python - CUDF 处理大量 parquet 文件时出错

Question

我的目录中有 2000 个 Parquet 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:244GB
• vCPU:32
• GPU RAM:64GB(每个 GPU 核心有 16GB RAM)
• GPU:4 Tesla 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)

处理前 180 个文件后会崩溃，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_views
File "/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_parquet
File "cudf/_lib/parquet.pyx", line 80, in cudf._lib.parquet.read_parquet
RuntimeError: rmm_allocator::allocate(): RMM_ALLOC: unspecified launch failure

在任何给定时间，GPU 和 CPU RAM 的利用率仅为 10%。 有什么想法如何调试这个或者有什么解决方法吗？

Answer 1

cuDF 是一个单一 GPU 库。 2000 个 20 MB 的文件大约相当于 40 GB 的数据，这超出了单个 V100 GPU 内存的容量。

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 将数据读取到单个节点中具有多个 GPU 的分布式 GPU 内存中。这并不能回答您的调试问题，但应该可以解决您的问题。

首先，我使用几行代码创建一个包含两个 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')

让我们使用 nvidia-smi 查看每个 GPU 上的内存。

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 上为 6836 MB，GPU 1 上为 5750 MB(我碰巧在这些 GPU 上的内存中已有不相关的数据)。现在，让我们使用 Dask cuDF 读取两个 parquet 文件的整个目录，然后坚持它。坚持它会强制计算 - Dask 执行是惰性的，因此只需调用 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()

现在让我们再看看 nvidia-smi。

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 为我们处理跨两个 GPU 的数据分配。