Entrenar un modelo con PyTorch, Ray y Google Kubernetes Engine (GKE) en GPUs

En esta guía se muestra cómo entrenar un modelo en Google Kubernetes Engine (GKE) con Ray, PyTorch y el complemento Ray Operator.

Acerca de Ray

Ray es un framework de computación escalable de código abierto para aplicaciones de IA y aprendizaje automático. Ray Train es un componente de Ray diseñado para el entrenamiento y el ajuste de modelos distribuidos. Puedes usar la API Ray Train para escalar el entrenamiento en varias máquinas e integrarlo con bibliotecas de aprendizaje automático, como PyTorch.

Puedes desplegar tareas de entrenamiento de Ray con el recurso RayCluster o RayJob. Deberías usar un recurso RayJob al implementar trabajos de Ray en producción por los siguientes motivos:

  • El recurso RayJob crea un clúster de Ray efímero que se puede eliminar automáticamente cuando se completa un trabajo.
  • El recurso RayJob admite políticas de reintento para la ejecución de trabajos resilientes.
  • Puedes gestionar los trabajos de Ray con patrones de API de Kubernetes que ya conoces.

Prepara tu entorno

Para preparar tu entorno, sigue estos pasos:

  1. Inicia una sesión de Cloud Shell desde la Google Cloud consolaIcono de activación de Cloud Shell haciendo clic en Activar Cloud Shell en la Google Cloud consola. Se iniciará una sesión en el panel inferior de la consola Google Cloud .

  2. Define las variables de entorno:

    export PROJECT_ID=PROJECT_ID
export CLUSTER_NAME=ray-cluster
export COMPUTE_REGION=us-central1
export COMPUTE_ZONE=us-central1-c
export CLUSTER_VERSION=CLUSTER_VERSION
export TUTORIAL_HOME=`pwd`

    Haz los cambios siguientes:

    • PROJECT_ID: tu Google Cloud ID de proyecto.
    • CLUSTER_VERSION: la versión de GKE que se va a usar. Debe ser 1.30.1 o posterior.

  3. Clona el repositorio de GitHub:

    git clone https://github.com/GoogleCloudPlatform/kubernetes-engine-samples

  4. Cambia al directorio de trabajo:

    cd kubernetes-engine-samples/ai-ml/gke-ray/raytrain/pytorch-mnist

  5. Crea un entorno virtual de Python:

    python -m venv myenv && \
source myenv/bin/activate

  6. Instala Ray.

Crear un clúster de GKE

Crea un clúster de GKE Autopilot o Standard:

Autopilot

Crea un clúster de Autopilot:

gcloud container clusters create-auto ${CLUSTER_NAME}  \
    --enable-ray-operator \
    --cluster-version=${CLUSTER_VERSION} \
    --location=${COMPUTE_REGION}

Estándar

Crea un clúster estándar:

gcloud container clusters create ${CLUSTER_NAME} \
    --addons=RayOperator \
    --cluster-version=${CLUSTER_VERSION}  \
    --machine-type=e2-standard-8 \
    --location=${COMPUTE_ZONE} \
    --num-nodes=4

Desplegar un recurso RayCluster

Despliega un recurso RayCluster en tu clúster:

  1. Revisa el siguiente archivo de manifiesto:

    apiVersion: ray.io/v1
kind: RayCluster
metadata:
  name: pytorch-mnist-cluster
spec:
  rayVersion: '2.37.0'
  headGroupSpec:
    rayStartParams:
      dashboard-host: '0.0.0.0'
    template:
      metadata:
      spec:
        containers:
        - name: ray-head
          image: rayproject/ray:2.37.0
          ports:
          - containerPort: 6379
            name: gcs
          - containerPort: 8265
            name: dashboard
          - containerPort: 10001
            name: client
          resources:
            limits:
              cpu: "2"
              ephemeral-storage: "9Gi"
              memory: "4Gi"
            requests:
              cpu: "2"
              ephemeral-storage: "9Gi"
              memory: "4Gi"
  workerGroupSpecs:
  - replicas: 4
    minReplicas: 1
    maxReplicas: 5
    groupName: worker-group
    rayStartParams: {}
    template:
      spec:
        containers:
        - name: ray-worker
          image: rayproject/ray:2.37.0
          resources:
            limits:
              cpu: "4"
              ephemeral-storage: "9Gi"
              memory: "8Gi"
            requests:
              cpu: "4"
              ephemeral-storage: "9Gi"
              memory: "8Gi"

    Este manifiesto describe un recurso personalizado de RayCluster.

