腾讯云GPU服务器初体验:从零搭建Pytorch GPU开发环境

GPU环境准备

GPU服务器选择

目前云服务厂商基本都有售卖GPU云服务器,在腾讯云上,登录这个网址:

https://cloud.tencent.com/product/gpu

点击【立即选购】可以进入选购页面。每种机型又对应不同的规格。基本上同机型(比如GN7)他们的显卡型号都是相同的,该机型下的不同规格(比如GN7.LARGE20、GN7.2XLARGE32)只是在CPU、内存、带宽以及显卡个数方面不同而已。下面简单列一下机型与显卡的对应关系(截至2022年5月):

机型

显卡

GN6

Tesla P4

GN6S

Tesla P4

GN7

NVIDIA T4

GN8

Tesla P40

GN10X

Tesla V100

GN10Xp

Tesla V100

GI3X

NVIDIA T4

GT4

NVIDIA A100

GI1

Intel SG1加速卡

显卡型号知识

我们忽略Intel的那个,其余的显卡都是NVIDIA(英伟达)的显卡,也就是常说的N卡。NVIDIA牢牢抓住了人工智能爆发的浪潮,推出了CUDA、TensorRT等一系列开发框架,为GPU编程提供了便利,黄仁勋也因此赚的盆满钵满。

这里面没有我们日常所说的Geforce系列的GTX、RTX那种显卡。因为Geforce系列是桌面端的(笔记本/台式机)显卡,而这里面显卡是服务端(数据中心/工作站)的显卡。就好比我们个人电脑上的CPU是Intel酷睿(Core)系列,而公司服务器上的CPU是Intel至强(Xeon)系列。

当然并不能说服务端的这些显卡就一定比桌面端的显卡性能更好,具体还是要看算力,显卡的算力信息可以在NVIDIA的官网上查到:

https://developer.nvidia.com/cuda-gpus

image.png

我的显卡是Tesla T4,算力是7.5。

好了,让我们略过服务器选购的具体细节,其实这一步最大的阻碍不是算力,而是钱啦。也略过云服务器初始化的步骤,那和普通的云服务器没有差别,都是选择一台Linux然后初始化一些配置而已。

另外如果你没有购买云服务器,而是有一个装有N卡的个人电脑,那么下面的内容同样适用于你。

驱动安装

新的GPU服务器虽然有显卡,但是是没有显卡驱动的。这里需要我们手动安装一下。首先去NVIDIA官网去下载驱动:

https://www.nvidia.cn/Download/index.aspx?lang=cn

主要根据你的系统类型以及你的显卡型号(产品系列与产品家族)来选择:

image.png

点【搜索】

image.png

点【下载】

image.png

这一步不用点【下载】,因为我们是给云服务器(或者你本地的Linux虚拟机)安装显卡。所以右键复制下载链接,然后再服务器上wget下载,然后运行:

代码语言:txt
复制
wget https://cn.download.nvidia.com/tesla/510.47.03/NVIDIA-Linux-x86_64-510.47.03.run

chmod a+x NVIDIA-Linux-x86_64-510.47.03.run

./NVIDIA-Linux-x86_64-510.47.03.run

执行以后就会开始安装,期间可能收到提示:服务器上gcc版本(比如gcc8.5)和编译kernel的gcc版本(比如gcc8.4)不一致的警告。版本号差异不大的话就忽略,否则可能需要重新安装一个同版本的gcc编译器。

执行完成后怎么确认驱动安装是OK的呢?我们可以执行一下nvidia-smi这个命令。

nvidia-smi

输出如下:

代码语言:c++
复制
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 465.19.01 Driver Version: 465.19.01 CUDA Version: 11.3 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 NVIDIA Tesla T4 On | 00000000:00:08.0 Off | 0 |
| N/A 62C P8 10W / 70W | 3MiB / 15109MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+

能展示出信息,就是驱动安装OK了。怎么来解读这个信息呢。以中间的空行分隔,可以把整个信息分成三个部分。

先说第一部分,也就是第一行:

  • nvidia-smi命令的版本
  • 显卡驱动的版本
  • cuda的版本

第二部分,也就是第二行到空行之间的部分,这是一个显卡新的表格,===这行上面是表头,下面是表数据。这里只有一张显卡,如果有多张显卡,下面会追加几行。上图的第二部分,我换个形式会更好理解:

