将 GPU 用于计算密集型工作负载

项目
05/01/2024

适用于：Azure Stack HCI 22H2 上的 AKS、Windows Server 上的 AKS

图形处理单元 (GPU) 用于计算密集型工作负载，例如机器学习、深度学习等。本文介绍如何在 Azure Arc 启用的 AKS 中将 GPU 用于计算密集型工作负载。

准备阶段

如果要从早于 2022 年 10 月的预览版本更新 AKS，且运行启用了 GPU 的节点池，请确保在开始之前删除所有运行 GPU 的工作负荷群集。请遵循本部分中的步骤。

步骤 1：卸载 Nvidia 主机驱动程序

在每个主机上，导航到控制面板>添加或删除程序，卸载 NVIDIA 主机驱动程序，然后重新启动计算机。计算机重新启动后，确认已成功卸载驱动程序。打开提升的 PowerShell 终端并运行以下命令：

Get-PnpDevice  | select status, class, friendlyname, instanceid | findstr /i /c:"3d video"

应会看到 GPU 设备处于错误状态，如以下示例输出所示：

Error       3D Video Controller                   PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&32EEF88F&0&0000 
Error       3D Video Controller                   PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&3569C1D3&0&0000

步骤 2：从主机卸载主机驱动程序

卸载主机驱动程序时，物理 GPU 将进入错误状态。必须从主机中卸载所有 GPU 设备。

对于每个 GPU (3D 视频控制器) 设备，请在 PowerShell 中运行以下命令。复制实例 ID;例如， PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&32EEF88F&0&0000 从上一个命令输出：

$id1 = "<Copy and paste GPU instance id into this string>"
$lp1 = (Get-PnpDeviceProperty -KeyName DEVPKEY_Device_LocationPaths -InstanceId $id1).Data[0]
Disable-PnpDevice -InstanceId $id1 -Confirm:$false
Dismount-VMHostAssignableDevice -LocationPath $lp1 -Force

若要确认 GPU 是否已正确从主机中卸载，请运行以下命令。应将 GPU 置于状态 Unknown ：

Get-PnpDevice  | select status, class, friendlyname, instanceid | findstr /i /c:"3d video"

Unknown       3D Video Controller               PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&32EEF88F&0&0000 
Unknown       3D Video Controller               PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&3569C1D3&0&0000

步骤 3：下载并安装 NVIDIA 缓解驱动程序

该软件可能包括 NVIDIA Corporation 或其许可方开发和拥有的组件。这些组件的使用受 NVIDIA 最终用户许可协议的约束。

请参阅 NVIDIA 数据中心文档，下载 NVIDIA 缓解驱动程序。下载驱动程序后，展开存档并在每台主机上安装缓解驱动程序。

Invoke-WebRequest -Uri "https://docs.nvidia.com/datacenter/tesla/gpu-passthrough/nvidia_azure_stack_inf_v2022.10.13_public.zip" -OutFile "nvidia_azure_stack_inf_v2022.10.13_public.zip"
mkdir nvidia-mitigation-driver
Expand-Archive .\nvidia_azure_stack_inf_v2022.10.13_public.zip .\nvidia-mitigation-driver\

若要安装缓解驱动程序，请导航到包含提取文件的文件夹，右键单击 nvidia_azure_stack_T4_base.inf 文件，然后选择“ 安装”。检查是否有正确的驱动程序;AKS 目前仅支持 NVIDIA Tesla T4 GPU。

还可以使用命令行进行安装，方法是导航到文件夹并运行以下命令来安装缓解驱动程序：

pnputil /add-driver nvidia_azure_stack_T4_base.inf /install 
pnputil /scan-devices

安装缓解驱动程序后，GPU 将列在“Nvidia T4_base - 已卸载”下的“正常”状态中：

Get-PnpDevice  | select status, class, friendlyname, instanceid | findstr /i /c:"nvidia"

OK       Nvidia T4_base - Dismounted               PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&32EEF88F&0&0000 
OK       Nvidia T4_base - Dismounted               PCI\VEN_10DE&DEV_1EB8&SUBSYS_12A210DE&REV_A1\4&3569C1D3&0&0000

步骤 4：重复步骤 1 到 3

对故障转移群集中的每个节点重复步骤 1 到 3。

重要

已启用 GPU 的虚拟机不会添加到 Windows Server 2019、Windows Server 2022 或 Azure Stack HCI 中的故障转移聚类分析。

安装或更新 AKS

请参阅使用 PowerShell 或使用 Windows Admin Center安装或更新 Arc 启用的 AKS 的 AKS 快速入门。

Create启用了 GPU 的节点池的新工作负载群集

目前，使用支持 GPU 的节点池这一功能仅适用于 Linux 节点池。

New-AksHciCluster -Name "gpucluster" -nodePoolName "gpunodepool" -nodeCount 2 -osType linux -nodeVmSize Standard_NK6

