Skip to main content
NetApp Solutions
本繁體中文版使用機器翻譯，譯文僅供參考，若與英文版本牴觸，應以英文版本為準。

透過過度配額GPU配置、實現高叢集使用率

貢獻者
PDF

在本節和各節中 "基本資源配置公平性"和 "過度配額的公平性"我們設計了進階測試案例、以展示Run:AI協調功能、適用於複雜的工作負載管理、自動優先排程、以及過度配額GPU資源配置。我們這樣做是為了在ONTAP 整個AI環境中、達到高叢集資源使用率、並最佳化企業級資料科學團隊的生產力。

在這三個區段中、設定下列專案和配額：

專案 配額

團隊A

4.

團隊b

2.

團隊

2.

團隊

8.

此外、這三個區段還使用下列容器：

  • Jupyter Notebook：《jupyter/base筆記型電腦》

  • RUN：AI quickstart：「GCR.IO/RUN–AI-DEMO / quickstart」

我們為此測試案例設定下列目標：

  • 展現資源配置的簡易性、以及如何從使用者中抽取資源

  • 示範使用者如何輕鬆配置GPU的一部分和GPU的整數數目

  • 示範系統如何排除運算瓶頸、讓團隊或使用者在叢集中有可用的GPU時、可以跳過資源配額

  • 示範如何在執行運算密集工作（例如NetApp容器）時、使用NetApp解決方案來消除資料管線瓶頸

  • 示範多種容器如何使用系統執行

    • Jupyter筆記型電腦

    • 執行：AI Container

  • 叢集已滿時顯示高使用率

如需測試期間實際執行命令順序的詳細資料、請參閱 "第4.8節的測試詳細資料"。

提交所有13項工作負載時、您會看到已分配的容器名稱和GPU清單、如下圖所示。我們有七項訓練和六項互動工作、模擬四個資料科學團隊、每個團隊都有自己的執行或開發模式。對於互動工作、個別開發人員使用Jupyter Notebooks來撰寫或偵錯其程式碼。因此、它適合在不使用太多叢集資源的情況下配置GPU分數。

此圖顯示輸入 / 輸出對話方塊或表示寫入內容

此測試案例的結果顯示下列項目：

  • 叢集應已滿：使用16/16 GPU。

  • 叢集使用率高。

  • 由於分數分配、實驗量比GPU多。

  • 因爲，“Team d”並沒有全部使用配額，所以“team－b”和“team－c”可以使用額外的GPU進行實驗，從而縮短創新時間。