Utilizzare le GPU con Google Cloud Serverless per Apache Spark

Puoi collegare acceleratori GPU ai tuoi workload batch di Google Cloud Serverless per Apache Spark per ottenere i seguenti risultati:

• Accelera l'elaborazione dei workload di analisi dei dati su larga scala.

• Accelera l'addestramento dei modelli su set di dati di grandi dimensioni utilizzando le librerie di machine learning GPU.

• Esegui analisi avanzate dei dati, come l'elaborazione di video o del linguaggio naturale.

Tutti i runtime Spark Serverless per Apache Spark supportati aggiungono la libreria Spark RAPIDS a ogni nodo del workload. La versione 1.1 del runtime Spark di Serverless per Apache Spark aggiunge anche la libreria XGBoost ai nodi del workload. Queste librerie forniscono potenti strumenti di trasformazione dei dati e di machine learning che puoi utilizzare nei tuoi carichi di lavoro con accelerazione GPU.

Vantaggi della GPU

Di seguito sono riportati alcuni dei vantaggi dell'utilizzo delle GPU con i carichi di lavoro Spark di Serverless per Apache Spark:

• Miglioramento delle prestazioni:l'accelerazione GPU può aumentare significativamente le prestazioni dei carichi di lavoro Spark, in particolare per le attività che richiedono un'elevata intensità di calcolo, come machine learning e deep learning, elaborazione di grafi e analisi complesse.

• Addestramento più rapido dei modelli:per le attività di machine learning, il collegamento delle GPU può ridurre drasticamente il tempo necessario per addestrare i modelli, consentendo a data scientist e ingegneri di eseguire iterazioni e sperimentazioni rapidamente.

• Scalabilità:i clienti possono aggiungere più nodi GPU o GPU più potenti ai nodi per gestire esigenze di elaborazione sempre più complesse.

• Efficienza dei costi: sebbene le GPU richiedano un investimento iniziale, nel tempo puoi ottenere un risparmio sui costi grazie alla riduzione dei tempi di elaborazione e a un utilizzo più efficiente delle risorse.

• Analisi dei dati avanzata:l'accelerazione GPU ti consente di eseguire analisi avanzate, come l'analisi di immagini e video e l'elaborazione del linguaggio naturale, su grandi set di dati.

• Prodotti migliorati: l'elaborazione più rapida consente di prendere decisioni più velocemente e di creare applicazioni più reattive.

Limitazioni e considerazioni

• Puoi collegare GPU NVIDIA A100 o NVIDIA L4 ai workload batch di Google Cloud Serverless per Apache Spark. Gli acceleratori A100 e L4 sono soggetti alla disponibilità regionale delle GPU di Compute Engine.

• La libreria XGBoost viene fornita solo ai workload con accelerazione GPU di Serverless per Apache Spark quando si utilizza Serverless per Apache Spark versione 1.x del runtime Spark.

• I batch con accelerazione GPU di Serverless per Apache Spark con XGBoost utilizzano quote di Compute Engine aumentate. Ad esempio, per eseguire un workload batch serverless che utilizza una GPU NVIDIA L4, devi allocare la quota NVIDIA_L4_GPUS.

• I job abilitati per l'acceleratore non sono compatibili con il criterio dell'organizzazione constraints/compute.requireShieldedVm. Se la tua organizzazione applica questo criterio, i job abilitati per l'acceleratore non verranno eseguiti correttamente.

• Devi impostare il set di caratteri predefinito su UTF-8 quando utilizzi l'accelerazione GPU RAPIDS con runtime Serverless per Apache Spark supportati precedenti alla versione 2.2. Per saperne di più, vedi Crea un carico di lavoro batch serverless con acceleratori GPU.

Prezzi

Consulta i prezzi di Serverless per Apache Spark per informazioni sui prezzi degli acceleratori.

Prima di iniziare

Prima di creare un carico di lavoro batch serverless con acceleratori GPU collegati, svolgi le seguenti operazioni:

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

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

Go to project selector

Verify that billing is enabled for your Google Cloud project.

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

Enable the APIs

Install the Google Cloud CLI.

Se utilizzi un provider di identità (IdP) esterno, devi prima accedere alla gcloud CLI con la tua identità federata.

Per inizializzare gcloud CLI, esegui questo comando:

gcloud init

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

Go to project selector

Verify that billing is enabled for your Google Cloud project.

