KISTI 슈퍼컴퓨팅 기술 블로그

뉴론 Keras 기반 Multi GPU 사용 방법 (2020.10) 본문

사용자 지침서/뉴론(Neuron) (GPU Cluster System)

뉴론 Keras 기반 Multi GPU 사용 방법 (2020.10)

슈퍼컴퓨팅인프라센터 2019. 9. 18. 10:31

 

  Keras(케라스)는 파이썬으로 작성된 오픈 소스 신경망 라이브러리로, MXNet, Deeplearning4j, 텐서플로, Microsoft Cognitive Toolkit 또는 Theano 위에서 수행할 수 있는 High-level Neural Network API이다. 케라스의 특징은 User friendliness, Modularity, Easy ExtensibilityMulti-GPU를 사용하고자 하는 사용자도 코드를 최소한으로 수정하여 쉽게 Multi-GPU를 사용할 수 있도록 하고 있다.

 

KISTI GPU 클러스터인 NEURON의 큐 구성은 다음과 같으며, ivy_k40_2, ivy_v100_2, cas_v100_2, cas32c_v100_2, cas_v100nv_4 큐에는 한 노드에 2, 4개의 GPU가 장착되어 있어, 단일노드를 이용할 때에도 GPU를 여러 대 사용하여 신경망 학습을 할 수 있는 환경이 구축되어 있다

 

 

 

<NEURON 큐 구성 (2020.10월 기준)>

 큐명

할당

노드 수 

Total CPU

core 수 

작업제출개수제한 * 

리소스점유제한 ** 

 비고

 사용자별

최대제출

작업개수

사용자별

최대실행

작업개수

작업별

최대노드

점유개수 

사용자별

최대GPU

점유개수 

ivy_k40_2

4

80

2

-

6

K40 2ea탑재

ivy_v100_2

21

420

4

-

16

V100 2ea탑재

cas_v100_2

15

600

4

-

20

V100 2ea탑재

cas_v100nv_4

4

160

2

-

12

V100(NVlink)

4ea탑재

cas32c_v100_2

5

160

2

-

6

V100 2ea탑재

skl

10

360

2

-

-

 

bigmem

2

96

1

-

-

 

amd

2

128

1

-

-

 

 opatne

1

24

1

-

-

 

노드 구성은 시스템 부하에 따라 시스템 운영 중에 조정될 수 있음.

※ cas32c_v100_2 파티션 계산노드는 Xeon Gold 6242 CPU 2ea 탑재 (총 32코어)

 

 

  본 Multi-GPU 사용 방법 설명서에서는 CNN기반 신경망을 cifar10 데이터를 이용하여 학습하는 예제를 이용하였다.

1.학습에 사용된 신경망 코드 (cifar10.py)

 

 

 

 

 

 

 

 

2. 단일 GPU 사용 작업 제출 방법

 

작업제출 스크립트

#!/bin/sh

#SBATCH -J keras

#SBATCH --time=24:00:00

#SBATCH -o %x_%j.out

#SBATCH -e %x_%j.err

#SBATCH -p cas_v100_2

#SBATCH --comment tensorflow

#SBATCH --gres=gpu:2

#SBATCH -N 1

 

module load python/3.7.1

source activate tf_gpu

 

srun python cifar10.py

 

- Conda를 이용하여 Keras 패키지가 설치된 tf_gpu 가상환경을 구축하고 tf_gpu 환경에서 수행하는 방법임. (Conda의 활용은 ‘KISTI 홈페이지 > 기술지원 > 지침서 > 소프트웨어 > Conda의 활용’ 참고.)

- Keras는 tensorflow 위에서 동작하기 때문에 application명으로 tensorflow 사용.

- ivy_v100_2노드에는 GPU가 2개 장착되어 있기 때문에 2개 GPU를 모두 사용할 수 있지만, 코드에 Multi-GPU를 사용한다고 명시하지 않았기 때문에 —gres옵션으로 gpu를 2개 사용한다고 하여도 하나의 gpu만을 사용한다는 것을 확인할 수 있음.

 

<GPU 모니터링 단일 GPU 사용 확인>

 

 

3. Multi-GPU 사용을 위한 코드 변경 및 작업 제출 방법

 

1) [from keras.utils import multi_gpu_model] 모듈 추가

from __future__ import print_function

import keras

from keras.datasets import cifar10

from keras.preprocessing.image import ImageDataGenerator

from keras.models import Sequential

from keras.layers import Dense, Dropout, Activation, Flatten

from keras.layers import Conv2D, MaxPooling2D

from keras.utils import multi_gpu_model

import os

 

2) 코드 내 multi-gpu사용 선언

# initiate RMSprop optimizer

opt = keras.optimizers.rmsprop(lr=0.0001, decay=1e-6)

 

#multi-gpu

model = multi_gpu_model(model, gpus=2)

 

# Let's train the model using RMSprop

model.compile(loss='categorical_crossentropy',

optimizer=opt,

metrics=['accuracy'])

-사용하고자하는 GPU 개수만큼 gpus를 설정.
(ex. skl_v100nv_4노드의 경우에는 gpus=4라고 설정)

 

3) Multi-GPU 사용 작업 제출 방법

작업제출 스크립트 (단일 GPU 사용과 동일)

#!/bin/sh

#SBATCH -J keras

#SBATCH --time=24:00:00

#SBATCH -o %x_%j.out

#SBATCH -e %x_%j.err

#SBATCH -p cas_v100_2

#SBATCH --comment tensorflow

#SBATCH --gres=gpu:2

#SBATCH -N 1

 

module load python/3.7.1

source activate tf_gpu

 

srun python cifar10.py

 

 

<GPU 모니터링 Multi-GPU 사용 확인>

 

Comments