Azure nagy teljesítményű számítástechnikai (HPC) célzónagyorsító
A nagy teljesítményű számítási (HPC) célzónagyorsító automatizálja a környezet üzembe helyezését. Ez a környezet egy alap keretrendszert biztosít, amelyet testre szabhat, hogy teljes körű üzembe helyezési mechanizmust hozzon létre egy teljes KÖRŰ HPC-fürtmegoldáshoz az Azure-ban. A gyorsító nyílt forráskódú szkriptek & sablonok gyűjteménye, amelyek előkészíthetik a nagyvállalati szintű kezdőzónákat. Konkrét architekturális megközelítést és referencia-implementációt biztosíthat, amely megfelel a felhőadaptálási keretrendszer architektúrájának és ajánlott eljárásainak.
Az ügyfelek különböző módokon vezetik be a HPC-t az üzleti igényeiknek megfelelően, és a HPC célzónagyorsítót az Ön igényeinek megfelelő architektúrához igazíthatja. A gyorsító használata segít a szervezetnek a fenntartható lépték felé vezető úton haladni.
Nagyvállalati szintű célzóna implementálása
A HPC célzónagyorsítója feltételezi, hogy egy nagyvállalati szintű célzónával kezd, amelyet sikeresen implementált. Erről az előfeltételről az alábbi cikkekben talál további információt:
- Kezdje felhőadaptálási keretrendszer nagyvállalati szintű célzónával
- Felhőadaptálási keretrendszer nagyvállalati szintű célzónák implementálása az Azure-ban
A HPC célzónagyorsítója
A HPC célzónagyorsító célzónáinak megközelítése a következő eszközöket biztosítja a projekt számára:
- Moduláris megközelítés, amely lehetővé teszi a környezeti változók testreszabását
- Tervezési irányelvek a kritikus döntések értékeléséhez
- A célzóna architektúrája
- Olyan implementáció, amely a következőket tartalmazza:
- Üzembe helyezhető referencia, amely képes létrehozni a környezetet a HPC üzembe helyezéséhez
- A Microsoft által jóváhagyott HPC referencia-implementáció az üzembe helyezett környezet teszteléséhez
Tervezési irányelvek az energia, a gyártás és a pénzügy területén
A célzónák architektúrája üzleti szektoronként eltérő, a szervezettől függően eltérő. Ez a szakasz azokat a cikkeket sorolja fel szektoronként, amelyek útmutatást nyújtanak a kezdőzóna létrehozásához:
Energia (olaj és gáz)
- Azure Billing és Microsoft Entra-bérlők energia HPC-hez
- Identitás- és hozzáférés-kezelés az Azure HPC-hez az energiaszolgáltatásban
- Az Azure HPC energiagazdálkodása
- Hálózati topológia és kapcsolat az Azure HPC-hez az energiafelhasználásban
- Platformautomatizálás és DevOps az Azure HPC-hez az energia terén
- Erőforrás-szervezés a HPC-hez az energiaiparban
- A HPC szabályozása az energiaiparban
- Az Azure HPC energiafelhasználási biztonsága
- Nagyméretű HPC-alkalmazások számítása Azure VM-ekben
- Tárolás HPC energiakörnyezetekhez
Gyártás
- HPC Azure-számlázás és Active Directory-bérlők gyártása
- Azure-identitás- és hozzáférés-kezelés a HPC-hez a gyártásban
- HPC kezelése a feldolgozóiparban
- HPC hálózati topológia és kapcsolat gyártása
- Platformautomatizálás és DevOps az Azure HPC-hez a gyártóiparban
- HpC-erőforrás-szervezés gyártása
- Azure-szabályozás a HPC gyártásához
- A HPC biztonsága a feldolgozóiparban
- HPC-tárolók gyártása
Pénzügy
- Azure számlázási ajánlatok és Active Directory-bérlők a pénzügyi HPC-hez
- A HPC Azure identitás- és hozzáférés-kezelésének finanszírozása
- A HPC kezelése a pénzügyi szektorban
- Hálózati topológia és kapcsolat a HPC-hez a pénzügyi szektorban
