AIACC-Training支持基于主流人工智能(包括PyTorch、TensorFlow、MXNet、Caffe等)搭建的模型进行分布式训练。在接口层面上,目前AIACC-Training兼容了PyTorch DDP以及Horovod的API,对于原生使用上述分布式训练方法的训练代码,可以做到无感的性能加速。本文将为您介绍安装AIACC-Training 1.5.0的多种方式。

前提条件

已创建阿里云GPU实例,且GPU实例需满足以下要求:
  • 操作系统为Alibaba Cloud Linux、CentOS 7.x或Ubuntu 16.04以上版本。
  • 已安装NVIDIA Driver和CUDA 10.0或以上版本。

背景信息

本文以安装AIACC-Training 1.5.0版本为例,您可以根据自身业务场景,选择以下任一方式安装AIACC-Training。
安装方式 说明
方式一:在已有的AI软件环境中安装AIACC-Training 如果已布置了深度学习的AI训练环境,则您可以通过自动或手动方式安装AIACC-Training。
方式二:安装包含了AIACC-Training的Conda环境 如果需要使用Conda环境,则您可以通过一键创建包含AIACC-Training的Conda环境的方式安装AIACC-Training。
方式三:安装配有AIACC-Training的Docker镜像 如果需要使用Docker环境,则您可以通过下载已配备了AIACC-Training的Docker镜像的方式安装AIACC-Training。
说明 在ECS管理控制台创建ECS时,如果控制台页面存在 AIACC训练加速选项,且您已选中 AIACC训练加速,则ECS创建完成后,会自动安装AIACC-Training 1.3.3版本。推荐您选用上述列表中的三种安装方式之一,安装AIACC-Training 1.5.0版本。

支持的框架列表

AIACC-Training提供对应不同深度学习框架版本的软件包,目前支持的框架版本如下:
CUDA版本 框架类型 框架版本
10.0 PyTorch 1.2.0、1.3.0
TensorFlow 1.14.0、1.15.0、2.0.0
MXNet 1.4.1、1.5.0、1.7.0
10.1 PyTorch 1.6.0、1.5.1、1.4.0
TensorFlow 2.1.0、2.2.0、2.3.0
MXNet 1.4.1、1.5.0、1.6.0、1.7.0、1.9.0
10.2 PyTorch 1.5.1、1.6.0、1.8.0、1.8.2、1.9.0、1.10.0
MXNet 1.9.0
11.0 PyTorch 1.7.0、1.7.1
TensorFlow 2.4.0
MXNet 1.9.0
说明
  • 目前TensorFlow以及MXNet仅支持Python 3.6版本。
  • PyTorch支持Python 3.6~Python 3.9版本,具体与PyTorch官网提供的版本支持一致。更多版本支持信息,请参见PyTorch官网
  • 如您使用的框架版本不在上表支持范围内,请提交工单获取支持。

方式一:在已有的AI软件环境中安装AIACC-Training

若您已布置了深度学习训练环境,可以通过自动或手动方式安装AIACC-Training。安装前您的环境需满足以下条件:
  • 已安装Python 3以及对应的pip工具。
  • 已安装深度学习框架PyTorch、TensorFlow或MXNet。
重要 重新安装了深度学习框架之后,也需要再次安装AIACC-Training。

自动安装AIACC-Training软件包(推荐)

AIACC-Training提供了对应框架版本的Python软件包,您可以执行如下命令,通过一键脚本自动安装。
wget https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/install_AIACC-Training.sh && bash install_AIACC-Training.sh
说明 脚本默认使用 python3作为Python的命令,如果您需要使用其他Python命令,可在脚本的最后添加。例如使用 python作为Python的命令,请执行命令 wget https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/install_AIACC-Training.sh && bash install_AIACC-Training.sh python进行一键安装。

