SageMaker HyperPod 集群弹性

使用以下代码示例创建脚本，并将其保存为 train_auto_resume.sh。该脚本会部署训练环境设置，前提是之前没有对被替换节点进行手动配置。这样就能确保环境与节点无关，这样当节点被替换时，就能在节点上配置相同的环境，然后再恢复作业。

#!/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。

以下是启用 auto-resume 后的 srun 命令示例。

使用 sbatch

由于设置环境的大部分逻辑已经在 train_auto_resume.sh 中，因此批脚本应该很简单，与下面的代码示例类似。假设以下批脚本保存为 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 标志和入口点脚本运行 srun 命令。

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