1. 安装ngc命令
NGC集群的使用需要用到ngc命令行，安装方法如下：
- 下载NGC CLI
wget --content-disposition https://ngc.nvidia.com/downloads/ngccli_linux.zip && unzip ngccli_linux.zip && chmod u+x ngc-cli/ngc
- 检查二进制文件md5 hash
find ngc-cli/ -type f -exec md5sum {} + | LC_ALL=C sort | md5sum -c ngc-cli.md5
- 将ngc添加到path
echo "export PATH=\"\$PATH:$(pwd)/ngc-cli\"" >> ~/.bash_profile && source ~/.bash_profile
- 配置ngc
ngc config set
如果需要卸载ngc，只需要执行如下命令：
dirname `which ngc` | xargs rm -r
2. NGC使用流程
NGC运行的原理是基于docker，整个使用流程如下：
- 创建一个新的docker image，以pytorch为例，我们可以使用官方的pytorch image
docker pull nvcr.io/nvidia/pytorch:22.05-py3
- 创建docker container
docker run --name hyperbox --gpus all -it e34705793a75
--name test：表示将创建的container命名为test--gpus all: 表示使用GPU-it: 表示创建container后将进入交互模式- e34705793a75: 是docker image的id
运行上面的命令后会进入container，你可以安装好所有需要的依赖库。安装好后执行如下命令即可退出container
exit
- 将container打包成新的image
docker commit -a "author_name" -m "commit message" a460d64be5e3nvcr.io/nvidian/onboarding/hyperbox:v1.1
a460d64be5e3:是创建的container的id。可以通过docker ps -a查看container的idnvcr.io/nvidian/onboarding/hyperbox:v1.1: 这是给container打上了标签nvidian是organizationonboarding是teamhyperbox:v1.1是image的别名和版本号
- 上传生成的image
等上面的命令执行结束后会生成新的image，执行如下命令即可上传image
docker push nvcr.io/nvidian/onboarding/hyperbox:v1.1
- NGC配置运行
上传image后，我们在NGC网站界面便可选择指定的image了。
除了image以外，还需要配置以下选项：
dataset: NGC上有很多已经上传的dataset，用户可以把dataset挂载到指定位置/mount/cifar10
workspace：我们可以把代码存放到workspace，具体的操作细节会在下一节介绍。result: 实验的日志信息（如终端屏幕上打印出来的信息）都会保存到/result目录下的一个log文件里，所以需要把代码存日志的路径改到/result路径下。
3. NGC基础概念：dataset result workspace
3.1 workspace
workspace简单理解就是云上的一个文件夹，这里面可以存很多需要的东西，比如代码，模型权重等等。
-
- 创建workspace，命名为
my_workspace
- 创建workspace，命名为
ngc workspace create --name my_workspace
-
- 上传文件到workspace
ngc workspace upload --source ./local_path/source_code.py my_workspace
- workspace其他命令
3.2 result
NGC 某个job结束后会把日志信息保存到/result，运行结束之后我们可以下载实验结果。
假设 job 的id是 3061231，运行如下命令即可下载实验结果
ngc result download 3061231
result其他命令如下：
3.3 dataset
4. ngc运行命令示例
以下命令也可以在NGC网页上自动生成
ngc batch run \
--name "Job-nv-us-west-2-837300" \
--preempt RUNONCE \
--min-timeslice 0s \
--ace nv-us-west-2 \
--instance dgx1v.32g.4.norm \
--total-runtime 500000s \
--image "nvidian/onboarding/hyperbox:v1.1" \
--commandline "cd /mount/workspace; python main.py" \
--result /result \
--org nvidian \
--datasetid 75237:/mount/cifar10 \
--workspace h6Vds94gT3-YyJ4365jZVg:/mount/workspace:RW