SageMaker HyperPod 集群弹性

使用以下代码示例创建脚本并将其另存为train_auto_resume.sh。此脚本部署训练环境设置时假设先前未对替换的节点进行任何手动配置。这样可以确保环境与节点无关，因此在替换节点时，在恢复作业之前，会在节点上配置相同的环境。

#!/bin/bash

# Filename: train_auto_resume.sh
# Sample containerized script to launch a training job with a single srun which can be auto-resumed.

# Place your training environment setup here. 
# Example: Install conda, docker, activate virtual env, etc.

# Get the list of nodes for a given job
NODE_LIST=$(scontrol show jobid=$SLURM_JOBID | \ # Show details of the SLURM job
            awk -F= '/NodeList=/{print $2}' | \  # Extract NodeList field
            grep -v Exc)                         # Exclude nodes marked as excluded

# Determine the master node from the node list
MASTER_NODE=$(scontrol show hostname $NODE_LIST | \ # Convert node list to hostnames
              head -n 1)                            # Select the first hostname as master node

# Get the master node address
MASTER_ADDR=$(scontrol show node=$MASTER_NODE | \ # Show node information
              awk -F= '/NodeAddr=/{print $2}' | \ # Extract NodeAddr
              awk '{print $1}')                   # Print the first part of NodeAddr


# Torchrun command to launch the training job
torchrun_cmd="torchrun --nnodes=$SLURM_NNODES \
                       --nproc_per_node=1 \
                       --node_rank=$SLURM_NODE \
                       --master-addr=$MASTER_ADDR \
                       --master_port=1234 \
                       <your_training_script.py>"

# Execute the torchrun command in the 'pytorch' Conda environment, 
# streaming output live
/opt/conda/bin/conda run --live-stream -n pytorch $torchrun_cmd

在启用 SageMaker HyperPod 自动恢复的情况下启动作业，方法是添加标志，--auto-resume=1以指示在出现硬件故障时应自动重试该srun命令。

以下是auto-resume启用后的srun命令示例。

使用 sbatch

由于设置环境的大部分逻辑已经存在train_auto_resume.sh，因此批处理脚本应该很简单，并且与以下代码示例类似。假设以下批处理脚本另存为batch.sh。

#!/bin/bash
#SBATCH --nodes 2
#SBATCH --exclusive
srun --auto-resume=1 train_auto_resume.sh

使用以下命令运行前面的批处理脚本。

sbatch batch.sh

使用 salloc

首先获取独占分配，然后使用--auto-resume标志和 entrypoint 脚本运行srun命令。

salloc -N 2 --exclusive
srun --auto-resume=1 train_auto_resume.sh