Sky pilot:一键在任意云上运行 l l ms

跨云平台运行AI和批处理作业的新框架

post thumb
作者 guoxudong 发表于 2023年10月8日 更新于 2023年11月25日

在云计算日益普及的今天,如何有效、经济且无缝地在各种云平台上运行大语言模型(LLMs)、AI 和批处理作业成为了迫切的需求。SkyPilot 项目应运而生,旨在解决这一核心问题。它不仅抽象并简化了云基础设施操作,为用户提供了在任何云平台上轻松部署和扩展作业的能力,还通过自动获取多个云平台 GPU 的实时价格并进行实时比价,帮助用户选择最优的云平台来运行自己的 Job。这样做极大地降低了成本,提供了高度的 GPU 可用性,让云基础设施管理变得轻而易举。这样做极大的满足了市场对高效、低成本云资源利用的需求。通过 SkyPilot,企业和开发者能够最大化地利用 GPU,进一步推动了人工智能和大数据处理技术的发展,为云计算市场带来了新的可能。

SkyPilot

SkyPilot 是一个为大型语言模型(LLMs)、AI 和批处理作业设计的框架,能在任何云平台上运行。它是一个 CLI 工具,对于熟悉命令行的用户来说,使用起来非常方便。仅通过一行命令就能启动一个完整的云环境,而无需关心具体的 VM、网络或安全组配置。相较于使用 Terraform 进行自行配置,SkyPilot 提供了更快的速度和更好体验。最重要的是,它允许用户在多个云平台上使用同一套配置,大大节省了学习和适配的时间。

SkyPilot 主要优势如下:

  1. 云基础设施抽象:简化在任何云上启动作业和集群的过程,便于扩展和对象存储访问。
  2. 最大化 GPU 可用性:自动在所有可访问的区域和云中分配资源,实现故障的自动切换。
  3. 降低云成本:采用 spot VMs 节省成本,自动选择最便宜的资源并自动关闭空闲集群。
  4. 无代码更改:兼容现有的 GPU、TPU 和 CPU 工作负载,无需改动代码。

除了上述优点,SkyPilot 的核心功能还在于简化云基础设施的管理。其核心功能包括:

  • Managed Spot:通过优化资源分配,利用 spot VMs(临时虚拟机),为用户带来3-6倍的成本节省。并在遭遇预占事件时保证作业稳定运行。
  • Smarter Optimizer:智能选择最便宜的虚拟机、区域或云平台,进一步节省用户成本。
  • 其他功能和特点
    • 跨云平台支持:支持在 AWS、Azure、GCP 等多个云平台上运行。
    • 简易扩展:轻松地运行多个作业,这些作业将自动管理,确保资源的有效利用。
    • 对象存储访问:简化对 S3、GCS、R2 等对象存储的访问,方便数据管理和存储。

目前支持的云提供商包括 AWS、Azure、GCP、Lambda Cloud、IBM、Samsung、OCI、Cloudflare 和 Kubernetes:

支持的云平台

快速开始

下面以在 Azure 上部署 Llama-2 Chatbot 为例,介绍 SkyPilot 的使用方法。

安装

首先,确保您的系统中已安装了 Python 3.7 或更高版本。对于 Apple Silicon,建议使用 Python 3.8 或更高版本。以下是安装 SkyPilot 的步骤:

  • 创建并激活一个新的 conda 环境(推荐,但非必需):

    conda create -y -n sky python=3.8
    conda activate sky
    
  • 使用 pip 安装 SkyPilot。你可以根据所使用的云服务提供商选择附加安装选项。例如,如果你想在 AWS 和 Azure 上使用 SkyPilot,你可以运行:

    pip install "skypilot[aws,azure]"
    

或者,你可以选择安装所有可用的附加选项:

pip install "skypilot[all]"

此外,你还可以选择安装最新的 nightly 构建:

pip install -U "skypilot-nightly[all]"

或从源代码安装 SkyPilot:

git clone https://github.com/skypilot-org/skypilot.git
cd skypilot
pip install ".[all]"

