Scikit-learn et rapids

Scikit-learn n'est disponible par défaut que sur cpu. Si vous souhaitez utiliser des librairies de machine learning qui utilisent le GPU, vous pouvez utiliser les librairies fournies par Nvidia comme cuML uniquement. Pour vous permettre les 2 utilisations, nous avons créé un conteneur apptainer en adaptant pour TURPAN le conteneur rapids de Nvidia depuis le NGC. Il contient l'ensemble des programmes et librairies décrit ici : https://catalog.ngc.nvidia.com/orgs/nvidia/teams/rapidsai/containers/notebooks

Utilisation du conteneur rapids

Il y a deux façons d'utiliser ce conteneur :

Mode sbatch

Vous pouvez utiliser le conteneur dans un script sbatch. Dans l'exemple ci-dessous avec une réservation de 1 cœur CPU et 1 GPU :

#!/bin/bash
#SBATCH -J mon_job
#SBATCH -p shared
#SBATCH --nodes 1
#SBATCH --ntasks 1
#SBATCH --time=0:15:00
#SBATCH --gres=gpu:1

apptainer exec --bind /tmpdir,/work --nv /work/conteneurs/sessions-interactives/rapids-notebooks-24.02-cuda12.0-py3.10-si.sif python mon_script.py

Mode interractif

Vous pouvez utiliser le conteneur interactif (pour tester ou installer d'autres outils ou configurer votre environnement). Dans l'exemple ci-dessous avec une demande de ressources de 1 cœur CPU et 1 GPU :

srun -p shared -n1 --gres=gpu:1 --pty apptainer shell --nv /work/conteneurs/sessions-interactives/rapids-notebooks-24.02-cuda12.0-py3.10-si.sif
Apptainer> python
Python 3.10.12 (main, Jun 11 2023, 05:26:28) [GCC 11.4.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import cuml
>>> from cuml.neighbors import NearestNeighbors
>>> from cuml.datasets import make_regression, make_blobs
>>> from cuml.model_selection import train_test_split
>>> from cuml.common.device_selection import using_device_type
>>> X_blobs, y_blobs = make_blobs(n_samples=2000,
...                               n_features=20)

>>> X_train_blobs, X_test_blobs, y_train_blobs, y_test_blobs = train_test_split(X_blobs,
...                                                                             y_blobs,
...                                                                             test_size=0.2, shuffle=True)
>>> nn = NearestNeighbors()
>>> with using_device_type('gpu'):
...     nn.fit(X_train_blobs)
...     nearest_neighbors = nn.kneighbors(X_test_blobs)
... 
NearestNeighbors()
[...]
>>> # Vos commandes python
[...]

info

Le conteneur n'a accès par défaut qu'à votre espace $HOME. Si vous avez besoin des espaces WORK /work ou SCRATCH /tmpdir vous pouvez les accrocher en utilisant l'option --bind d'Apptainer par exemple :

apptainer exec --bind /tmpdir,/work --nv ...

Pour plus d'information

Pour plus d'information sur l'utilisation des conteneurs Apptainer :

• La documentation de l'utilisation des conteneurs Apptainer sur Turpan
• La documentation officeille d'Apptainer : https://apptainer.org/docs/user/1.1/

Conteneur rapids et modules python supplémentaires

Attention

L'utilisation de ce conteneur est incompatible avec l'utilisation des environnements conda !

Néanmoins, vous pouvez ajouter des modules avec pip depuis le conteneur en se positionnant sur une frontale de connexion pour l'installation (les noeuds de calcul n'ont pas d'accès à internet) :

apptainer shell --nv /work/conteneurs/sessions-interactives/rapids-notebooks-24.02-cuda12.0-py3.10-si.sif

Puis, vous pouvez installer les modules souhaités avec obligatoirement l'option --user afin de les installer dans votre home :

Apptainer> pip install --user wandb

info

Les paquets seront installés dans votre environnement pip par défaut. Si vous souhaitez les installer dans un environnemnt spécifique, vous devrez positionner cette variable d'environnement pour l'installation, et la paramétrer pour l'exécution du conteneur :

Lors de l'installation du paquet

export PYTHONUSERBASE="${HOME}/myenv3"
Apptainer> pip install --user wandb

Puis lors de l'exécution du conteneur :

apptainer exec --env "PYTHONUSERBASE=${HOME}/myenv3" --nv ...