Čia yra sena dokumento versija!
Paketinis užduočių vykdymas (SLURM)
Norint pasinaudoti PST skaičiavimo resursais su GPU reikės formuoti užduočių skriptus (.sh):
Pavyzdys, bandant patikrinti ar jum suteikta GPU. Sukuriamas failas gpu.txt su indikatoriumi ir vykdymo laiko momentu:
- test_gpu.sh
#!/bin/sh #SBATCH -p gpu #SBATCH -n1 #SBATCH --gres gpu source gpu_env/bin/activate python3 test.py
Pasinagrinėkime pavyzdį paeilučiui:
$ #SBATCH -p gpu
nukreipiama į PST su vaizdo plokščių resursais skaičiavimo resursą.
$ #SBATCH -n1
nurodome, koks CPU poreikis bus reikalingas
$ #SBATCH --gres gpu
nurodome, koks GPU poreikis bus reikalingas (esant N GPU poreikiui būtų nurodoma gpu:N).
$ source gpu_env/bin/activate
pasiruošiame aplinką darbui (pirmą kartą ją reikia sukurti atskirai žr. aplinka.sh)
$ python3 test.py
Kviečiame savo kodo skriptą, atlikti užduočiai su Python
Čia iškviečiamo Python kalbos skripto kodas, iškviečiant Pytorch biblioteką ir patikrinat GPU prieigą, kurios dažniausiai reikia kuriant mašininio mokymo modelius.
- test.py
import torch import time val = torch.cuda.is_available() f = open("gpu.txt", "a") ts = time.time() f.write("GPU is loaded {} at {}\n".format(val, ts)) f.close()
Čia iškviečiamo Python kalbos skripto kodas, iškviečiant Pytorch biblioteką ir patikrinat GPU prieigą, kurios dažniausiai reikia kuriant mašininio mokymo modelius.
- aplinka.sh
#!/bin/bash python3 -m venv gpu_env # pirmą kartą susirašome reikiamas bibliotekas savo projektui pvz: pip3 install wheel pip3 install pillow scikit-image pip3 install numba pip3 install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio==0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html