曙光超算平台如何使用以及常见问题

官网登录网址：

官方操作细节参考链接如下，有需要的自取：

Notebook · 计算服务

了解常用的E-shell命令

1. squeue: 查看目前提交作业的信息

2. salloc :抢占计算资源命令

salloc -p wzhdtest -N 1 -n 8 --gres=dcu:1

（部分地区有绑卡机制，比如乌镇，核数和卡数的比=8：1）

注：

(1) salloc之后如果需要使用dcu ,则需要ssh到相应的计算节点，比如我这里的计算节点是b03r4n14，我就需要ssh b03r4n14

(2) 使用salloc方式时需要保持E-Shell页面常开启，否则此终端对应的作业将出现结束。若有长时间或者后台计算需求，可使用sbatch方式提交任务。

(3) 如果出现以下bug ，说明你使用的队列已经过期了，需要联系相关人员重新申请队列。

salloc: error: Job submit/allocate failed: Invalid account or account/partition combination specified

3. hy-smi :查看DCU利用率

(需要先用ssh 登录到计算节点才能查到)

常见问题

1. 如何用 pip 安装工具包

如果想用pip安装相关的工具包，需要注意安装到对应的环境。我这里需要先 source pytorch_env.sh ，然后直接用 pip install xxx 即可。

我pytorch_env.sh 脚本文件中的内容如下：

source ~/.bashrc
conda activate pytorch_1.10
module switch compiler/dtk/22.04.2
LD_LIBRARY_PATH=/public/software/apps/DeepLearning/PyTorch_Lib/lib:/public/software/apps/DeepLearning/PyTorch_Lib/lmdb-0.9.24-build/lib:/public/software/apps/DeepLearning/PyTorch_Lib/opencv-2.4.13.6-build/lib:/public/software/apps/DeepLearning/PyTorch_Lib/openblas-0.3.7-build/lib:$LD_LIBRARY_PATH

2. pip 安装失败

如果你pip安装失败了，可以考虑三方面原因：

a. 各安装包之间的版本不兼容，可以考虑用pip uninstall 卸载再重新安装相兼容的版本。我曾遇到setuptools 的版本太高(高于60),导致tensorboard安装包安装不上。我将setuptools版本换成56.1.0之后就可以安装成功了。

b. 如果你明明pip install 了相关的安装包，但是运行程序时，却出现找不到module的错误，这个时候你可能就是将安装包安错了环境。比如我使用的是pytorch框架，那么我需要在相应的环境下(pytorch_1.10)安装，而不是(base) 环境下。

c. 如果你用salloc抢占资源，然后又用ssh登录到了相应的计算节点，这时你用pip install 某个安装包失败了。具体报错如下图所示：

解决方法是，可以先logout 计算节点，即退出计算结点，回到环境(pytorch_1.10)下再pip install 就可以了。是个很细节的错误，大家在安装的时候一定注意！！

3. 如何直接杀死进程

如果你的进程中有错误，想直接杀死，那么可以用以下命令，它会杀死该用户名下的所有进程

ps -ef | grep 用户名 | awk '{print $2 }'| xargs kill -9

例： ps -ef | grep acctrm9ew5 | awk '{print $2 }'| xargs kill -9

出现上图片说明进程已杀死，这个时候只需重新打开客户端登录即可。

注：也可以尝试用下述命令杀死自己用户名下的所有进程！

killall -u 自己的用户名

4. 如何用脚本提交作业？(sbatch)

为了避免作业经常被意外中断，训练了一天的模型突然中断真的好气。。所以我选择用sbatch的方式提交作业。也更推荐大家用这种方式。具体步骤如下：

(1) 打开test.slurm 文件(初次打开是一个新文件)

vim test.slurm

(2) 在test.slurm文件中写入内容

#!/bin/bash
#SBATCH -p wzhdtest
#SBATCH -N 1
#SBATCH --ntasks-per-node=8
#SBATCH --gres=dcu:1
#SBATCH -J ceshi
#SBATCH -o %x.o%j
#SBATCH -e %x.e%j

#添加环境变量

source ~/.bashrc
conda activate pytorch_1.10
module switch compiler/dtk/22.04.2
LD_LIBRARY_PATH=/public/software/apps/DeepLearning/PyTorch_Lib/lib:/public/software/apps/DeepLearning/PyTorch_Lib/lmdb-0.9.24-build/lib:/public/software/apps/DeepLearning/PyTorch_Lib/opencv-2.4.13.6-build/lib:/public/software/apps/DeepLearning/PyTorch_Lib/openblas-0.3.7-build/lib:$LD_LIBRARY_PATH

#运行程序
python3 main.py

我相应文件中的内容如下：