处理大量 parquet 文件时出现 CUDF 错误

Question

我在一个目录中有 2000 个镶木地板文件。每个 parquet 文件大小约为 20MB。使用的压缩是 SNAPPY。每个 parquet 文件都有如下所示的行：+------------+-----------+-----------------+| customerId | productId | randomAttribute |+------------+-----------+-----------------+| ID1        | PRODUCT1  | ATTRIBUTE1      || ID2        | PRODUCT2  | ATTRIBUTE2      || ID2        | PRODUCT3  | ATTRIBUTE3      |+------------+-----------+-----------------+每个列条目都是一个字符串。我正在使用具有以下配置的 p3.8xlarge EC2 实例：内存：244GBvCPU : 32GPU RAM：64GB（每个GPU核心有16GB RAM）GPU：4特斯拉V100我正在尝试以下代码：def read_all_views(parquet_file_lst):    df_lst = []        for file in parquet_file_lst:        df = cudf.read_parquet(file, columns=['customerId', 'productId'])        df_lst.append(df)    return cudf.concat(df_lst)这在处理前 180 个文件后崩溃，并出现以下运行时错误：Traceback (most recent call last):File "<stdin>", line 1, in <module>File "<stdin>", line 9, in read_all_viewsFile "/home/ubuntu/miniconda3/lib/python3.7/site-packages/cudf/io/parquet.py", line 54, in read_parquet    use_pandas_metadata,File "cudf/_lib/parquet.pyx", line 25, in cudf._lib.parquet.read_parquetFile "cudf/_lib/parquet.pyx", line 80, in cudf._lib.parquet.read_parquetRuntimeError: rmm_allocator::allocate(): RMM_ALLOC: unspecified launch failure在任何给定时间，只有 10% 的 GPU 和 CPU RAM 被使用。任何想法如何调试这个或相同的解决方法是什么？

Answer 1

cuDF 是一个单一的 GPU 库。2000 个 20 MB 的文件大约是 40 GB 的数据，这比单个 V100 GPU 的内存容量要多。

对于需要更多单个 GPU 的工作流程，cuDF 依赖于 Dask。以下示例说明了如何使用 cuDF + Dask 将数据读入分布式 GPU 内存，单个节点中有多个 GPU。这不能回答您的调试问题，但应该有望解决您的问题。

首先，我使用几行代码来创建一个包含两个 GPU 的 Dask 集群。

from dask.distributed import Client

from dask_cuda import LocalCUDACluster

import dask_cudf

cluster = LocalCUDACluster() # by default use all GPUs in the node. I have two.

client = Client(cluster)

client

# The print output of client:

# 

# Client

# Scheduler: tcp://127.0.0.1:44764

# Dashboard: http://127.0.0.1:8787/status

# Cluster

# Workers: 2

# Cores: 2

# Memory: 404.27 GB

接下来，我将为此示例创建几个 parquet 文件。

import os

import cudf

from cudf.datasets import randomdata

if not os.path.exists('example_output'):

    os.mkdir('example_output')

for x in range(2):

    df = randomdata(nrows=10000,

                dtypes={'a':int, 'b':str, 'c':str, 'd':int},

                seed=12)

    df.to_parquet('example_output/df')

让我们看看我的每个 GPU 上的内存nvidia-smi。

nvidia-smi

Thu Sep 26 19:13:46 2019       

+-----------------------------------------------------------------------------+

| NVIDIA-SMI 410.104      Driver Version: 410.104      CUDA Version: 10.0     |

|-------------------------------+----------------------+----------------------+

| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |

| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |

|===============================+======================+======================|

|   0  Tesla T4            On   | 00000000:AF:00.0 Off |                    0 |

| N/A   51C    P0    29W /  70W |   6836MiB / 15079MiB |      0%      Default |

+-------------------------------+----------------------+----------------------+

|   1  Tesla T4            On   | 00000000:D8:00.0 Off |                    0 |

| N/A   47C    P0    28W /  70W |   5750MiB / 15079MiB |      0%      Default |

+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+

| Processes:                                                       GPU Memory |

|  GPU       PID   Type   Process name                             Usage      |

|=============================================================================|

+-----------------------------------------------------------------------------+

注意这两个值。GPU 0 上 6836 MB 和 GPU 1 上 5750 MB（我碰巧在这些 GPU 的内存中已经有不相关的数据）。现在让我们使用 Dask cuDF 读取两个 parquet 文件的整个目录，然后读取persist它。坚持它会强制计算——Dask 执行是惰性的，因此仅调用read_parquet只会将任务添加到任务图中。ddf是一个 Dask DataFrame。

ddf = dask_cudf.read_parquet('example_output/df')

ddf = ddf.persist()

现在让我们nvidia-smi再看一遍。

Thu Sep 26 19:13:52 2019       

+-----------------------------------------------------------------------------+

| NVIDIA-SMI 410.104      Driver Version: 410.104      CUDA Version: 10.0     |

|-------------------------------+----------------------+----------------------+

| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |

| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |

|===============================+======================+======================|

|   0  Tesla T4            On   | 00000000:AF:00.0 Off |                    0 |

| N/A   51C    P0    29W /  70W |   6938MiB / 15079MiB |      2%      Default |

+-------------------------------+----------------------+----------------------+

|   1  Tesla T4            On   | 00000000:D8:00.0 Off |                    0 |

| N/A   47C    P0    28W /  70W |   5852MiB / 15079MiB |      2%      Default |

+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+

| Processes:                                                       GPU Memory |

|  GPU       PID   Type   Process name                             Usage      |

|=============================================================================|

+-----------------------------------------------------------------------------+

Dask 为我们处理在两个 GPU 上分发我们的数据。