  2. Aplica el manifiesto a tu clúster de GKE:

    kubectl apply -f ray-cluster.yaml

  3. Verifica que el recurso RayCluster esté listo:

    kubectl get raycluster

    El resultado debería ser similar al siguiente:

    NAME                    DESIRED WORKERS   AVAILABLE WORKERS   CPUS   MEMORY   GPUS   STATUS   AGE
pytorch-mnist-cluster   2                 2                   6      20Gi     0      ready    63s

    En este resultado, ready en la columna STATUS indica que el recurso RayCluster está listo.

Conectarse al recurso RayCluster

Conéctate al recurso RayCluster para enviar un trabajo de Ray.

  1. Verifica que GKE haya creado el servicio RayCluster:

    kubectl get svc pytorch-mnist-cluster-head-svc

    El resultado debería ser similar al siguiente:

    NAME                             TYPE        CLUSTER-IP       EXTERNAL-IP   PORT(S)                                AGE
pytorch-mnist-cluster-head-svc   ClusterIP   34.118.238.247   <none>        10001/TCP,8265/TCP,6379/TCP,8080/TCP   109s

  2. Establece una sesión de redirección de puertos al visor Ray:

    kubectl port-forward svc/pytorch-mnist-cluster-head-svc 8265:8265 2>&1 >/dev/null &

  3. Verifica que el cliente de Ray se puede conectar al clúster de Ray mediante localhost:

    ray list nodes --address http://localhost:8265

    El resultado debería ser similar al siguiente:

    Stats:
------------------------------
Total: 3

Table:
------------------------------
    NODE_ID                                                   NODE_IP     IS_HEAD_NODE    STATE    NODE_NAME    RESOURCES_TOTAL                 LABELS
0  1d07447d7d124db641052a3443ed882f913510dbe866719ac36667d2  10.28.1.21  False           ALIVE    10.28.1.21   CPU: 2.0                        ray.io/node_id: 1d07447d7d124db641052a3443ed882f913510dbe866719ac36667d2
# Several lines of output omitted

Preparar un modelo

Entrena un modelo de PyTorch con el conjunto de datos Fashion MNIST:

  1. Envía un trabajo de Ray y espera a que se complete:

    ray job submit --submission-id pytorch-mnist-job --working-dir . --runtime-env-json='{"pip": ["torch", "torchvision"], "excludes": ["myenv"]}' --address http://localhost:8265 -- python train.py

    El resultado debería ser similar al siguiente:

    Job submission server address: http://localhost:8265

--------------------------------------------
Job 'pytorch-mnist-job' submitted successfully
--------------------------------------------

Next steps
  Query the logs of the job:
    ray job logs pytorch-mnist-job
  Query the status of the job:
    ray job status pytorch-mnist-job
  Request the job to be stopped:
    ray job stop pytorch-mnist-job

Handling connection for 8265
Tailing logs until the job exits (disable with --no-wait):
...
...

  2. Verifica el estado de la tarea:

    ray job status pytorch-mnist

    El resultado debería ser similar al siguiente:

    Job submission server address: http://localhost:8265
Status for job 'pytorch-mnist-job': RUNNING
Status message: Job is currently running.

    Espera a que Status for job sea COMPLETE. Este proceso puede tardar 15 minutos o más.

  3. Para ver los registros de tareas de Ray, haz lo siguiente:

    ray job logs pytorch-mnist

    El resultado debería ser similar al siguiente:

    Training started with configuration:
╭─────────────────────────────────────────────────╮
│ Training config                                  │
├──────────────────────────────────────────────────┤
│ train_loop_config/batch_size_per_worker       8  │
│ train_loop_config/epochs                     10  │
│ train_loop_config/lr                      0.001  │
╰─────────────────────────────────────────────────╯

# Several lines omitted

Training finished iteration 10 at 2024-06-19 08:29:36. Total running time: 9min 18s
╭───────────────────────────────╮
│ Training result                │
├────────────────────────────────┤
│ checkpoint_dir_name            │
│ time_this_iter_s      25.7394  │
│ time_total_s          351.233  │
│ training_iteration         10  │
│ accuracy               0.8656  │
│ loss                  0.37827  │
╰───────────────────────────────╯

# Several lines omitted
-------------------------------
Job 'pytorch-mnist' succeeded
-------------------------------

Desplegar un RayJob

El recurso personalizado RayJob gestiona el ciclo de vida de un recurso RayCluster durante la ejecución de un único trabajo de Ray.