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

Enable the APIs

Install the Google Cloud CLI.

Se utilizzi un provider di identità (IdP) esterno, devi prima accedere alla gcloud CLI con la tua identità federata.

Per inizializzare gcloud CLI, esegui questo comando:

gcloud init

1. In the Google Cloud console, go to the Cloud Storage Buckets page.

   Go to Buckets

2. Click add_box Create.
3. On the Create a bucket page, enter your bucket information. To go to the next step, click Continue.
   1. In the Get started section, do the following:
      • Enter a globally unique name that meets the bucket naming requirements.
      • To add a bucket label, expand the Labels section (expand_more), click add_box Add label, and specify a key and a value for your label.
   2. In the Choose where to store your data section, do the following:
      1. Select a Location type.
      2. Choose a location where your bucket's data is permanently stored from the Location type drop-down menu.
         • If you select the dual-region location type, you can also choose to enable turbo replication by using the relevant checkbox.
      3. To set up cross-bucket replication, select Add cross-bucket replication via Storage Transfer Service and follow these steps:

         Set up cross-bucket replication

         1. In the Bucket menu, select a bucket.

         2. In the Replication settings section, click Configure to configure settings for the replication job.

            The Configure cross-bucket replication pane appears.

            • To filter objects to replicate by object name prefix, enter a prefix that you want to include or exclude objects from, then click add Add a prefix.
            • To set a storage class for the replicated objects, select a storage class from the Storage class menu. If you skip this step, the replicated objects will use the destination bucket's storage class by default.
            • Click Done.
   3. In the Choose how to store your data section, do the following:
      1. Select a default storage class for the bucket or Autoclass for automatic storage class management of your bucket's data.
      2. To enable hierarchical namespace, in the Optimize storage for data-intensive workloads section, select Enable hierarchical namespace on this bucket.
   4. In the Choose how to control access to objects section, select whether or not your bucket enforces public access prevention, and select an access control method for your bucket's objects.
   5. In the Choose how to protect object data section, do the following:
      • Select any of the options under Data protection that you want to set for your bucket.
        • To enable soft delete, click the Soft delete policy (For data recovery) checkbox, and specify the number of days you want to retain objects after deletion.
        • To set Object Versioning, click the Object versioning (For version control) checkbox, and specify the maximum number of versions per object and the number of days after which the noncurrent versions expire.
        • To enable the retention policy on objects and buckets, click the Retention (For compliance) checkbox, and then do the following:
          • To enable Object Retention Lock, click the Enable object retention checkbox.
          • To enable Bucket Lock, click the Set bucket retention policy checkbox, and choose a unit of time and a length of time for your retention period.
      • To choose how your object data will be encrypted, expand the Data encryption section (expand_more), and select a Data encryption method.
4. Click Create.

Crea un carico di lavoro batch serverless con acceleratori GPU

Invia un carico di lavoro batch Serverless per Apache Spark che utilizza GPU NVIDIA L4 per eseguire un'attività PySpark parallelizzata. Segui questi passaggi utilizzando gcloud CLI:

1. Fai clic su Espandi, poi crea e salva il codice PySpark elencato in un file test-py-spark-gpu.py sul tuo computer locale utilizzando un editor di testo o di codice.

   Espandimi Comprimimi

   #!/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. Utilizza gcloud CLI sulla tua macchina locale per inviare il job batch serverless di Serverless per Apache Spark con cinque worker, ognuno accelerato con GPU 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
   

Note:

• PROJECT_ID: il tuo ID progetto Google Cloud .
• REGION: una regione di Compute Engine disponibile per eseguire il carico di lavoro.
• BUCKET_NAME: il nome del bucket Cloud Storage. Spark carica le dipendenze del workload in una cartella /dependencies in questo bucket prima di eseguire il workload batch.
• --version: tutti i runtime Serverless per Apache Spark supportati Google Cloud aggiungono la libreria RAPIDS a ogni nodo di un workload con accelerazione GPU. Solo la versione 1.1 del runtime aggiunge la libreria XGBoost a ogni nodo di un workload con accelerazione GPU.

• --properties (vedi Proprietà di allocazione delle risorse Spark) :

  • spark.dataproc.driverEnv.LANG=C.UTF-8 e spark.executorEnv.LANG=C.UTF-8 (obbligatorio con le versioni di runtime precedenti a 2.2): queste proprietà impostano il set di caratteri predefinito su C.UTF-8.

