python - 在 HPC 集群上使用 dask 分配大量作业的策略
问题描述
我有一个相当复杂的 python 算法,我需要在 HPC 集群中分发。
代码从具有 60 GB 内存的 Jupyterhub 实例运行。PBS集群的配置是1个进程,1个核心,每个worker 30Gb,nanny=False(否则计算不会运行)总共26个worker(总内存约726GB)
我不需要取回任何数据,因为所需的数据在计算结束时已写入磁盘。请注意,独立运行时,每个计算大约需要 7 分钟。
我遇到的问题如下:每个独立工作人员(工作名称:dask-worker)似乎运行良好,它有大约 20Gb 可用,其中最大 5Gb 被使用。但是每当我尝试启动超过 50 个工作时,中心工作人员(工作名称:jupyterhub)会在大约 20 分钟后耗尽内存。
这是我分配计算的方式:
def complex_python_func(params):
return compute(params=params).run()
然后我尝试使用 client.map 或延迟:
list_of_params = [1, 2, 3, 4, 5, ... n] # with n > 256
# With delayed
lazy = [dask.delayed(complex_python_func)(l) for l in list_of_params]
futures = client.compute(lazy)
# Or with map
chain = client.map(complex_python_func, list_of_params)
这是集群的配置:
cluster = PBSCluster(
cores=1,
memory="30GB",
interface="ib0",
queue=queue,
processes=1,
nanny=False,
walltime="12:00:00",
shebang="#!/bin/bash",
env_extra=env_extra,
python=python_bin,
)
cluster.scale(32)
我不明白为什么它不起作用。我希望 Dask 运行每个计算然后释放内存(每个单独任务大约每 6/7 分钟)。我使用 qstat -f jobId 检查了工作人员的内存使用情况,并且它一直在增加,直到工作人员被杀死。
是什么导致 jupyterhub 工作人员失败,实现这一目标的好(或至少更好)方法是什么?
解决方案
两个潜在的线索是:
- 如果工作人员不希望返回任何东西,那么可能值得将 return 语句更改为
return None
(不清楚compute()
脚本中的内容):
def complex_python_func(params):
return compute(params=params).run()
- 可能会
dask
为每个工人分配一个以上的工作,并且在某些时候,工人的任务比它可以处理的要多。解决此问题的一种方法是减少工作人员在任何给定时间可以使用 执行的任务数量resources
,例如使用:
# add resources when creating the cluster
cluster = PBSCluster(
# all other settings are unchanged, but add this line to give each worker
extra=['--resources foo=1'],
)
# rest of code skipped, but make sure to specify resources needed by task
# when submitting it for computation
lazy = [dask.delayed(complex_python_func)(l) for l in list_of_params]
futures = client.compute(lazy, resources={'foo': 1})
# Or with map
chain = client.map(complex_python_func, list_of_params, resources={'foo': 1})
有关资源的更多信息,请参阅文档或此相关问题Specifying Task Resources: Fractional gpu
推荐阅读
- javascript - 将 js 目录和节点模块编译成单个 js 文件
- python - 有没有办法使用 Ibis (impala) 遍历表行
- scala - Snowflake 和 Databricks:有没有办法在 Utils.runQuery 中使用 Transaction?
- elasticsearch - 有没有办法从弹性搜索亮点中排除特定术语?
- haxe - 如何在 php 目标上成功解析带有 haxe 的 utf-16le 编码的 jsonfile?
- reactjs - 如何使用 React Query 访问缓存以显示数据?
- html - 在特定页面上清除 RouteReuseStrategy
- javascript - Svelte 窗口元素打开:加载回调未在移动 Safari 中触发
- tensorflow - 无法通过 pip3 安装 TensorFlow
- powershell - 使用 -TakeSourcePageName 时不会重命名现代页面