"смущающее параллельное" программирование с использованием python и PBS на кластере

У меня есть функция (модель нейронной сети), которая производит цифры. Я хочу проверить несколько параметров, методов и различных входов (что означает сотни прогонов функции) из python, используя PBS на стандартном кластере с Torque.

Примечание. Я пробовал параллельно iphone и т.д. и никогда не был полностью удовлетворен, так как я хочу что-то более простое. Кластер находится в заданной конфигурации, которую я не могу изменить, и такое решение, интегрирующее python + qsub, безусловно, принесет пользу сообществу.

Для упрощения вещей у меня есть простая функция, например:

import myModule
def model(input, a= 1., N=100):
    do_lots_number_crunching(input, a,N)
    pylab.savefig('figure_' + input.name + '_' + str(a) + '_' + str(N) + '.png')

где input - объект, представляющий вход, input.name - это строка, а do_lots_number_crunching может длиться несколько часов.

Мой вопрос: есть ли правильный способ трансформировать что-то вроде сканирования таких параметров, как

for a in pylab.linspace(0., 1., 100):
    model(input, a)

в "что-то", которое запустило бы PBS script для каждого вызова функции model?

#PBS -l ncpus=1
#PBS -l mem=i1000mb
#PBS -l cput=24:00:00
#PBS -V
cd /data/work/
python experiment_model.py

Я думал о функции, которая включала бы шаблон PBS и вызывала бы его из python script, но еще не могла понять его (декоратор?).

Ответы

Ответ 1

pbs_python [1] может работать для этого. Если experiment_model.py 'a' в качестве аргумента вы могли бы сделать

import pbs, os

server_name = pbs.pbs_default()
c = pbs.pbs_connect(server_name)

attopl = pbs.new_attropl(4)
attropl[0].name  = pbs.ATTR_l
attropl[0].resource = 'ncpus'
attropl[0].value = '1'

attropl[1].name  = pbs.ATTR_l
attropl[1].resource = 'mem'
attropl[1].value = 'i1000mb'

attropl[2].name  = pbs.ATTR_l
attropl[2].resource = 'cput'
attropl[2].value = '24:00:00'

attrop1[3].name = pbs.ATTR_V

script='''
cd /data/work/
python experiment_model.py %f
'''

jobs = []

for a in pylab.linspace(0.,1.,100):
    script_name = 'experiment_model.job' + str(a)
    with open(script_name,'w') as scriptf:
        scriptf.write(script % a)
    job_id = pbs.pbs_submit(c, attropl, script_name, 'NULL', 'NULL')
    jobs.append(job_id)
    os.remove(script_name)

 print jobs

[1]: https://oss.trac.surfsara.nl/pbs_python/wiki/TorqueUsage pbs_python

Ответ 2

Вы можете сделать это легко, используя jug (который я разработал для аналогичной настройки).

Вы пишете в файле (например, model.py):

@TaskGenerator
def model(param1, param2):
     res = complex_computation(param1, param2)
     pyplot.coolgraph(res)


for param1 in np.linspace(0, 1.,100):
    for param2 in xrange(2000):
        model(param1, param2)

И что это!

Теперь вы можете запускать "задания кувшина" в вашей очереди: jug execute model.py, и это будет автоматически распараллеливаться. Что происходит, так это то, что каждое задание в цикле сделает что-то вроде:

while not all_done():
    for t in tasks in tasks_that_i_can_run():
        if t.lock_for_me(): t.run()

(На самом деле это сложнее, но вы получаете точку).

Он использует файловую систему для блокировки (если вы находитесь в системе NFS) или redis-сервер, если хотите. Он также может обрабатывать зависимости между задачами.

Это не совсем то, о чем вы просили, но я считаю, что это более чистая архитектура, чтобы отделить это от системы очередей заданий.

Ответ 3

Похоже, я немного опаздываю на вечеринку, но у меня также был вопрос о том, как несколько лет назад сопоставлять смущающие параллельные проблемы на кластере в python и написал собственное решение. Недавно я загрузил его в github: https://github.com/plediii/pbs_util

Чтобы написать вашу программу с помощью pbs_util, я бы сначала создал pbs_util.ini в рабочем каталоге, содержащем

[PBSUTIL]
numnodes=1
numprocs=1
mem=i1000mb
walltime=24:00:00

Тогда python script как этот

import pbs_util.pbs_map as ppm

import pylab
import myModule

class ModelWorker(ppm.Worker):

    def __init__(self, input, N):
        self.input = input
        self.N = N

    def __call__(self, a):
        myModule.do_lots_number_crunching(self.input, a, self.N)
        pylab.savefig('figure_' + self.input.name + '_' + str(a) + '_' + str(self.N) + '.png')



# You need  "main" protection like this since pbs_map will import this file on the     compute nodes
if __name__ == "__main__":
    input, N = something, picklable
    # Use list to force the iterator
    list(ppm.pbs_map(ModelWorker, pylab.linspace(0., 1., 100),
                     startup_args=(input, N),
                     num_clients=100))

И это будет сделано.

Ответ 4

Я только начал работать с кластерами и приложениями EP. Моя цель (я с библиотекой) состоит в том, чтобы выучить достаточно, чтобы помочь другим исследователям в доступе к кампусу HPC с приложениями EP... особенно исследователи вне STEM. Я все еще очень новичок, но думал, что это может помочь этому вопросу указать на использование GNU Parallel в PBS script для запуска основного скрипты python с различными аргументами. В файле .pbs есть две строки:

module load gnu-parallel # this is required on my environment

parallel -j 4 --env PBS_O_WORKDIR --sshloginfile $PBS_NODEFILE \
--workdir $NODE_LOCAL_DIR --transfer --return 'output.{#}' --clean \
`pwd`/simple.py '{#}' '{}' ::: $INPUT_DIR/input.*

# `-j 4` is the number of processors to use per node, will be cluster-specific
# {#} will substitute the process number into the string
# `pwd`/simple.py `{#}` `{}`   this is the command that will be run multiple times
# ::: $INPUT_DIR/input.* all of the files in $INPUT_DIR/ that start with 'input.' 
#     will be substituted into the python call as the second(3rd) argument where the
#     `{}` resides.  These can be simple text files that you use in your 'simple.py'
#     script to pass the parameter sets, filenames, etc.

Как новый метод суперкомпьютера EP, хотя я еще не понял все остальные опции на "параллельном", эта команда позволила мне запускать скрипты python параллельно с разными параметрами. Это будет хорошо работать, если вы можете генерировать множество файлов параметров заблаговременно, что будет распараллелить вашу проблему. Например, запуск моделирования в пространстве параметров. Или обрабатывать много файлов с тем же кодом.