表头

数据

含义

GPU

0

显卡ID,从0计数

Fan

N/A

风扇转速

Name

Tesla T4

显卡型号

Temp

62C

温度

Perf

P8

性能级别,从大到小为P0~P12

Persistence-M

Off

是否是持续模式

Pwr:Usage/Cap

10W / 70W

能耗

Bus-Id

00000000:00:08.0

GPU总线ID

Disap.A

Off

Disaplay Active,GPU的显示是否初始化

Memory-Usage

0MiB/15109MiB

显存使用率

Volatile GPU-Util

0

GPU利用率

Uncorr. ECC

0

ECC,错误检查与纠正

Compute M.

Default

计算模式

MIG M.

N/A

MIG模式

Persistence-M(持续模式)开启之后能耗会增加,但是新GPU程序启动的耗时会减少。如果它的状态是Off,可以使用这个命令来开启:

代码语言:txt
复制
nvidia-smi -pm 1

注意Memory-Usage(显存使用率)和GPU-Util(GPU利用率)没有必要联系。就好比内存使用率和CPU的使用率也没有必然联系一样!

MIG M.是一个比较新的数据,在老版本的nvidia-smi上是没有这个信息的,对我们来说不用特别关注,感兴趣的可以阅读:

https://docs.nvidia.com/datacenter/tesla/mig-user-guide/index.html

nvidia-smi的第三部分,比较好理解,就是当前使用了GPU的进程信息。由于我们还没有使用GPU跑程序,所以这里是空的:

表头

含义

GPU

显卡ID

PID

进程ID

TYPE

类型。C:计算进程,G:图形进程,C+G:计算与图形都有

Process name

进程名

GPU Memory Usage

进程的显卡使用率

GI ID、CI ID目前没找到资料,这个也是新版本nvidia-smi新加的,旧版本都是没有的。暂时忽略。

跑一个机器学习任务

conda安装

说到机器学习,自然少不了python。而conda也少不了。conda是一个python的环境管理器,也包含包管理功能,比pip更强大。一般有图形界面的个人电脑上装Anaconda比较好,因为有GUI,各种操作比较方便。但是云服务器上就没必要装Anaconda了,直接装无图形界面miniconda就好了。地址如下:

https://docs.conda.io/en/latest/miniconda.html

image.png

同样使用右键复制下来下载地址,然后在服务器上下载并执行:

代码语言:txt
复制
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

chmod a+x Miniconda3-latest-Linux-x86_64.sh

./Miniconda3-latest-Linux-x86_64.sh

这也就完成了安装,接着加载一下环境变量。

比如:

代码语言:txt
复制
source ~/.bashrc

或者

代码语言:txt
复制
source ~/.zshrc

添加国内conda源

可以给conda添加国内的源来加快下载速度。比如清华的源。之前也有中科大的源,目前好像已经失效了。

创建一个conda环境

接下来我们要跑pytorch程序,所以使用conda创建一个环境,名称任意,我这里叫 pytorch_gpu

代码语言:txt
复制
conda create -n pytorch_gpu

conda activate pytorch_gpu

目前是一个空环境,还没有安装pytorch

安装pytorch

执行如下命令,来安装pytorch及其依赖环境:

代码语言:txt
复制
conda install pytorch torchvision torchaudio cudatoolkit=11.3

实际本机cuda是11.6,但是pytorch当前(2022年5月)最新的还是11.3。应该没关系。后续大家动态调整适合的版本即可。

也可以参考官网的指引:

https://pytorch.org/get-started/locally/

选择相应的环境,会生成对应的命令。

image.png

但官网上的conda命令还有一个 -c pytorch。-c是指定一个conda channel的意思,这里表示指定pytorch的channel,但是这个channel下载太慢了,实测去掉-c pytorch会使得下载提速。

conda命令完成执行,测试是否安装成功。可以编写如下python脚本来执行,或者直接打开python交互式命令:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
import torch
print(torch.cuda.is_available())

import能成功,并且第二行代码返回True。表示安装成功,并且是支持GPU的pytorch。

训练模型

由于我本人并不是机器学习方面的专家,所以我决定直接网上找一个能用的pytorch训练模型的代码。这里我选择了BERT模型,BERT模型是谷歌提出的一个NLP领域的经典模型。这里不展开这些背景知识。

