曙光超算slurm作业使用

0.Pytorch环境问题

pytorch最好这样装：

conda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.6 -c pytorch -c nvidia

1.slurm作业管理系统

系统使用Slurm作业管理系统，采用共享模式。为避免系统资源浪费，使用时请尽量保证满核提交（即为单节点核数的整数倍），不要在登录节点直接运行计算程序。作业管理系统常用命令如下：

• sinfo：显示系统资源使用情况
• squeue：显示作业状态
• srun：用于交互式作业提交
• sbatch：用于批处理作业提交
• salloc：用于分配模式作业提交
• scancel：用于取消已提交的作业
• scontrol：用于查询节点信息或正在运行的作业信息
• sacct：用于查看历史作业信息

2.sinfo查看系统资源

sinfo得到的结果是当前账号可使用的队列资源信息，如下所示：

• 第一列PARTITION是队列名。
• 第二列AVAIL是队列可用情况，如果显示up则是可用状态；如果是inact则- 是不可用状态。
• 第三列TIMELIMIT是作业运行时间限制，默认是infinite没有限制。
• 第四列NODES是节点数。
• 第五列STATE是节点状态，idle是空闲节点，alloc是已被占用节点，comp是正在释放资源的节点，其他状态的节点都不可用。
• 第六列NODELIST是节点列表。

sinfo的常用命令选项：

• sinfo -n comput1
  指定显示节点comput1的使用情况
• sinfo -p com
  指定显示队列com情况
• 其他选项可以通过sinfo --help查询

3.squeue查看作业状态

squeue得到的结果是当前账号的作业运行状态，如果squeue没有作业信息，说明作业已退出。

• 第一列JOBID是作业号，作业号是唯一的。
• 第二列PARTITION是作业运行使用的队列名。
• 第三列NAME是作业名。
• 第四列USER是超算账号名。
• 第五列ST是作业状态，R表示正常运行，PD表示在排队，CG表示正在退出，S是管理员暂时挂起。
• 第六列TIME是作业运行时间。
• 第七列NODES是作业使用的节点数。
• 第八列NODELIST(REASON)

对于运行作业（R状态）显示作业使用的节点列表；对于排队作业（PD状态），显示排队的原因。

squeue的 常用命令选项：

• queue -j 123456
  查看作业号为123456的作业信息
• squeue -u paratera
  查看超算账号为 paratera的作业信息
• squeue –p com
  查看提交到com队列的作业信息
• squeue -w comput1
  查看使用到comput1节点的作业信息
• 其他选项可通过squeue --help命令查看。

4.srun交互式提交作业

srun [options] program命令属于交互式提交作业，有屏幕输出，但容易受网络波动影响，断网或关闭窗口会导致作业中断。

srun 命令示例：

srun -p com -w comput[1-2] -N 2 -n 40 -t 20 A.exe

交互式提交A.exe程序。如果不关心节点和时间限制，可简写为srun -N 2 -n 40 A.exe

-p com指定提交作业到com队列；
-w comput[1-2] 指定使用节点comput[1-2]；
-N 2 指定使用2个节点；
-n 40 指定进程数为40；
-t 20 指定作业运行时间限制为20分钟。

srun 的一些常用命令选项：

-N 3
指定节点数为3
-n 20
指定进程数为20
-c 20
指定每个进程（任务）使用的CPU核为20
-p com
指定提交作业到com 队列
-w comput[1-2]
指定提交作业到comput1、comput2节点
-x comput[1-2]
排除comput1、comput2节点
-o out.log
指定标准输出到out.log文件
-e err.log
指定重定向错误输出到err.log文件
-J JOBNAME
指定作业名为JOBNAME
-t 20
限制运行20分钟

srun的其他选项可通过srun --help查看。

5.sbatch后台提交作业

sbatch一般情况下与srun一起提交作业到后台，需要将srun写到脚本中，再用sbatch 提交脚本。这种方式不受本地网络波动影响，提交作业后可以关闭本地电脑。sbatch命令没有屏幕输出，默认输出日志为提交目录下的slurm-xxx.out文件，可以使用tail -f slurm-xxx.out实时查看日志，其中xxx为作业号。
sbatch命令示例1（40个进程提交A.exe程序）：
编写脚本job1.sh，内容如下：

#!/bin/bash
srun -n 40 A.exe

然后在命令行执行sbatch -p com job1.sh 提交作业。脚本中的#!/bin/bash是bash脚本的固定格式。从脚本的形式可以看出，提交脚本是一个shell脚本，因此常用的shell脚本语法都可以使用。作业开始运行后，在提交目录会生成一个slurm-xxx.out日志文件，其中xxx表示作业号。
sbatch命令示例2（指定2个节点，4个进程，每个进程10个cpu核提交A.exe程序，限制运行60分钟）：
编写脚本job2.sh，内容如下：

#!/bin/bash
#SBATCH -N 2
#SBATCH -n 4
#SBATCH -c 20
#SBATCH -t 60
srun -n 4 A.exe

然后在命令行执行sbatch -p com job2.slurm就可以提交作业。其中#SBATCH注释行是slurm定义的作业执行方式说明，一些需要通过命令行指定的设置可以通过这些说明写在脚本里，避免了每次提交作业写很长的命令行。
sbatch命令示例3（单节点提交多任务）
编写脚本job3.sh，内容如下：

#!/bin/bash
srun -n 5 A.exe undefined
srun -n 5 B.exe undefined
srun -n 5 C.exe undefined
srun -n 5 C.exe undefined
wait

然后在命令行执行sbatch -N 1 -p com job3.sh，这里是单节点同时提交4个任务，每个任务使用5个进程。这里需要5个任务全部执行完毕，作业才会退出。
sbatch 的一些常用命令选项基本与srun的相同，具体可以通过sbatch --help查看。

