租户端 计算 计算加速套件（TACO） 用户手册 在裸金属服务器上部署 PyTorch 分布式训练集群

在裸金属服务器上部署 PyTorch 分布式训练集群

最近更新时间: 2026-06-30 15:06:00

操作场景

本文介绍如何基于裸金属服务器搭建 torch+Taco Train 分布式训练集群。

操作步骤

开通实例

开通实例，其中实例、存储及镜像请参考以下信息选择，其余配置请参考 通过开通页创建实例 按需选择。

  • 实例：选择 裸金属GPU实例。
  • 系统盘：配置容量不小于50GB的云硬盘。您也可在创建实例后使用文件存储，详情参见 在 Linux 客户端上使用 CFS 文件系统。
  • 镜像：建议选择公共镜像，公共镜像当中已安装 RDMA 网卡驱动。若您选择自定义镜像，则需要自行安装 RDMA 网卡驱动和 GPU 驱动。
  • 操作系统 CentOS 7.6

配置实例环境

验证 GPU 驱动

  1. 登录实例。

  2. 执行以下命令，验证 GPU 驱动是否安装成功。

    nvidia-smi

    查看输出结果是否为 GPU 状态：

安装 nv_peer_mem（可选）

多机通信的过程中，GPU 显存中的数据需要首先拷贝到内存中，然后通过网卡发出。通过 GPU Direct RDMA 协议，可利用 GPU 和网卡直接通过 PCIe 进行 Peer2Peer 的数据交换这条更快速的路径，无需借助内存来进行数据的传递。
如需使用 GDR 进行数据传输，请在实例中执行以下命令，安装如下驱动。

git clone https://github.com/Mellanox/nv_peer_memory.git
cd ./nv_peer_memory/ && git checkout 1.0-9
make && insmod ./nv_peer_mem.ko
// 如果服务器发生了重启，nv_peer_mem驱动需要重新insmod

安装 docker 和 nvidia docker

  1. 参考 使用标准登录方式登录 Linux 实例，登录实例。

  2. 执行以下命令，安装 docker。

    curl -s -L http://mirrors.tencent.com/install/GPU/taco/get-docker.sh | sudo bash

    若您无法通过该命令安装，请尝试多次执行命令，或参考 Docker 官方文档 Install Docker Engine 进行安装。

本文以 CentOS 为例，安装成功后，返回结果如下图所示：

3. 执行以下命令，安装 nvidia-docker2。

curl -s -L http://mirrors.tencent.com/install/GPU/taco/get-nvidia-docker2.sh | sudo bash

若您无法通过该命令安装，请尝试多次执行命令，或参考 NVIDIA 官方文档 Installation Guide & mdash 进行安装。
本文以 CentOS 为例，安装成功后，返回结果如下图所示：

下载 docker 镜像

执行以下命令，下载 docker 镜像。

docker pull ccr.ccs.tencentyun.com/qcloud/taco-train:torch111-cu113-bm-0.4.1

该镜像包含的软件版本信息如下：

  • OS：Ubuntu 20.04.4 LTS
  • ofed: MLNX_OFED_LINUX-5.4-3.1.0.0
  • python：3.8.10
  • cuda toolkits：V11.3.109
  • cudnn library：8.2.0
  • nccl library：2.9.9
  • tencent-lightcc ：3.1.1
  • torch：1.11.0+cu113
    其中：
  • LightCC 是云平台提供的基于 Horovod 深度定制优化的通信组件，完全兼容 Horovod API，不需要任何业务适配。
  • torch 为官方版本。

启动 docker 镜像

执行以下命令，启动 docker 镜像。

docker run -itd --rm --gpus all --shm-size=32g --ulimit memlock=-1 --ulimit stack=67108864 --net=host --privileged ccr.ccs.tencentyun.com/qcloud/taco-train:torch111-cu113-bm-0.4.1

注意

--privileged 选项使容器能够访问主机上的 RDMA 设备。

分布式训练 benchmark 测试

说明

docker 镜像中的文件 /mnt/pytorch_synthetic_benchmark.py 来自 horovod example。

单卡
执行以下命令，进行测试。

/usr/local/openmpi/bin/mpirun -np 1 --allow-run-as-root -bind-to none -map-by slot -x NCCL_DEBUG=INFO -x NCCL_SOCKET_IFNAME=eth0 -x LD_LIBRARY_PATH -x PATH -mca btl_tcp_if_include eth0 python3 /mnt/pytorch_synthetic_benchmark.py --model=vgg16 --batch-size=128

下图为 V100的单卡 benchmark 结果：

单机多卡
执行以下命令，进行测试。

/usr/local/openmpi/bin/mpirun -np 8 --allow-run-as-root -bind-to none -map-by slot -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL_IB_GID_INDEX=3 -x NCCL_NET_GDR_LEVEL=0 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp_if_include bond0 -mca btl ^openib python3 /mnt/pytorch_synthetic_benchmark.py --model resnet50 --batch-size=256

