NVIDIA DOCA产品体验

最新推荐文章于 2025-07-23 10:07:58 发布

hpc_cs

最新推荐文章于 2025-07-23 10:07:58 发布

阅读量557

点赞数 4

CC 4.0 BY-SA版权

文章标签： linux

本文链接：https://blog.youkuaiyun.com/hpc_cs/article/details/144292370

平台设备

优快云和丽台科技为我们提供了一台测试服务器，安装了一块双端口的Bulefiled 3 DPU

ibstat

在这里插入图片描述

mst status -v

在这里插入图片描述

mlxconfig -d /dev/mst/mt41692_pciconf0 -e q

设备具体型号是 NVIDIA BlueField-3 B3220 P-Series FHHL DPU，双端口 QSFP112 接口，支持 200GbE（默认模式）或 NDR200 IB。具有16个 Arm 核心处理器和32GB 板载 DDR 内存，PCIe接口为 Gen5.0 x16。
在这里插入图片描述

MPI all_to_all 测试

# 使用mpich的MPI实现
# dpkg –l | grep mpich

cd /opt/mellanox/doca/applications
meson /tmp/build -Denable_all_applications=false -Denable_dpa_all_to_all=true
ninja -C /tmp/build

在这里插入图片描述

运行测试

mpirun -np 4 /tmp/build/dpa_all_to_all/doca_dpa_all_to_all -m 32 -d "mlx5_0"

在这里插入图片描述
可以看到上面的结果，每个rank收发数据都正常

PyTorch训练测试

思路

需要在DPU上利用DOCA编写程序后，在HOST上集成使用

纯宿主机
使用DPU网络卸载（利用DPU加速数据传输和预处理）

# 1. 宿主机环境准备
pip install torch torchvision tensorboard psutil

# 2. DPU环境准备
ssh root@dpu
apt-get update
apt-get install python3-pip
pip3 install torch torchvision tensorboard

纯宿主机

我们直接在宿主机上进行测试

1. 环境准备

首先安装需要的软件包

sudo apt-get install python3-pip
pip install torch torchvision tensorboard psutil

2. 测试代码

编写测试代码main.py

import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
import torchvision.transforms as transforms
import time
import psutil
import os
from torch.utils.tensorboard import SummaryWriter

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 5 * 5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 5 * 5)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

def get_system_usage():
    cpu_usage = psutil.cpu_percent()
    memory = psutil.virtual_memory()
    return cpu_usage, memory.percent

def train():
    # 设置设备
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    print(f"Using device: {
     
     device}")

    # 设置TensorBoard
    writer = SummaryWriter('runs/cifar_experiment')

    # 数据预处理
    transform_train = transforms.Compose([
        transforms.RandomCrop(32, padding