在 GCP 搭建使用 NVIDIA GPU 做机器学习的 K8S 集群

小提示：您能找到这篇{在 GCP 搭建使用 NVIDIA GPU 做机器学习的 K8S 集群}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的在 GCP 搭建使用 NVIDIA GPU 做机器学习的 K8S 集群内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

本文介绍如何使用 NVIDIA 官方推荐工具和 K8S 插件，在谷歌云 GCP 的虚机上搭建用于机器学习任务的带显卡 K8S 集群。

另外，也介绍了如何更新 K8S 插件，来解决当带显卡 Node 维护重启时，由于 GPU ID 发生变化而导致训练任务无法继续的问题。该问题的描述可以参考在线记录。注意，该问题在使用各公有云虚机时都可能发生，触发原因是虚机维护重启后，从一台宿主机迁移到另一台宿主机，所配置的显卡实例也随之改变，显卡 ID 变化，而 NVIDIA K8S 插件在 0.9.0 版本之前不能容忍这个变化，而导致上层 Tensorflow 等应用无法在重启后获取到显卡。此问题在谷歌云 GKE 环境中不会发生，因为谷歌云 GKE 使用的是定制版插件。

本文搭建一个包含一台 Master 和一台 Node 的 K8S 集群，其中 Node 上配置一块 NVIDIA T4 显卡。之后复现显卡 ID 问题，并介绍升级环境解决问题的步骤。

创建虚机实例

在谷歌云控制台创建以下配置的虚机。注意确认使用的项目和区域有充足的 CPU 和 GPU quota。

●      一台 Master 节点

○      k8s-m

○      n1-standard-1

○      Ubuntu LTS 16.04

●      一台 Node 节点

○      k8s-t4-node

○      n1-standard-1

○      Ubuntu LTS 16.04

○      T4 GPU

创建完后确认 master 和 node 都运行正常。

搭建 K8S 集群

参考 NVIDIA 官方文档

https://docs.nvidia.com/datacenter/cloud-native/kubernetes/install-k8s“确认传播”专注于品牌策划、效果营销和危机管理的数字整合营销传播公司，我们深度诠释客户的品牌理念、文化及背景，多维深度传播客户的文化底蕴和核心价值观，提升客户品牌的知名度、关注度与美誉度。#option-1-installing-kubernetes-using-deepops

以及 DeepOps 文档

https://github.com/NVIDIA/deepops/tree/master/docs/k8s-cluster

首先，登录到 k8s-m，执行以下命令安装 Ansible 工具

下载并初始化 DeepOps 脚本

创建 SSH 密钥对，并将公钥配置为 Node 的允许密钥。注意要将私钥配置为其它用户不可访问。

参照下面截图更改 Ansible 配置文件，指定 K8S 的 master 和 node 信息，以及密钥对信息

验证 Ansible 配置

启动 Ansible 来安装 K8S 集群

安装完成后，用下面命令来验证集群运行正常

在 gpu01 节点上运行以下命令确认容器环境可以识别到显卡。

注意：Image 版本需要参考官方文档

复现节点重启后 GPU Device I网站该如何营销D 变化问题

在刚搭建好的 K8S 集群 master 上查看 NVIDIA K8S Plugin 的版本

根据输出，此集群上使用的 NVIDIA K8S 插件为 0.7.0 版本。此版本会产生重启后显卡 Device ID 变化而找不到显卡的问题。

查看当前显卡 Device ID 。

用下面命令用序号查看显卡设备。

安装并运行测试程序容器 nvidia-loop 。其功能是持续占用显卡并不断打印 GPU Device ID 。

查看 nvidia-loop 的日志

以上命令都应该成功无错。到此都不会出现任何问题。

使用以下命令模拟 GCP 虚机维护事件。

命令完成后 1 小时，节点会进行重启（ 1 小时延迟因为需要完成一个重启前一小时的通知消息）。重启后node虚机应该会迁移到另一台宿主机并配置不同 ID 的显卡。此时可以登录到 Node来查看 GPU Device ID。

也可以使用 cuda 镜像来测试在容器内获取 GPU Device ID，也一样发生了变化

可以看到 Device ID 发生了变化。

此时查看 nvidia-loop 容器的状态，由于 Device UUID 发生了变化，导致不断 crash。

查看 pod 描述，可以看到具体错误为 UUID 变化。

修复节点重启后 GPU Device ID 变化问题

下面步骤验证 NVIDIA K8S Plugin release 0.9.0 修复了节点重启后 Device ID 变化的问题。

首先安装 NVIDIA K8S Plugin 的 0.9.0 版本，并删除之前版本。

确认安装成功

更新 Node上nvidia-runtime 的配置文件，允许 volume mount (否则测试容器 nvidia-loop 会运行失败)。

现在 K8S 插件更新完毕。可以验证问题修复。

等一小时后维护重启完成后，查看 nvidia-loop 容器状态，应该是 R广告投放企业unning，而不会再因为维护重启而导致崩溃。

也可以查看 nvidia-loop 的日志，确保输出 ID 正常。

kubectl logs nvidia-loop --tail=5

参考文档

[1] Using the GPU id instead of uuid in the NVIDIA device plugin