套全生态的训练加速方案。为了更好的服务用户，腾讯云决定提供内部深度优化的 AI 训练加速方案给用户部署体验，助力用户节约计算成本，提高 AI 产品研发效率。

TACO-Training 在分布式场景引入的主要加速技术包括：

• 基于 Horovod 深度定制优化的 LightCC 通信组件，在兼容原始 API 的基础上，提供了多级通信、TOPK 压缩通信、多策略梯度融合等优化技术
• 自研用户态网络协议栈 HARP

HARP

随着网络硬件技术的发展，网卡的速度从10G增长到100G甚至更高，并在数据中心大量部署使用。但目前普遍使用的内核网络协议栈存在着一些必要的开销，使其不能很好地利用高速网络设备。为了解决内核网络协议栈存在的问题，腾讯云自研了用户态网络协议栈 HARP，可以以 Plug-in 的方式集成到 NCCL 中，无需任何业务改动，加速云上分布式训练性能。在 VPC 的环境下，相比传统的内核协议栈，HARP 提供了以下的能力：

• 支持全链路内存零拷贝，HARP 协议栈提供特定的 buffer 给应用，使应用的数据经过 HARP 协议栈处理后由网卡直接进行收发，消除内核协议栈中耗时及占用 CPU 较高的多次内存拷贝操作。
• 支持协议栈多实例隔离，即应用可以在多个 CPU core 上创建特定协议栈实例处理网络报文，每个实例间相互隔离，保证性能线性增长。
• 数据平面无锁设计，HARP 协议栈内部保证网络 session 的数据仅在创建该 session 的 CPU core 上，使用特定的协议栈实例处理。减少了内核中同步锁的开销，也降低了 CPU 的 Cache Miss 率，大幅提升网络数据的处理性能。

下图中左边是内核协议栈，右边是用户态协议栈 HARP。

TKE Kubeflow

Kubeflow 是在 k8s 平台之上针对机器学习的开发、训练、优化、部署和管理的工具集，融合了机器学习领域的很多开源项目，比如 Jupyter、tfserving、Katib、Argo 等。可以针对机器学习的不同阶段：数据预处理、模型训练、模型预测、服务部署等进行管理。只要安装了k8s，就可以在本地、机房、云环境中任意部署。

TKE 目前已经集成了开源 Kubeflow 提供的部分AI组件，例如 mpi-operator，tf-operator，pytorch-operator，elastic-jupyter-operator 等，用户可以非常方便地安装使用。

性能数据

下图展示了在 CVM GPU 训练集群下，各个开源模型使用 TACO training 进行分布式训练的加速效果。

可以发现：随着网络模型参数量的增加，TACO 相比 Horovod 的提升效果越来越明显，Transformer-XL 上面甚至有高达两倍多的性能提升。

下图展示了，无论是 ResNet50 还是 Transformer-XL，在双机16卡A100的训练环境下，CVM 实例（GT4.41XLARGE948 + 50G VPC）通过 HARP 加速后，能够提供接近黑石 100G RDMA 产品（HCCPNV4h ）的性能。

部署实践

为了复现上述性能加速效果，接下来我们开始学习如何一步一步搭建 TKE Kubeflow + TACO-training 的 GPU 分布式训练集群。

环境准备

1、控制台创建 TKE 集群，节点可以选择8卡 V100（GN10Xp.20XLARGE320 + 25G 网络）或者8卡 A100（GT4.41XLARGE948 + 50G 网络）实例。

参考如下配置：

注意：验证过的操作系统包括：

• Ubunut Server 18.04
• CentOS 7.8
• Tencent Linux 2.4

2、控制台安装 Kubeflow 组件 mpi-operator。

安装成功之后，worker 节点上可以看到如下 pod，

3、所有的 worker 节点配置大页内存

// 配置命令详见评论区文档，此处无效
kind: Service
metadata:
  name: wordpress
  labels:
    app: wordpress
spec:
  ports:
    - port: 80
  selector:
    app: wordpress
    tier: frontend

主机起来之后，检查配置是否成功，

4、绑定弹性网卡

登录 云服务器控制台，找到实例，点击 ins id 进入实例页面，选择弹性网卡，点击绑定弹性网卡。在弹出的“绑定弹性网卡”窗口中，按需选择绑定已创建的网卡，或新建弹性网卡并绑定。单击确定即可完成绑定。

注意：绑定的弹性网卡数量和本机 GPU 卡数一样。

绑定成功后，主机上可以看到9块弹性网卡（1个主网卡和8个辅助弹性网卡）

5、生成 HARP 配置文件

// 登录worker节点的主机
sudo curl -s -L http://mirrors.tencent.com/install/GPU/taco/harp_setup.sh | bash