下图为 A100的8卡 benchmark 结果：

多机多卡

  1. 参考 开通实例 - 启动 docker 镜像 步骤，开通和配置多台训练机器。
  2. 配置多台服务器 docker 间相互免密访问，详情请参见 配置容器 SSH 免密访问。
  3. 执行以下命令，使用 TACO Train 进行多机训练加速。
/usr/local/openmpi/bin/mpirun -np 16 -H gpu1:8,gpu2:8 --allow-run-as-root -bind-to none -map-by slot -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL_IB_GID_INDEX=3 -x NCCL_NET_GDR_LEVEL=0 -x HOROVOD_FUSION_THRESHOLD=0  -x HOROVOD_CYCLE_TIME=0 -x LIGHT_INTRA_SIZE=8 -x LIGHT_2D_ALLREDUCE=1 -x LIGHT_TOPK_ALLREDUCE=1 -x LIGHT_TOPK_THRESHOLD=2097152 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp_if_include bond0 -mca btl ^openib python3 /mnt/pytorch_synthetic_benchmark.py --model resnet50 --batch-size=256

下图为 A100 2机16卡 benchmark 结果：

LightCC 的环境变量说明如下表：

环境变量 默认值 说明
LIGHT_2D_ALLREDUCE 0 是否使用2D-Allreduce 算法
LIGHT_INTRA_SIZE 8 2D-Allreduce 组内 GPU 数
LIGHT_HIERARCHICAL_THRESHOLD 1073741824 2D-Allreduce 的阈值，单位是字节，小于等于该阈值的数据才使用2D-Allreduce
LIGHT_TOPK_ALLREDUCE 0 是否使用 TOPK 压缩通信
LIGHT_TOPK_RATIO 0.01 使用 TOPK 压缩的比例
LIGHT_TOPK_THRESHOLD 1048576 TOPK 压缩的阈值，单位是字节，大于等于该阈值的数据才使用 TOPK 压缩通信
LIGHT_TOPK_FP16 0 压缩通信的 value 是否转成 FP16
  1. 执行以下命令，关闭 TACO LightCC 加速进行测试。
# 去掉LIGHT_xx的环境变量，即可使用Horovod进行多机Allreduce/usr/local/openmpi/bin/mpirun -np 16 -H gpu1:8,gpu2:8 --allow-run-as-root -bind-to none -map-by slot -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL_IB_GID_INDEX=3 -x NCCL_NET_GDR_LEVEL=0 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp_if_include bond0 -mca btl ^openib python3 /mnt/pytorch_synthetic_benchmark.py --model resnet50 --batch-size=256

下图为 A100 2机16卡，关闭 LightCC 之后的 benchmark 结果：

多机多卡GDR
执行以下命令，使用 GDR 进行测试。

注意：

使用 GDR 需安装 nv_peer_mem，详情请参见 安装 nv_peer_mem。

/usr/local/openmpi/bin/mpirun -np 16 -H gpu1:8,gpu2:8 --allow-run-as-root -bind-to none -map-by slot -x NCCL_DEBUG=INFO -x NCCL_IB_DISABLE=0 -x NCCL_SOCKET_IFNAME=bond0 -x NCCL_IB_GID_INDEX=3 -x NCCL_NET_GDR_LEVEL=2 -x HOROVOD_FUSION_THRESHOLD=0  -x HOROVOD_CYCLE_TIME=0 -x LIGHT_INTRA_SIZE=8 -x LIGHT_2D_ALLREDUCE=1 -x LIGHT_TOPK_ALLREDUCE=1 -x LIGHT_TOPK_THRESHOLD=2097152 -x LD_LIBRARY_PATH -x PATH -mca pml ob1 -mca btl_tcp_if_include bond0 -mca btl ^openib python3 /mnt/pytorch_synthetic_benchmark.py --model resnet50 --batch-size=256

GDR 通常在大模型或者集群规模较大时有显著的加速效果，测试结果如下图所示：

总结

本文使用环境及测试数据如下：

机器：（A100 * 8）+ 100G RDMA + 25G VPC
容器：ccr.ccs.tencentyun.com/qcloud/taco-train:torch111-cu113-bm-0.4.1
网络模型：ResNet50Batch：256
数据：synthetic data
GPU类型#GPUsHorovod+RDMALightCC+RDMA
性能（img/sec）线性加速比性能（img/sec）线性加速比
A1001819-819-
8646998.73%646998.73%
161229993.85%1253295.63%

说明如下：

  • 对于 A100，相比开源方案，2机16卡通过 LightCC 可将线性加速比从93.85%提升到95.63%。
  • 上述 benchmark 也支持除 ResNet50之外的其他模型，ModelName 请参考 Keras Applications。
  • 上述 docker 镜像仅用于 demo，若您需使用自己的 docker 开发环境，请参考 容器安装用户态 RDMA 驱动 安装网卡驱动。
  • 如需特定 OS/python/CUDA/tensorflow 版本的 LightCC 加速组件，请联系工程师获取。