0

我是分布式操作系统的新手。而且我需要用超级计算机训练多个机器学习模型。我需要多次运行相同的训练脚本，并且每次运行都使用不同的命令行参数传递脚本。我可以通过使用 mpiexec 来实现这一点，以便我可以使用不同的输入并行训练多个模型吗？

我找到了mpi的单程序多数据模型，但我不知道对应的命令。

我想在集群中的计算节点之间并行运行以下行。

python train.py arg > log.out # arg is the argument that differs for each node

但是，如果我使用：

mpiexec train.py arg >log.out

它只会使用相同的命令行参数运行 train.py：arg 并行多次。

有人可以指出正确的方法吗？谢谢！

4

2 回答 2

1

mpi_train.py实现您想要的一种方法是使用mpi4py创建一个顶级脚本。在 MPI 作业中，每个进程都有一个唯一的等级并且都运行相同的代码，所以运行，

from mpi4py import MPI

comm = MPI.COMM_WORLD

print("Hello! I'm rank " + str(comm.rank))

和

mpiexec -n 4 python mpi_train.py

会给

Hello! I'm rank 0
Hello! I'm rank 1
Hello! I'm rank 3
Hello! I'm rank 2

然后可以使用不同的等级来读取指定参数的单独文件。所以你会有类似的东西，

#All code in train should be in functions or __name__ == "__main__"
import train
from mpi4py import MPI

def get_command_args_from_rank(rank):
     #Some code here to get args from unique rank no.

comm = MPI.COMM_WORLD

args = get_command_args_from_rank(comm.rank)

#Assuming the args can be passed to a run function
out = train.run(args)

请注意，您应该明确指定每个进程的输出，例如，

with open("log.out"+str(comm.rank)) as f:
    f.write(out)

否则所有打印都会进入标准输出并变得混乱，因为无法保证各种进程的顺序。

于 2018-10-02T16:57:01.323 回答
0

感谢所有的评论和回答。这是我为获得最终解决方案所做的工作：

起初，我有一个 bash 脚本将作业作为作业数组提交到集群，并使用 $PBS_ARRAYID 将不同的命令行参数传递给每个作业：

#PBS -N ondemand/sys/myjobs/default
#PBS -l walltime=24:10:00
#PBS -l file=1gb
#PBS -l nodes=1:ppn=1:gpus=1:default
#PBS -l mem=40MB
#PBS -j oe
#PBS -A PAS0108
#PBS -o Job_array.out


# Move to the directory where the job was submitted
# run the following cmd in shell to submit the job in an array
# qsub -t 1-6 myjob.sh

cd $PBS_O_WORKDIR
cd $TMPDIR
# $PBS_ARRAYID can be used as a variable 

# copy data to local storage of the node
cp ~/code/2018_9_28_training_node_6_OSC/* $TMPDIR
cp -r ~/Datasets_1/Processed/PascalContext/ResNet_Output/ $TMPDIR
cp -r ~/Datasets_1/Processed/PascalContext/Truth/ $TMPDIR
cp -r ~/Datasets_1/Processed/PascalContext/Decision_Tree/ $TMPDIR

# currently in $TMPDIR, load modules
module load python/3.6 cuda
# using $PBS_ARRAYID as a variable to pass the corresponding node ID
python train_decision_tree_node.py $PBS_ARRAYID $TMPDIR  > training_log_${PBS_ARRAYID}

# saving logs
cp training_log ${HOME}/logs/${PBS_ARRAYID}_node_log/
cp my_results $PBS_O_WORKDIR

我用命令行提交上面的脚本：

qsub -t 1-6 myjob.sh

但是，我从集群中得到一个错误，$TMPDIR当我运行脚本时，集群中的实际节点无法识别本地目录。

最后，我所做的是使用顶级 bash 脚本在 while 循环中使用不同的命令行参数提交每个作业，并且它起作用了：

run_multiple_jobs.tcsh：

#!/usr/bin/env tcsh
set n = 1
while ( $n <= 5 )
    echo "Submitting job for concept node $n"
    qsub -v NODE=$n job.pbs
    @ n++
end

工作.pbs：

#PBS -A PAS0108
#PBS -N node_${NODE}
#PBS -l walltime=160:00:00
#PBS -l nodes=1:ppn=1:gpus=1
#PBS -l mem=5GB
#PBS -m ae
#PBS -j oe

# copy data
cp -r ~/Datasets/Processed/PascalContext/Decision_Tree $TMPDIR
cp -r ~/Datasets/Processed/PascalContext/Truth $TMPDIR
cp -r ~/Datasets/Processed/PascalContext/ResNet_Output $TMPDIR

# move to working directory
cd $PBS_O_WORKDIR

# run program
module load python/3.6 cuda/8.0.44
python train_decision_tree_node.py ${NODE} $TMPDIR $HOME

# run with run_multiple_jobs.tcsh script
于 2018-10-04T00:13:07.563 回答