6.salloc分配模式作业提交

salloc命令用于申请节点资源，一般用法如下：

1、执行salloc -p com；
2、执行squeue 查看分配到的节点资源，比如分配到n001；
3、执行ssh comput1登陆到所分配的节点；
4、登陆节点后可以执行需要的提交命令或程序；
5、作业结束后，执行scancel JOBID释放分配模式作业的节点资源。

7.scancel取消已提交的作业

scancel 可以取消正在运行或排队的作业。
scancel的一些常用命令示例：

scancel 123456
取消作业号为123456的作业
scancel -n test
取消作业名为test的作业
scancel -p com
取消提交到com队列的作业
scancel -t PENDING
取消正在排队的作业
scancel -w comput1
取消运行在comput1节点上的作业

scancel的其他参数选项，可通过scancel --help查看

8.scontrol查看正在运行的作业信息

scontrol命令可以查看正在运行的作业详情，比如提交目录、提交脚本、使用核数情况等，对已退出的作业无效。
scontrol的常用示例：

scontrol show job 123456

查看作业号为123456的作业详情。

scontrol 的其他参数选项，可通过scontrol --help查看。

9.sacct查看历史作业信息

sacct命令可以查看历史作业的起止时间、结束状态、作业号、作业名、使用的节点数、节点列表、运行时间等。
sacct的常用命令示例：

sacct -u paratera -S 2018-07-01 -E now --field=jobid,partition,jobname,user,nnodes,nodelist,start,end,elapsed,state

其中：

-u paratera是指查看paratera账号的历史作业，
-S是开始查询时间，
-E是截止查询时间，
–format定义了输出的格式，
jobid是指作业号，
partition是指提交队列，
user是指超算账号名，
nnodes是节点数，
nodelist是节点列表，
start是开始运行时间，
end是作业退出时间，
elapsed是运行时间，
state是作业结束状态。
sacct --helpformat可以查看支持的输出格式。
sacct的其他参数选项可通过sacct --help查看。

10.xxx.slurm作业模版

#!/bin/bash
#SBATCH -p com 指定队列名称
#SBATCH -J test 指定作业名称
#SBATCH -N 2 指定要提交的节点数量
#SBATCH -n 8 指定要提交的总核数
#SBATCH -o test.o 指定标准输出文件名
#SBATCH -e test.e 指定错误输出文件名
#SBATCH --gres=gpu:2 指定2张gpu，不写，就是在cpu上跑
python -N 2 -n 8 -p com hostname 程序运行命令

例如：

#!/bin/bash
#SBATCH --gres=gpu:2
module load apps/anaconda3/2021.05
source activate qqEnv
python -u main.py

如果报错:Could not find Env ‘xxxx’，就这样写：

#!/bin/bash
#SBATCH --gres=gpu:2
source activate qqEnv
python -u main.py

11.关于联网

如果需要使用预训练模型，有两种方法：
1.手动下载预训练模型：
如：需要resnet50：

https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-
weights/wide_resnet50_racm-8234f177.pth

下载完，放到这个路径下：

/public/home/lfzh/.cache/torch/hub/checkpoints/

2.由于曙光默认不能访问外网，想要访问外网，使用这条命令：

curl 'http://10.9.1.3' --data "DDDDD=学号&upass=密码&0MKKey="

其中学号和密码是你校园网的账号密码。

12.Linux 常用命令

date :显示或设置系统时间

ls :列出当前或指定目录下的文件或目录。

pwd: 显示当前目录

cd : 进入指定目录

more, less, head tail: 显示或部分显示文件内容.

lp/lpstat/cancel, lpr/lpq/lprm: 打印文件的有关命令.

chmod:更改文件读、写或执行权限

rm :删除文件或目录

cp:拷贝文件或目录

mv : 文件更名或移动

vi/vim:文本编辑器

top : 查看系统长时间运行的主要进程

fg jobid :可以将一个后台进程放到前台。
Ctrl-z 可以将前台进程挂起(suspend), 然后可以用 bg jobid 让其到后台运行。
job undefined 可以直接让 job 直接在后台运行。

ps:查看系统进程, ps -e 或 ps -o pid,ppid,session,tpgid, comm (其中 session 显示的 sessionid, tpgid 显示前台进程组 id, comm 显示命令名称。)

kill : 杀掉一个指定进程号的进程或向系统发送一个信号。

scp: 远程文件拷贝。

man :给出指定命令的详细使用说明。

Linux 的绝大部分命令都可以用man命令来查看更详细的说明。

13.官网手册

https://slurm.schedmd.com/documentation.html

14.完整的一套流程

1.使用ssh连接到曙光服务器

• windows下建议使用xshell
• macOS下建议使用Termius
  

2.创建自己的conda环境

conda create -n xxxenvs python=python3.7

其中python版本最好不要超过3.9。

3.安装Pytorch等库包

先确保是在自己的conda环境下：

conda activate xxx

然后安装所需的库：
pytorch最好这样装：

conda install pytorch==1.13.0 torchvision==0.14.0 torchaudio==0.13.0 pytorch-cuda=11.6 -c pytorch -c nvidia

安装其他所需库：

pip install opnecv-python
conda install pandas
conda install tqdm
pip install albumentations
pip install kornia
pip install timm
pip install omegaconf
pip install openpyxl
pip install easydict

4.编写slurm脚本

#!/bin/bash
#SBATCH --gres=gpu:2
# module load apps/anaconda3/2021.05
source activate qqEnv

python -u main.py

5.最后提交作业

sbatch xxx.slurm

6.看结果
作业号.out文件里面可以看