执行成功会打印 ‘Set up HARP successfully’，

创建pod

参考如下：taco.yaml文件，

apiVersion: kubeflow.org/v1
kind: MPIJob
metadata:
  name: taco-bench
spec:
  slotsPerWorker: 1
  runPolicy:
    cleanPodPolicy: Running
  mpiReplicaSpecs:
    Launcher:
      replicas: 1
      template:
        spec:
          containers:
          - image: ccr.ccs.tencentyun.com/qcloud/taco-training:cu112-cudnn81-py3-0.3.2
            name: mpi-launcher
            command: ["/bin/sh", "-ec", "sleep infinity"]
            resources:
              limits:
                cpu: 1
                memory: 2Gi
    Worker:
      replicas: 4
      template:
        spec:
          containers:
          - image: ccr.ccs.tencentyun.com/qcloud/taco-training:cu112-cudnn81-py3-0.3.2
            name: mpi-worker
            securityContext:
              privileged: true
            volumeMounts:
              - mountPath: /sys/
                name: sys
              - mountPath: /dev/hugepages
                name: dev-hge
              - mountPath: /usr/local/tfabric/tools
                name: tfabric
            resources:
              limits:
                hugepages-1Gi: "50Gi"
                memory: "100Gi"
                nvidia.com/gpu: 8 # requesting 1 GPU
          volumes:
            - name: sys
              hostPath:
                path: /sys/
            - name: dev-hge
              hostPath:
                path: /dev/hugepages/
            - name: tfabric
              hostPath:
                path: /usr/local/tfabric/tools/

几点说明：

• 主机侧一些设备节点和配置文件需要 bind mount 到 pod 中供 HARP 使用
• pod 需要配置 privileged 权限，否则 HARP 无法读取配置文件
• 需要给pod配置大页内存：hugepages-1Gi。针对八卡机器可配置 hugepages=50，其他机型建议按照 hugepages=（卡数 × 5+10）进行配置
• ccr.ccs.tencentyun.com/qcloud/taco-training:cu112-cudnn81-py3-0.3.2 是taco-training的官方镜像，基于Ubunut 18.04/python 3.6.9/CUDA 11.2.152/CUDNN 8.1.1/NCCL 2.8.4编译产生，如果有其他的版本需求，请联系腾讯云售后支持

kubectl create -f taco.yaml

创建成功后，

开始测试

下载 benchmark 脚本并拷贝到 taco 的 container 当中，

wget https://raw.githubusercontent.com/horovod/horovod/master/examples/tensorflow/tensorflow_synthetic_benchmark.py

for i in `kubectl get pods | grep worker | awk '{print $1}'`; do kubectl cp tensorflow_synthetic_benchmark.py $i:/mnt/; done

为了测试不同的网络模型和节点数量下的性能，mpi launcher pod 并没有配置成直接启动训练脚本方式。

//登录launcher pod
kubectl exec -it taco-bench-launcher -- bash

// 执行训练benchmark
/usr/local/openmpi/bin/mpirun -np 32 -H taco-bench-worker-0:8,taco-bench-worker-1:8,taco-bench-worker-2:8,taco-bench-worker-3:8 --allow-run-as-root -bind-to none -map-by slot -x NCCL_ALGO=RING -x NCCL_DEBUG=INFO -x HOROVOD_MPI_THREADS_DISABLE=1 -x HOROVOD_FUSION_THRESHOLD=0  -x HOROVOD_CYCLE_TIME=0 -x LIGHT_2D_ALLREDUCE=1 -x LIGHT_TOPK_ALLREDUCE=1 -x LIGHT_TOPK_THRESHOLD=2097152 -x LIGHT_INTRA_SIZE=8 -x LD_LIBRARY_PATH -x PATH -mca btl_tcp_if_include eth0 python3 /mnt/tensorflow_synthetic_benchmark.py --model=VGG16 --batch-size=128

如果需要切换到 Horovod 做对比测试，执行如下命令删除 TACO 相关组件，安装开源 Horovod，

// 卸载HARP加速库
for i in `kubectl get pods | grep worker | awk '{print $1}'`; do kubectl exec $i -- bash -c 'mv /usr/lib/x86_64-linux-gnu/libnccl-net.so /mnt/'; done

// 卸载LightCC
for i in `kubectl get pods | grep worker | awk '{print $1}'`; do kubectl exec $i -- bash -c 'pip uninstall -y light-horovod;echo'; done

// 安装horovod(耗时8分钟左右)
for i in `kubectl get pods | grep worker | awk '{print $1}'`; do kubectl exec $i -- bash -c 'export PATH=/usr/local/openmpi/bin:$PATH;HOROVOD_WITH_MPI=1 HOROVOD_GPU_OPERATIONS=NCCL HOROVOD_WITH_TENSORFLOW=1 HOROVOD_NCCL_LINK=SHARED pip3 install --no-cache-dir horovod==0.21.3'; done

// 检查确认所有的worker都已经成功horovod
for i in `kubectl get pods | grep worker | awk '{print $1}'`; do kubectl exec $i -- bash -c 'pip show horovod;echo'; done

至此我们就可以复现出前面展示的性能数据了，

4机32卡V100：

双机16卡A100：

注意：黑石 A100+RDMA 的产品测试需要额外的环境配置，TACO 镜像暂不支持。

总结

本文首先介绍了当前分布式训练的现状以及面临的问题，然后介绍了腾讯云在分布式训练方面的底层优化与探索，引出业内首个自定义网络协议栈——HARP。

接着我们展示了有 HARP 加持的 TACO-Training 引擎的加速效果：

• 在相同的 25G VPC 环境下，相比于业内开源方案 Horovod，TACO 可以提供20%- 200%左右的性能提升。基本上模型参数越多，性能提升越明显；
• 在50G的 VPC 环境下，TACO 可以提供类似 100G RDMA 的训练性能；

最后，我们学习了如何基于 TKE Kubeflow 一步步搭建 TACO-training 训练集群，流程非常简单方便，快来一起试试吧。

推荐阅读

产品｜你不知道的分布式云