  • spark.dataproc.executor.compute.tier=premium (obbligatorio): I workload con accelerazione GPU vengono fatturati utilizzando le unità di calcolo dei dati (DCU) premium. Consulta i prezzi degli acceleratori di Serverless per Apache Spark.

  • spark.dataproc.executor.disk.tier=premium (obbligatorio): i nodi con acceleratori A100-40, A100-80 o L4 devono utilizzare il livello di disco Premium.

  • spark.dataproc.executor.resource.accelerator.type=l4 (obbligatorio): deve essere specificato un solo tipo di GPU. Il job di esempio seleziona la GPU L4. I seguenti tipi di acceleratore possono essere specificati con i seguenti nomi di argomenti:

    Tipo di GPU	Nome argomento
    A100 da 40 GB	a100-40
    A100 da 80 GB	a100-80

  • spark.executor.instances=5 (obbligatorio): deve essere almeno pari a due. Imposta su 5 per questo esempio.

  • spark.executor.cores (facoltativo): puoi impostare questa proprietà per specificare il numero di vCPU core. I valori validi per le GPU L4 sono 4, il valore predefinito, o 8, 12, 16, 24, 48 o 96. L'unico valore valido e predefinito per le GPU A100 è 12. Le configurazioni con GPU L4 e core 24, 48 o 96 hanno 2, 4 o 8 GPU collegate a ogni executor. Tutte le altre configurazioni hanno 1 GPU collegate.

  • spark.dataproc.executor.disk.size (obbligatorio): le GPU L4 hanno una dimensione del disco fissa di 375 GB, ad eccezione delle configurazioni con 24, 48 o 96 core, che hanno rispettivamente 750, 1,500 o 3,000 GB. Se imposti questa proprietà su un valore diverso quando invii un carico di lavoro accelerato L4, si verifica un errore. Se selezioni una GPU A100 40 o A100 80, le dimensioni valide sono 375 g, 750 g, 1500 g, 3000 g, 6000 g e 9000 g.

  • spark.executor.memory (facoltativo) e spark.executor.memoryOverhead (facoltativo): puoi impostare una di queste proprietà, ma non entrambe. La quantità di memoria disponibile non utilizzata dalla proprietà impostata viene applicata alla proprietà non impostata. Per impostazione predefinita, spark.executor.memoryOverhead è impostato sul 40% della memoria disponibile per i workload batch PySpark e sul 10% per gli altri workload (vedi Proprietà di allocazione delle risorse Spark).

    La tabella seguente mostra la quantità massima di memoria che può essere impostata per diverse configurazioni di GPU A100 e L4. Il valore minimo per entrambe le proprietà è 1024 MB.

    	A100 (40 GB)	A100 (80 GB)	L4 (4 core)	L4 (8 core)	L4 (12 core)	L4 (16 core)	L4 (24 core)	L4 (48 core)	L4 (96 core)
    Memoria totale massima (MB)	78040	165080	13384	26768	40152	53536	113072	160608	321216

  • Proprietà Spark RAPIDS (facoltative): per impostazione predefinita, Serverless per Apache Spark imposta i seguenti valori delle proprietà Spark RAPIDS:

    • spark.plugins=com.nvidia.spark.SQLPlugin
    • spark.executor.resource.gpu.amount=1
    • spark.task.resource.gpu.amount=1/$spark_executor_cores
    • spark.shuffle.manager=''. Per impostazione predefinita, questa proprietà non è impostata. NVIDIA consiglia di attivare RAPIDS shuffle manager quando si utilizzano le GPU per migliorare il rendimento. Per farlo, imposta spark.shuffle.manager=com.nvidia.spark.rapids.RapidsShuffleManager quando invii un carico di lavoro.
    • spark.rapids.sql.concurrentGpuTasks= minimo di (gpuMemoryinMB / 8, 4)
    • spark.rapids.shuffle.multiThreaded.writer.threads= minimo di (core CPU nella VM / numero di GPU per VM, 32)
    • spark.rapids.shuffle.multiThreaded.reader.threads= minimo di (core CPU nella VM / numero di GPU per VM, 32)

    Consulta Configurazione di RAPIDS Accelerator per Apache Spark per impostare le proprietà di Spark RAPIDS e Configurazione avanzata di RAPIDS Accelerator per Apache Spark per impostare le proprietà avanzate di Spark.