配置

安装完成后,需进行一些初步配置以连接到您的云服务提供商。这些配置步骤可能因云服务提供商而有所不同。整体配置流程相对简单。如果您已在本地配置了对应的云服务 CLI,可以使用以下命令检查 SkyPilot 是否可以正常访问:

sky check

您会看到如下输出,显示每个云服务的访问状态:

sky check

接下来简单介绍 Azure 的配置方法,其他云的配置方法请参考 官方文档

  • 安装 Azure CLI
  • 运行 az login 命令以登录到 Azure CLI。
  • 运行 az account subscription list 命令可以获取你账户下的 subscription_id 列表。
  • 运行 az account set -s <subscription_id> 命令可以设置要使用的订阅。

    # Login
    az login
    # Set the subscription to use
    az account set -s <subscription_id>
    
  • 最后再次运行 sky check 以确认配置是否成功。

创建和运行 Llama-2 Chatbot

以下仅为简要步骤,详细操作请参考官方文档

前提条件

  • 访问此链接申请使用 Llama-2 模型。 Access granted
  • 从 huggingface 获取访问令牌,在 huggingface 生成只读访问令牌,并确保你的 huggingface 账户可以访问 Llama-2 模型
  • chatbot-meta.yaml 文件中填写获取的访问令牌。

    envs:
      MODEL_SIZE: 7
      HF_TOKEN: <your-huggingface-token>
    

使用 SkyPilot 运行 Llama-2 Chatbot

  • 创建一个名为 chatbot-meta.yaml 的新 YAML 文件,并添加以下内容:

    resources:
    accelerators: V100:1
    disk_size: 1024
    
    envs:
    MODEL_SIZE: 7
    HF_TOKEN: <your-huggingface-token> # TODO: Replace with huggingface token
    
    setup: |
    set -ex
    
    git clone https://github.com/facebookresearch/llama.git || true
    cd ./llama
    pip install -e .
    cd -
    
    git clone https://github.com/skypilot-org/sky-llama.git || true
    cd sky-llama
    pip install torch==1.12.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
    pip install -r requirements.txt
    pip install -e .
    cd -
    
    # Download the model weights from the huggingface hub, as the official
    # download script has some problem.
    git config --global credential.helper cache
    sudo apt -y install git-lfs
    pip install transformers
    python -c "import huggingface_hub; huggingface_hub.login('${HF_TOKEN}', add_to_git_credential=True)"
    git clone https://huggingface.co/meta-llama/Llama-2-${MODEL_SIZE}b-chat
    
    wget https://github.com/tsl0922/ttyd/releases/download/1.7.2/ttyd.x86_64
    sudo mv ttyd.x86_64 /usr/local/bin/ttyd
    sudo chmod +x /usr/local/bin/ttyd
    
    run: |
    cd sky-llama
    ttyd /bin/bash -c "torchrun --nproc_per_node $SKYPILOT_NUM_GPUS_PER_NODE chat.py --ckpt_dir ~/sky_workdir/Llama-2-${MODEL_SIZE}b-chat --tokenizer_path ~/sky_workdir/Llama-2-${MODEL_SIZE}b-chat/tokenizer.model"
    
  • 运行以下命令启动集群并执行任务:

    sky launch -c llama chatbot-meta.yaml
    

    launch

    在上述步骤中,llama 是集群的名称,而 chatbot-meta.yaml 是任务配置文件。在几分钟内,SkyPilot 将在 Azure 的 V100 GPU 上完成集群的创建、配置和任务执行。

  • 打开新的终端,执行以下命令将本地 7681 端口与集群中的 7681 端口绑定:

    ssh -L 7681:localhost:7681 llama
    
  • 在浏览器中访问 http://localhost:7681 并开始聊天体验!

    ttyd chat

停止并清理集群

任务完成后,可以使用以下命令来停止或彻底删除集群:

  • 停止集群

    sky stop lama  # or pass your custom name if you used "-c <other name>"
    
  • 重启已停止的集群并重新运行 Chatbot:

    sky launch chatbot-meta.yaml -c llama --no-setup
    

    使用 --no-setup 旨在跳过 setup 步骤,因为停止的集群已保留了其磁盘内容。

  • 彻底删除集群:

    sky down llama  # or pass your custom name if you used "-c <other name>"
    