安装工作负载群集后，运行以下命令以获取 Kubeconfig：

Get-AksHciCredential -Name gpucluster

确认可以计划 GPU

创建 GPU 节点池后，确认可以在 Kubernetes 中计划 GPU。首先，使用 kubectl get nodes 命令列出群集中的节点：

kubectl get nodes

NAME             STATUS  ROLES                 AGE   VERSION
moc-l9qz36vtxzj  Ready   control-plane,master  6m14s  v1.22.6
moc-lhbkqoncefu  Ready   <none>                3m19s  v1.22.6
moc-li87udi8l9s  Ready   <none>                3m5s  v1.22.6

现在，使用 kubectl describe node 命令确认可以计划 GPU。在 “容量 ”部分下，GPU 应显示为 nvidia.com/gpu：1。

kubectl describe <node> | findstr "gpu"

输出应显示来自工作器节点的 GPU () ，如下所示：

         nvidia.com/gpu.compute.major=7
         nvidia.com/gpu.compute.minor=5
         nvidia.com/gpu.count=1
         nvidia.com/gpu.family=turing
         nvidia.com/gpu.machine=Virtual-Machine
         nvidia.com/gpu.memory=16384
         nvidia.com/gpu.product=Tesla-T4
Annotations:    cluster.x-k8s.io/cluster-name: gpucluster
                cluster.x-k8s.io/machine: gpunodepool-md-58d9b96dd9-vsdbl
                cluster.x-k8s.io/owner-name: gpunodepool-md-58d9b96dd9
         nvidia.com/gpu:   1
         nvidia.com/gpu:   1
ProviderID:         moc://gpunodepool-97d9f5667-49lt4
kube-system         gpu-feature-discovery-gd62h       0 (0%)    0 (0%)   0 (0%)      0 (0%)     7m1s
         nvidia.com/gpu   0     0

运行启用了 GPU 的工作负荷

完成前面的步骤后，创建新的 YAML 文件进行测试;例如 gpupod.yaml。将以下 YAML 复制并粘贴到名为 gpupod.yaml 的新文件中，然后将其保存：

apiVersion: v1
kind: Pod
metadata:
  name: cuda-vector-add
spec:
  restartPolicy: OnFailure
  containers:
  - name: cuda-vector-add
    image: "k8s.gcr.io/cuda-vector-add:v0.1"
    resources:
      limits:
        nvidia.com/gpu: 1

运行以下命令以部署示例应用程序：

kubectl apply -f gpupod.yaml

验证 Pod 是否已启动、已完成运行，以及是否已分配 GPU：

kubectl describe pod cuda-vector-add | findstr 'gpu'

上一个命令应显示分配的一个 GPU：

nvidia.com/gpu: 1
nvidia.com/gpu: 1

检查 Pod 的日志文件，查看测试是否已通过：

kubectl logs cuda-vector-add

下面是上一个命令的示例输出：

[Vector addition of 50000 elements]
Copy input data from the host memory to the CUDA device
CUDA kernel launch with 196 blocks of 256 threads
Copy output data from the CUDA device to the host memory
Test PASSED
Done

如果在调用驱动程序时收到版本不匹配错误，例如“CUDA 驱动程序版本对于 CUDA 运行时版本不够”，请查看 NVIDIA 驱动程序矩阵兼容性图表。

常见问题解答

升级启用了 GPU 的节点池期间会发生什么情况？

升级启用了 GPU 的节点池遵循用于常规节点池的相同滚动升级模式。要使新 VM 中启用了 GPU 的节点池在物理主机上成功创建，需要一个或多个物理 GPU 可用于成功分配设备。此可用性可确保当 Kubernetes 在此升级的节点上计划 Pod 时，应用程序可以继续运行。

升级准备工作：

规划升级期间的停机时间。
如果运行Standard_NK6，则每个物理主机有一个额外的 GPU;如果运行Standard_NK12，则为每个物理主机提供 2 个额外的 GPU。如果以满容量运行并且没有额外的 GPU，我们建议在升级之前将节点池缩减到单个节点，然后在升级成功后纵向扩展。

如果在升级期间物理计算机上没有额外的物理 GPU，会发生什么情况？

如果在群集上触发升级，但没有额外的 GPU 资源来促进滚动升级，则升级过程将挂起，直到 GPU 可用。如果以满容量运行并且没有额外的 GPU，我们建议在升级之前将节点池缩减到单个节点，然后在升级成功后纵向扩展。

后续步骤

HCI 和 Windows Server 上的 AKS 概述

通过