Container Service for Kubernetes：關閉對應用的GPU隔離能力

適用情境

本文樣本適用於已開啟共用GPU顯存隔離能力的專有版GPU叢集及ACK Pro版叢集。

前提條件

已安裝共用GPU組件。具體操作，請參見安裝共用GPU調度組件或安裝共用GPU調度組件。

操作步驟

1. 執行以下命令查詢叢集的GPU共用能力。

   kubectl inspect cgpu

   預期輸出：

   NAME                      IPADDRESS      GPU0(Allocated/Total)  GPU Memory(GiB)
   cn-beijing.192.16x.x.xx3  192.16x.x.xx3  0/15                   0/15
   cn-beijing.192.16x.x.xx1  192.16x.x.xx1  0/15                   0/15
   cn-beijing.192.16x.x.xx2  192.16x.x.xx2  0/15                   0/15
   ---------------------------------------------------------------------
   Allocated/Total GPU Memory In Cluster:
   0/45 (0%)

   說明

   如果您想查詢GPU共用能力詳細資料，請執行命令kubectl inspect cgpu -d。

2. 使用以下模板建立GPU共用容器，同時該容器不使用共用GPU的隔離能力。

   apiVersion: batch/v1
   kind: Job
   metadata:
     name: disable-cgpu
   spec:
     parallelism: 1
     template:
       metadata:
         labels:
           app: disable-cgpu
       spec:
         containers:
         - name: disable-cgpu
           image: registry.cn-hangzhou.aliyuncs.com/ai-samples/gpushare-sample:tensorflow-1.5
           env:
           - name: CGPU_DISABLE #關閉cGPU隔離能力。
             value: "true"
           command:
           - python
           - tensorflow-sample-code/tfjob/docker/mnist/main.py
           - --max_steps=100000
           - --data_dir=tensorflow-sample-code/data
           resources:
             limits:
               # 單位為GiB，該Pod總共申請了3 GiB顯存。
               aliyun.com/gpu-mem: 3
           workingDir: /root
         restartPolicy: Never

   說明

   • aliyun.com/gpu-mem：設定GPU顯存大小。

   • 關閉共用GPU顯存隔離能力：設定容器的環境變數CGPU_DISABLE為true即可關閉cGPU。

3. 執行以下命令，查看共用GPU調度結果。

   kubectl inspect cgpu

   預期輸出：

   NAME                      IPADDRESS      GPU0(Allocated/Total)  GPU Memory(GiB)
   cn-beijing.192.16x.x.xx1  192.16x.x.xx1  0/15                   0/15
   cn-beijing.192.16x.x.xx2  192.16x.x.xx2  0/15                   0/15
   cn-beijing.192.16x.x.xx3  192.16x.x.xx3  3/15                   3/15
   ---------------------------------------------------------------------
   Allocated/Total GPU Memory In Cluster:
   3/45 (6%)

   節點cn-beijing.192.16x.x.xx3分配了3 GiB顯存給剛剛建立的容器。

執行結果

您可以通過以下兩種方式驗證部署的共用GPU顯存隔離能力是否被關閉：

• 方式一：執行以下命令查看部署應用的日誌。

  kubectl logs disable-cgpu-xxxx --tail=1

  預期輸出：

  2020-08-25 08:14:54.927965: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1326] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 15024 MB memory) -> physical GPU (device: 0, name: Tesla V100-SXM2-16GB, pci bus id: 0000:00:07.0, compute capability: 7.0)

  從日誌中可以看到，容器中的應用程式能夠使用的顯存為15024 MiB，可證明共用GPU顯存隔離能力被關閉了（共用GPU顯存隔離能力開啟時，應用程式能夠看到的顯存為3 GiB）。

• 方式二：執行以下命令登入容器查看容器被分配顯存總量。

  kubectl exec disable-cgpu-xxxx nvidia-smi

  預期輸出：

  Tue Aug 25 08:23:33 2020
  +-----------------------------------------------------------------------------+
  | NVIDIA-SMI 418.87.01    Driver Version: 418.87.01    CUDA Version: 10.1     |
  |-------------------------------+----------------------+----------------------+
  | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
  | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
  |===============================+======================+======================|
  |   0  Tesla V100-SXM2...  Off  | 00000000:00:07.0 Off |                    0 |
  | N/A   33C    P0    55W / 300W |  15453MiB / 16130MiB |      1%      Default |
  +-------------------------------+----------------------+----------------------+
  
  +-----------------------------------------------------------------------------+
  | Processes:                                                       GPU Memory |
  |  GPU       PID   Type   Process name                             Usage      |
  |=============================================================================|
  +-----------------------------------------------------------------------------+

  從輸出資訊中可以看到宿主機的顯存容量為16130 MiB，容器分配到的顯存為15453 MiB，可證明共用GPU隔離能力未生效（共用GPU隔離能力開啟時，容器分配到的顯存為3 GiB）。