手动安装AIACC-Training软件包

您可以执行如下命令,使用pip手动安装最新的AIACC-Training软件包。
  • 如果您使用的是PyTorch,请使用以下命令安装AIACC-Training。
    pip install --force-reinstall https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/cuda${cuda_version}/perseus_torch-1.5.0%2B${framework_version}-cp${python_version}-cp${python_version}m-linux_x86_64.whl --trusted-host mirrors.aliyun.com -i http://mirrors.aliyun.com/pypi/simple/
    部分参数说明如下:
    • ${cuda_version}为cuda的版本,需要去除版本号中的半角句号(.),例如cuda 11.0对应cuda_version=110。
    • ${framework_version}为框架版本号,例如PyTorch 1.7.1对应framework_version=1.7.1。
    • ${python_version}为python的版本号,需要去除版本号中的半角句号(.),例如python 3.6对应python_version=36。
    对于Python 3.8或以上版本的whl包,请使用如下的下载地址模板:
    https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/cuda${cuda_version}/perseus_${framework}-1.5.0%2B${framework_version}-cp${python_version}-cp${python_version}-linux_x86_64.whl
    以PyTorch 1.7.1、CUDA 11.0、Python 3.6版本为例,一键安装命令如下:
    cuda_version=110         #注意:此处不带“.”号
    framework=torch
    framework_version=1.7.1
    python_version=36
    pip install --force-reinstall https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/cuda${cuda_version}/perseus_${framework}-1.5.0%2B${framework_version}-cp${python_version}-cp${python_version}m-linux_x86_64.whl --trusted-host mirrors.aliyun.com -i http://mirrors.aliyun.com/pypi/simple/
  • 如果您使用TensorFlow或MXNet,请使用以下命令安装AIACC-Training。
    pip install --force-reinstall https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/cuda${cuda_version}/perseus_${framework}-1.5.0%2B${framework_version}-py2.py3-none-manylinux1_x86_64.whl --trusted-host mirrors.aliyun.com -i http://mirrors.aliyun.com/pypi/simple/
    以TensorFlow 1.15.0、CUDA 10.0、Python 3.6版本为例,一键安装命令如下:
    cuda_version=100         #注意:此处不带“.”号
    framework=tensorflow
    framework_version=1.15.0
    pip install --force-reinstall https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/cuda${cuda_version}/perseus_${framework}-1.5.0%2B${framework_version}-py2.py3-none-manylinux1_x86_64.whl --trusted-host mirrors.aliyun.com -i http://mirrors.aliyun.com/pypi/simple/

方式二:安装包含了AIACC-Training的Conda环境

Conda是一款开源跨平台的软件包及环境管理系统。您可以一键创建包含AIACC-Training的Conda环境,该环境已安装CUDA Toolkit、Python 3、深度学习框架以及最新的AIACC-Training软件等,方便您快速搭建和管理不同的深度学习框架和版本,并通过AIACC-Training显著提升训练性能。

  1. 前往Conda官网,下载并安装最新版本的Miniconda。
  2. 根据需要的框架版本和环境信息,执行如下命令,一键创建相应的Conda环境。
    conda env create -f https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/conda/latest/${framework}_${framework_version}_cu${cuda_version}_py${python_version}.yaml
    以PyTorch 1.7.1、CUDA11.0、Python 3.6为例,一键创建Conda环境的命令如下:
    cuda_version=11.0  
    framework=torch    
    framework_version=1.7.1
    python_version=36
    conda env create -f https://ali-perseus-release.oss-cn-huhehaote.aliyuncs.com/conda/latest/${framework}_${framework_version}_cu${cuda_version}_py${python_version}.yaml
    部分参数说明如下:
    • ${cuda_version}:需为带半角句号(.)的CUDA版本号,此版本必须小于或等于ECS已安装的CUDA版本。
    • ${framework}:为深度学习框架类型,tensorflow/mxnet/torch分别对应TensorFlow/MXNet/PyTorch框架。
    说明 若提示找不到该Conda环境的URL,则表示暂不支持该框架版本。更多信息,请参见 支持的框架列表

方式三:安装配有AIACC-Training的Docker镜像

您可以下载已安装了AIACC-Training的Docker镜像,该镜像内已安装CUDA、Python 3、深度学习框架和最新的AIACC-Training软件等,能够帮助您快速部署深度学习环境,管理不同的CUDA环境,并通过AIACC-Training显著提升训练性能。

安装前您的环境需满足以下条件:
根据需要的框架版本和环境信息,执行如下命令,下载对应的Docker镜像。
docker pull registry.cn-beijing.aliyuncs.com/cto_office/perseus-training:${os_type}-cu${cuda_version}-${framework}${framework_version}-py${python_version}-latest
部分参数说明如下:
简称 说明 示例值
os_type Docker镜像的系统类型。
说明 Docker内的系统类型与ECS实例的系统类型无关。
centos7
cuda_version CUDA的版本号。
说明 版本号需带半角句号(.),此版本可小于或等于ECS已安装的CUDA版本。
11.0
framework 深度学习框架类型的缩写。tf/mx/pt分别对应TensorFlow/MXNet/PyTorch框架。 tf
framework_version 深度学习框架对应的版本号,格式为xx.xx.xx。 2.4.0
python_version Python版本号。
说明 版本号不带半角句号(.),例如36/37/38对应Python 3.6/3.7/3.8版本。
36
以CentOS 7、CUDA 11.0、TensorFlow 2.4.0的镜像为例,一键安装命令如下:
os_type=centos7          
cuda_version=11.0        
framework=tf             
framework_version=2.4.0
python_version=36        
docker pull registry.cn-beijing.aliyuncs.com/cto_office/perseus-training:${os_type}-cu${cuda_version}-${framework}${framework_version}-py${python_version}-latest
关于如何使用Docker进行分布式训练,具体操作,请参见 Horovod in Docker
说明
  • 若提示找不到该Docker镜像,则表示暂不支持该框架版本。更多信息,请参见支持的框架列表
  • 若使用容器进行分布式训练,执行docker run命令启动需要增大shm的分配,参数为--shm-size=1g --ulimit memlock=-1