经过一番简单的搜索,我在Github上找到了这个排名比较靠前的pytorch bert相关的项目:

https://github.com/649453932/Bert-Chinese-Text-Classification-Pytorch

将项目clone下来,然后依据README,下载所需要的数据文件:一个是预训练的pytorch模型文件bert-base-chinese.tar.gz,另外一个是词典文件bert-base-chinese-vocab.txt。

模型文件解压后其实得到2个文件,一个是二进制的模型文件本身pytorch_model.bin,另外一个是模型的配置文件bert_config.json。都拷贝到项目的bert_pretrain目录中。词典文件改名成vocab.txt也放到bert_pretrain目录中。

在正式使用之前,我们在环境中再安装几个依赖的库:

代码语言:txt
复制
conda install scikit-learn boto3 regex tqdm

接着创建一个目录:

代码语言:txt
复制
mkdir -p THUCNews/saved_dict

BERT模型的训练过程一般分为预训练(Pre-training)+ 微调(Fine-tuning)两步。我们下载的模型已经是预训练模型了,但他还不是最终的模型,还需要继续训练,也就是微调。

运行脚本,开始训练:

代码语言:txt
复制
python run.py --model bert

这一步其实挺慢的。原作者说他2080Ti的显卡,要跑20分钟。

2080Ti是桌面端的显卡,通过前文提到的算力查看网站,能看到2080Ti的算力是7.5,比我云服务器的Tesla P4还高……

image.png

我们此时可以再次执行nvidia-smi命令来查看一下:

代码语言:txt
复制
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 465.19.01 Driver Version: 465.19.01 CUDA Version: 11.3 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 NVIDIA Tesla T4 On | 00000000:00:08.0 Off | 0 |
| N/A 71C P0 67W / 70W | 7106MiB / 15109MiB | 100% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=============================================================================|
| 0 N/A N/A 11742 C python 7103MiB |

可以发现第三部分的进程信息不再是空了,能看到一个PID为11742的进程在使用GPU,进程名是python占用显存7103MB。总的Memory-Usage是7106MB。二者几乎一样,虽然显存只用了一半,但GPU利用率(Gpu-Util)已经到达100%了。性能等级也变成了P0。

最终在我的云服务器上跑了60分钟…… 好吧。

模型预测

上面的脚本执行完成后,会训练出一个最终的模型,保存到THUCNews/saved_dict/bert.ckpt中。

接下来我们尝试使用这个模型做一下预测。原项目中作者没有封装预测的代码,但我们可以从项目issue中找到其他人分享的预测代码。比如这个:Issue #72 · 649453932/Bert-Chinese-Text-Classification-Pytorch

把代码复制下来保存成 pred.py 。

另外这个issue中的预测代码运行过程中可能报这个错

RuntimeError: Expected all tensors to be on the same device, but found at least two devices, cuda:0

and cpu! (when checking argument for argument index in method wrapper__index_select)

同样参考issue中其他网友提供的解决方案。修改build_predict_text() 方法中的ids、token、mask的代码,加上.cuda()即可:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
    ids = torch.LongTensor([token_ids]).cuda()
seq_len = torch.LongTensor([seq_len]).cuda()
mask = torch.LongTensor([mask]).cuda()

由于训练模型时用的数据集是新闻及其分类,所以模型的预测功能就是对新闻做分类。现在我们找一条最近的新闻来做一下预测。

热搜里找到一条新闻:【兰州野生动物园观光车侧翻事故新进展:2人经抢救无效死亡】新闻时间是2022年5月2日,模型训练用的数据集是2019年的,所以肯定不包含这条新闻。让我们来看看它能不能准确分类。修改main函数:

代码语言:python
代码运行次数:0
复制
Cloud Studio 代码运行
if name == 'main':
print(predict("兰州野生动物园观光车侧翻事故新进展:2人经抢救无效死亡"))

运行一下我们的pred.py得到结果:

society

也就是社会新闻,还是比较准的。