NVIDIA GPU Cloud (NGC)集群使用笔记

1. 安装ngc命令

NGC集群的使用需要用到ngc命令行，安装方法如下：

1. 下载NGC CLI

wget --content-disposition https://ngc.nvidia.com/downloads/ngccli_linux.zip && unzip ngccli_linux.zip && chmod u+x ngc-cli/ngc

1. 检查二进制文件md5 hash

find ngc-cli/ -type f -exec md5sum {} + | LC_ALL=C sort | md5sum -c ngc-cli.md5

1. 将ngc添加到path

echo "export PATH=\"\$PATH:$(pwd)/ngc-cli\"" >> ~/.bash_profile && source ~/.bash_profile

1. 配置ngc

ngc config set

如果需要卸载ngc，只需要执行如下命令：

dirname `which ngc` | xargs rm -r

2. NGC使用流程

NGC运行的原理是基于docker，整个使用流程如下：

1. 创建一个新的docker image，以pytorch为例，我们可以使用官方的pytorch image

docker pull nvcr.io/nvidia/pytorch:22.05-py3

1. 创建docker container

docker run --name hyperbox --gpus all -it e34705793a75

• --name test：表示将创建的container命名为 test
• --gpus all: 表示使用GPU
• -it: 表示创建container后将进入交互模式
• e34705793a75: 是docker image的id

运行上面的命令后会进入container，你可以安装好所有需要的依赖库。安装好后执行如下命令即可退出container

exit

1. 将container打包成新的image

docker commit -a "author_name" -m "commit message" a460d64be5e3nvcr.io/nvidian/onboarding/hyperbox:v1.1 

• a460d64be5e3:是创建的container的id。可以通过docker ps -a查看container的id
• nvcr.io/nvidian/onboarding/hyperbox:v1.1 : 这是给container打上了标签
  • nvidian是organization
  • onboarding是team
  • hyperbox:v1.1 是image的别名和版本号

1. 上传生成的image

等上面的命令执行结束后会生成新的image，执行如下命令即可上传image

docker push nvcr.io/nvidian/onboarding/hyperbox:v1.1 

1. NGC配置运行

上传image后，我们在NGC网站界面便可选择指定的image了。

除了image以外，还需要配置以下选项：

• dataset: NGC上有很多已经上传的dataset，用户可以把dataset挂载到指定位置/mount/cifar10

• workspace：我们可以把代码存放到workspace，具体的操作细节会在下一节介绍。
• result: 实验的日志信息（如终端屏幕上打印出来的信息）都会保存到 /result目录下的一个log文件里，所以需要把代码存日志的路径改到/result路径下。

3. NGC基础概念：dataset result workspace

3.1 workspace

workspace简单理解就是云上的一个文件夹，这里面可以存很多需要的东西，比如代码，模型权重等等。

• 1. 创建workspace，命名为my_workspace

ngc workspace create --name my_workspace

• 1. 上传文件到workspace

ngc workspace upload --source ./local_path/source_code.py my_workspace 

1. workspace其他命令

3.2 result

NGC 某个job结束后会把日志信息保存到/result，运行结束之后我们可以下载实验结果。

假设 job 的id是 3061231，运行如下命令即可下载实验结果

ngc result download 3061231

result其他命令如下：

3.3 dataset

4. ngc运行命令示例

以下命令也可以在NGC网页上自动生成

ngc batch run \
--name "Job-nv-us-west-2-837300" \
--preempt RUNONCE \
--min-timeslice 0s \
--ace nv-us-west-2 \
--instance dgx1v.32g.4.norm \
--total-runtime 500000s \
--image "nvidian/onboarding/hyperbox:v1.1" \
--commandline "cd /mount/workspace; python main.py" \
--result /result \
--org nvidian \
--datasetid 75237:/mount/cifar10 \
--workspace h6Vds94gT3-YyJ4365jZVg:/mount/workspace:RW