Usa GPU con Dataproc Serverless

Puedes conectar aceleradores de GPU a tu instancia de Dataproc Serverless cargas de trabajo por lotes para lograr los siguientes resultados:

  • Acelera el procesamiento de cargas de trabajo de análisis de datos a gran escala.

  • Acelera el entrenamiento de modelos en conjuntos de datos grandes mediante las bibliotecas de aprendizaje automático de GPU.

  • Realizar análisis de datos avanzados, como procesamiento de video o de lenguaje natural

Todos los entornos de ejecución compatibles con Dataproc Serverless Spark agregar la biblioteca RAPIDS de Spark a cada nodo de carga de trabajo Entorno de ejecución de Spark sin servidores de Dataproc versión 1.1 también se agrega la biblioteca XGBoost a nodos de carga de trabajo. Estas bibliotecas proporcionan una potente transformación de datos de aprendizaje automático que puedes usar en tus cargas de trabajo aceleradas con GPU.

Beneficios de la GPU

Estos son algunos de los beneficios de usar GPUs con tus cargas de trabajo de Spark sin servidores de Dataproc:

  • Mejora del rendimiento: La aceleración de la GPU puede aumentar significativamente. Impulsa el rendimiento de las cargas de trabajo, particularmente para las tareas de procesamiento intensivo, como aprendizaje automático y profundo, procesamiento de grafos y estadísticas complejas.

  • Entrenamiento de modelos más rápido: Para las tareas de aprendizaje automático, adjuntar GPU puede reducen drásticamente el tiempo necesario para entrenar modelos, lo que permite a los científicos de datos e ingenieros para iterar y experimentar rápidamente.

  • Escalabilidad: Los clientes pueden agregar más nodos de GPU o GPU más potentes a los nodos para para manejar necesidades de procesamiento cada vez más complejas.

  • Rentabilidad: Si bien las GPU requieren una inversión inicial, puedes lograr los costos. de ahorro a largo plazo debido a tiempos de procesamiento reducidos y a una utilización más eficiente de los recursos.

  • Análisis de datos mejorado: La aceleración de GPU te permite realizar estadísticas avanzadas. como análisis de imágenes y videos y procesamiento de lenguaje natural, en grandes conjuntos de datos.

  • Productos mejorados: Un procesamiento más rápido permite una toma de decisiones más ágil. y aplicaciones más responsivas.

Limitaciones y consideraciones

Precios

Consulta los precios de Dataproc Serverless para obtener información sobre los precios del acelerador.

Antes de comenzar

Antes de crear una carga de trabajo por lotes sin servidores con aceleradores de GPU conectados, haz lo siguiente:

  1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.

  2. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  3. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

  4. Enable the Dataproc, Compute Engine, and Cloud Storage APIs.

    Enable the APIs

  5. Install the Google Cloud CLI.

  6. To initialize the gcloud CLI, run the following command: 

    gcloud init

  7. In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

    Go to project selector

  8. Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.

  9. Enable the Dataproc, Compute Engine, and Cloud Storage APIs.

    Enable the APIs

  10. Install the Google Cloud CLI.

  11. To initialize the gcloud CLI, run the following command: 

    gcloud init
  12. In the Google Cloud console, go to the Cloud Storage Buckets page.

    Go to Buckets page

  13. Click Create bucket.
  14. On the Create a bucket page, enter your bucket information. To go to the next step, click Continue.
    • For Name your bucket, enter a name that meets the bucket naming requirements.
    • For Choose where to store your data, do the following:
      • Select a Location type option.
      • Select a Location option.
    • For Choose a default storage class for your data, select a storage class.
    • For Choose how to control access to objects, select an Access control option.
    • For Advanced settings (optional), specify an encryption method, a retention policy, or bucket labels.
  15. Click Create.

Crea una carga de trabajo por lotes sin servidores con aceleradores de GPU

Envía una carga de trabajo por lotes de Dataproc sin servidores que use GPUs NVIDIA L4 para ejecutar una tarea de PySpark paralela. Sigue estos pasos con gcloud CLI:

  1. Haz clic en Expandir, luego crea y guarda el código de PySpark enumerado en una test-py-spark-gpu.py en tu máquina local con un editor de texto o código.

    #!/usr/bin/env python

"""S8s Accelerators Example."""

import subprocess
from typing import Any
from pyspark.sql import SparkSession
from pyspark.sql.functions import col
from pyspark.sql.types import IntegerType
from pyspark.sql.types import StructField
from pyspark.sql.types import StructType

spark = SparkSession.builder.appName("joindemo").getOrCreate()


def get_num_gpus(_: Any) -> int:
  """Returns the number of GPUs."""
  p_nvidia_smi = subprocess.Popen(
      ["nvidia-smi", "-L"], stdin=None, stdout=subprocess.PIPE
  )
  p_wc = subprocess.Popen(
      ["wc", "-l"],
      stdin=p_nvidia_smi.stdout,
      stdout=subprocess.PIPE,
      stderr=subprocess.PIPE,
      universal_newlines=True,
  )
  [out, _] = p_wc.communicate()
  return int(out)


num_workers = 5
result = (
    spark.sparkContext.range(0, num_workers, 1, num_workers)
    .map(get_num_gpus)
    .collect()
)
num_gpus = sum(result)
print(f"Total accelerators: {num_gpus}")