- Platformautomatizálás és DevOps a HPC-hez a pénzügyi szektorban
- Erőforrás-szervezés az Azure HPC-hez a pénzügyi szektorban
- A pénzügyi HPC szabályozása
- A HPC biztonsága a pénzügyi szektorban
- Tárolás a HPC-hez a pénzügyi szektorban
Tervezési irányelvek a HPC számítási feladatokhoz való kiválasztásához
A teljesítmény optimalizálásához és a költségek szabályozásához fontos, hogy a GPU-ra optimalizált számítási feladat megfelelő termékváltozata legyen kiválasztva az AI-számítási feladatokhoz. A Microsoft számos különböző termékváltozatot kínál, amelyek olyan számítási feladatokhoz vannak optimalizálva, amelyek nagyobb GPU-teljesítményt élveznek. Az AI-számítási feladatokhoz megfelelő termékváltozat kiválasztásakor több szempontot is figyelembe kell venni. A kisebb számítási feladatok csak a processzor, a GPU és a nagyobb teljesítményű SKU-k, például az NDv4 sávszélességének egy részét használhatják ki. Érdemes lehet megfontolni más számítási termékváltozatokat, például az NCv4-et és az NDv2-t a kisebb feladatokhoz. Az alábbiakban néhány szempontot figyelembe kell venni az AI-számítási feladatokhoz optimalizált GPU-számítások megfelelő termékváltozatának kiválasztásakor:
- Ellenőrzőpontozás. Vegye figyelembe az olyan tényezőket, mint az ellenőrzőpont-intervallum a gépi tanulási modellek futtatásakor. Ez hatással lehet a GPU teljesítményére a betanítási fázisban. Egyensúlyt teremt a tárolási hatékonyság és a zökkenőmentes GPU-műveletek között. Monitorozza a GPU-használatot.
- Következtetés. Az inferencing követelmények eltérnek a betanítási követelményektől, és a processzorteljesítményt maximálisan ki tudják terhelni. A számítási termékváltozat kiválasztásakor vegye figyelembe a modell következtetési követelményeit. Monitorozza a processzorhasználatot.
- Betanítás. A betanítás során vegye figyelembe a modell követelményeit, és monitorozza a PROCESSZOR- és GPU-használatot is.
- Feladat méretezése. Az AI-számítási feladatok számítási termékváltozatának mérlegelésekor vegye figyelembe a feladat méretét. A kisebb feladatok, például a körülbelül OPT 1.3B nem biztos, hogy kihasználják a nagyobb termékváltozat-méreteket, és a feladat fázisától függően (következtetés, betanítás) elhagyhatják a PROCESSZOR- és GPU-teljesítmény tétlenségét.
- Sávszélesség. A nagyobb, kisebb késésű sávszélesség költség lehet, ha nincs használatban. Vegye figyelembe az InfiniBand-et csak a legnagyobb modellek esetében, amelyek extra sávszélességet igényelnek.
Az Azure GPU-ra optimalizált virtuálisgép-méreteinek megtekintése.
Példa: energiafogalmi referenciaarchitektúra
Az alábbi fogalmi referenciaarchitektúra egy példa, amely az energiakörnyezetek tervezési területeit és ajánlott eljárásait mutatja be.
Példa: a pénzügyi alapkoncepciós architektúra
Az alábbi fogalmi referenciaarchitektúra egy példa a pénzügyi környezetek tervezési területeire és ajánlott eljárásaira.
Példa: a gyártás elméleti referenciaarchitektúrája
Az alábbi fogalmi referenciaarchitektúra egy példa a gyártási környezetek tervezési területeire és ajánlott eljárásaira.
A HPC célzónagyorsító beszerzése
A HPC célzónagyorsító elérhető a GitHubon: Azure HPC OnDemand platformgyorsító
További lépések
A HPC célzónagyorsító architektúrájához kapcsolódó megfontolásokért és javaslatokért tekintse át a HPC célzónagyorsító kritikus tervezési területeit az Azure Identity and Access Managementben.