清理完成后,您可以运行 sky status 来查看您在不同 regions/clouds 中的所有集群。

进阶使用

除了前述的基本使用方法,SkyPilot 还拥有众多高级功能,下面简要介绍其中一些。

显示支持的 GPU/TPU/accelerators 及其价格

您可以在任务 YAML 的 accelerators 字段或在 CLI 的 --gpus flag 中设置 GPU/TPU/accelerators 的名称和数量。例如,若支持列表显示 8xV100,您可以在 accelerators 字段中使用 V100:8

不同公有云给出的 GPU 型号及其价格十分混乱,SkyPilot 将相同型号的 GPU 及价格进行了统一的整理与命名,并提供了 show-gpus 命令来显示当前支持的 GPU/TPU/accelerators 及其价格:

sky show-gpus <gpu>

Public IP 与 Ports

如果您你喜欢使用 ssh 或 gradio 的方式来访问您的集群,可以使用以下命令来获取集群的 Public IP:

sky status --ip <your-custom-name>

同时,如果您希望开放一些端口,则可以使用 resources.ports 来开放指定端口:

resources:
# ports: 8888
  ports:
    - 8888
    - 10020-10040
    - 20000-20010

或者直接在 CLI 命令中使用 --ports 来指定:

sky launch -c jupyter --ports 8888 jupyter_lab.yaml

快速启动 GPU/CPU/TPU 实例

SkyPilot 还提供交互式节点,即用户在公有云上快速拉起指定单节点 VM,只需简单的 CLI 命令,无需 YAML 配置文件即可快速访问实例。

  • sky gpunode
  • sky cpunode
  • sky tpunode

    # Launch a default gpunode.
    sky gpunode
    
    # Do work, then log out. The node is kept running. Attach back to the
    # same node and do more work.
    sky gpunode
    
    # Create many interactive nodes by assigning names via --cluster (-c).
    sky gpunode -c node0
    sky gpunode -c node1
    
    # Port forward.
    sky gpunode --port-forward 8080 --port-forward 4650 -c cluster_name
    sky gpunode -p 8080 -p 4650 -c cluster_name
    
    # Sync current working directory to ~/workdir on the node.
    rsync -r . cluster_name:~/workdir
    

显示已经运行集群的预估成本

SkyPilot 同样提供了一个命令来显示已经运行集群的预估成本:

sky cost-report

注意:该 CLI 还属于试验性质。估计成本是根据群集状态的本地缓存计算的,可能并不准确。

获取 Azure 与 GCP 全球区域信息

默认情况下,SkyPilot 支持 AWS 上的大部分全球区域,仅支持 GCP 和 Azure 上的美国区域。如果您指定美国以外的 region,将会得到如下报错:

ValueError: Invalid region 'australiaeast'
List of supported azure regions: 'centralus, eastus, eastus2, northcentralus, southcentralus, westcentralus, westus, westus2, westus3'

如果您想使用所有全球地区,需要运行额外的命令来获取 Azure 和 GCP 的全球区域信息:

version=$(python -c 'import sky; print(sky.clouds.service_catalog.constants.CATALOG_SCHEMA_VERSION)')
mkdir -p ~/.sky/catalogs/${version}
cd ~/.sky/catalogs/${version}
# GCP
pip install lxml
# Fetch all regions for GCP
python -m sky.clouds.service_catalog.data_fetchers.fetch_gcp --all-regions

# Azure
# Fetch all regions for Azure
python -m sky.clouds.service_catalog.data_fetchers.fetch_azure --all-regions

更多内容见 Frequently Asked Questions

结语

SkyPilot 是一个强大的工具,让云基础设施的管理变得前所未有的简单和高效。通过 SkyPilot,用户可以轻松地在各大云平台上部署和扩展 AI 和批处理作业,而无需关心底层的配置细节。SkyPilot 还带有众多高级功能,为企业和开发者提供了一个完整的、高度灵活的解决方案,满足了他们对高效、低成本云资源利用的需求。在未来,随着更多的云平台和技术加入,我们期待 SkyPilot 能为用户带来更多的便利和价值。

参考资料