  1. Revisa el siguiente archivo de manifiesto:

    apiVersion: ray.io/v1
kind: RayJob
metadata:
  name: pytorch-mnist-job
spec:
  shutdownAfterJobFinishes: true
  entrypoint: python ai-ml/gke-ray/raytrain/pytorch-mnist/train.py
  runtimeEnvYAML: |
    pip:
      - torch
      - torchvision
    working_dir: "https://github.com/GoogleCloudPlatform/kubernetes-engine-samples/archive/main.zip"
    env_vars:
      NUM_WORKERS: "4"
      CPUS_PER_WORKER: "2"
  rayClusterSpec:
    rayVersion: '2.37.0'
    headGroupSpec:
      rayStartParams: {}
      template:
        spec:
          containers:
            - name: ray-head
              image: rayproject/ray:2.37.0
              ports:
                - containerPort: 6379
                  name: gcs-server
                - containerPort: 8265
                  name: dashboard
                - containerPort: 10001
                  name: client
              resources:
                limits:
                  cpu: "2"
                  ephemeral-storage: "9Gi"
                  memory: "4Gi"
                requests:
                  cpu: "2"
                  ephemeral-storage: "9Gi"
                  memory: "4Gi"
    workerGroupSpecs:
      - replicas: 4
        minReplicas: 1
        maxReplicas: 5
        groupName: small-group
        rayStartParams: {}
        template:
          spec:
            containers:
              - name: ray-worker
                image: rayproject/ray:2.37.0
                resources:
                  limits:
                    cpu: "4"
                    ephemeral-storage: "9Gi"
                    memory: "8Gi"
                  requests:
                    cpu: "4"
                    ephemeral-storage: "9Gi"
                    memory: "8Gi"

    Este manifiesto describe un recurso personalizado de RayJob.

  2. Aplica el manifiesto a tu clúster de GKE:

    kubectl apply -f ray-job.yaml

  3. Comprueba que el recurso RayJob se está ejecutando:

    kubectl get rayjob

    El resultado debería ser similar al siguiente:

    NAME                JOB STATUS   DEPLOYMENT STATUS   START TIME             END TIME   AGE
pytorch-mnist-job   RUNNING      Running             2024-06-19T15:43:32Z              2m29s

    En este resultado, la columna DEPLOYMENT STATUS indica que el recurso RayJob es Running.

  4. Consulta el estado del recurso RayJob:

    kubectl logs -f -l job-name=pytorch-mnist-job

    El resultado debería ser similar al siguiente:

    Training started with configuration:
╭─────────────────────────────────────────────────╮
│ Training config                                  │
├──────────────────────────────────────────────────┤
│ train_loop_config/batch_size_per_worker       8  │
│ train_loop_config/epochs                     10  │
│ train_loop_config/lr                      0.001  │
╰─────────────────────────────────────────────────╯

# Several lines omitted

Training finished iteration 10 at 2024-06-19 08:29:36. Total running time: 9min 18s
╭───────────────────────────────╮
│ Training result                │
├────────────────────────────────┤
│ checkpoint_dir_name            │
│ time_this_iter_s      25.7394  │
│ time_total_s          351.233  │
│ training_iteration         10  │
│ accuracy               0.8656  │
│ loss                  0.37827  │
╰───────────────────────────────╯

# Several lines omitted
-------------------------------
Job 'pytorch-mnist' succeeded
-------------------------------

  5. Verifica que el trabajo de Ray se haya completado:

    kubectl get rayjob

    El resultado debería ser similar al siguiente:

    NAME                JOB STATUS   DEPLOYMENT STATUS   START TIME             END TIME               AGE
pytorch-mnist-job   SUCCEEDED    Complete            2024-06-19T15:43:32Z   2024-06-19T15:51:12Z   9m6s

    En este resultado, la columna DEPLOYMENT STATUS indica que el recurso RayJob es Complete.