集群 TensorBoard 使用指南

需求

基于 DeepMD-kit 或者 TensorFlow 的代码调试及训练数据实时监控。

TensorBoard 是什么

DeepMD-kit 官方教程

用法

DP 官方教程给出了在本地运行程序时的可视化，如果在服务器上运行，我们需要进行端口转发。

在计算节点上运行程序（推荐）

以在 gpu3 队列运行 DeepMD-kit 训练程序为例，其他程序可对应替换。

1. 通过 sbatch 脚本提交程序到计算节点

   #!/bin/bash
   #SBATCH -p gpu3
   #SBATCH -t 24:00:00
   #SBATCH -J type_map_0
   #SBATCH --ntasks-per-node 4
   #SBATCH --gres=gpu:1
   
   # add modulefiles
   module add deepmd/2.0-cuda11.3
   
   dp train input.json 1>> train.log 2>> train.err &
   tensorboard --logdir=log --port=6006
   

   如果想要实时查看训练过程中的数据，训练指令和 tensorboard 的运行指令需要同时运 行，故采用 &将训练指令挂起。

   --logdir指定 tensorboard 的 event 文件所在路径（在 json 文件中指定）。

   --port指定 tensorboard 在服务器上运行的端口号（缺省默认为 6006）。

2. 查看计算节点 IP 地址 做法类似jupyter notebook 教程，在登录节点命令行输入下面指令（将 c51-m002替换为实际运行的节点）。

   cat /etc/hosts | grep c51-m002
   

3. 将端口转发到本地

   ssh -NfL localhost:<local_port>:<remote_ip>:<port> <username>@<ip_of_cluster>
   

在登录节点上运行程序

Warning

仅供短时间测试！长时间运行请使用计算节点!!

在命令行中运行训练和 tensorboard 程序后，在本地执行

ssh -NfL <local_port>:localhost:<port> <username>@<ip_of_cluster>

Comments