# Run the join example
schema = StructType([StructField("value", IntegerType(), True)])
df = (
    spark.sparkContext.parallelize(range(1, 10000001), 6)
    .map(lambda x: (x,))
    .toDF(schema)
)
df2 = (
    spark.sparkContext.parallelize(range(1, 10000001), 6)
    .map(lambda x: (x,))
    .toDF(schema)
)
joined_df = (
    df.select(col("value").alias("a"))
    .join(df2.select(col("value").alias("b")), col("a") == col("b"))
    .explain()
)

  2. Usa la CLI de gcloud en tu máquina local para enviar el trabajo por lotes sin servidores de Dataproc Serverless con cinco trabajadores, cada uno acelerado con GPUs L4:

    gcloud dataproc batches submit pyspark test-py-spark-gpu.py \
    --project=PROJECT_ID \
    --region=REGION \
    --deps-bucket=BUCKET_NAME \
    --version=1.1 \
    --properties=spark.dataproc.executor.compute.tier=premium,spark.dataproc.executor.disk.tier=premium,spark.dataproc.executor.resource.accelerator.type=l4,spark.executor.instances=5,spark.dataproc.driverEnv.LANG=C.UTF-8,spark.executorEnv.LANG=C.UTF-8,spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager

Notas:

  • PROJECT_ID es el ID del proyecto de Google Cloud.
  • REGION: Una región de Compute Engine disponible para para ejecutar la carga de trabajo.
  • BUCKET_NAME: Es el nombre de tu bucket de Cloud Storage. Cargas de Spark dependencias de carga de trabajo a una carpeta /dependencies en este bucket antes que ejecuta la carga de trabajo por lotes.
  • --version: Todos los entornos de ejecución compatibles de Dataproc Serverless agrega el comando RAPIDS biblioteca a cada nodo de una carga de trabajo acelerada por GPU. Actualmente, Solo la versión 1.1 del entorno de ejecución agrega la capa XGBoost biblioteca a cada nodo de una carga de trabajo acelerada por GPU.

  • --properties (consulta Propiedades de asignación de recursos de Spark):

    • spark.dataproc.driverEnv.LANG=C.UTF-8 y spark.executorEnv.LANG=C.UTF-8 (obligatorio con las versiones del entorno de ejecución anteriores a 2.2): Estas propiedades se establecen el grupo de caracteres predeterminado en C.UTF-8.

    • spark.dataproc.executor.compute.tier=premium (obligatorio): Las cargas de trabajo aceleradas por GPU se facturan con unidades de procesamiento de datos premium (DCU). Consulta Dataproc Serverless Precios del acelerador.

    • spark.dataproc.executor.disk.tier=premium (obligatorio): Nodos con A100-40, A100-80 o L4 los aceleradores deben usar el nivel de disco premium.

    • spark.dataproc.executor.resource.accelerator.type=l4 (obligatorio): solo se debe especificar un tipo de GPU. El trabajo de ejemplo selecciona la GPU L4. El los siguientes tipos de acelerador se pueden especificar con el siguiente argumento nombres:

      Tipo de GPU Nombre del argumento
      A100 40 GB a100-40
      A100 80 GB a100-80

    • spark.executor.instances=5 (obligatorio): Debe haber al menos dos. Establecer en cinco para este ejemplo.

    • spark.executor.cores (opcional): Puedes configurar esta propiedad para especificar la cantidad de CPU virtuales principales. Los valores válidos para las GPU L4 son 4, el valor predeterminado, o 8, 12 o 16. La única infraestructura válida y predeterminada de salida para las GPU A100 es 12.

    • spark.dataproc.executor.disk.size (obligatorio): Las GPU L4 requieren la versión 375. Tamaño de GB. Si configuras esta propiedad con un valor diferente cuando envías una carga de trabajo acelerada por L4, se produce un error. Si seleccionas un GPU A100 40 o A100 80, los tamaños válidos son 375 g, 750 g, 1,500 g, 3,000 g, 6,000 g y 9,000 g.

    • spark.executor.memory (opcional) y spark.executor.memoryOverhead (opcional): Puedes establecer una de estas pero no ambas. La cantidad de memoria disponible no consumida por la propiedad establecida se aplica a la propiedad no establecida. De forma predeterminada, spark.executor.memoryOverhead se establece en el 40% de la memoria disponible para las cargas de trabajo por lotes de PySpark y en el 10% para otras cargas de trabajo (consulta Propiedades de asignación de recursos de Spark).

      La siguiente tabla muestra la cantidad máxima de memoria que se puede configurar para diferentes configuraciones de GPU A100 y L4. El valor mínimo para cualquiera de tiene 1024 MB.

      A100 (40 GB) A100 (80 GB) L4 (4 núcleos) L4 (8 núcleos) L4 (12 núcleos) L4 (16 núcleos)
      Memoria total máxima (MB) 78040 165080 13384 26768 40152 53536

    • Propiedades RAPIDS de Spark (opcional): De forma predeterminada, Dataproc Serverless configura los siguientes valores de propiedad RAPIDS de Spark:

      • spark.plugins=com.nvidia.spark.SQLPlugin
      • spark.executor.resource.gpu.amount=1
      • spark.task.resource.gpu.amount=1/$spark_executor_cores
      • spark.shuffle.manager=''. De forma predeterminada, esta propiedad no está configurada. Sin embargo, NVIDIA recomienda activar Administrador de Shuffle de RAPIDS cuando se usan GPU para mejorar el rendimiento. Para hacerlo, configura spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager cuando envías una carga de trabajo.

      Consulta Acelerador de RAPIDS para la configuración de Apache Spark para establecer propiedades de RAPIDS de Spark y Acelerador de RAPIDS para la configuración avanzada de Apache Spark para configurar las propiedades avanzadas de Spark.