Skip to content

Latest commit

 

History

History
103 lines (77 loc) · 5.35 KB

README.md

File metadata and controls

103 lines (77 loc) · 5.35 KB
Raw

glo4030-labs

Laboratoires du cours GLO-4030/GLO-7030

Instructions

Exécution sur la grappe de calculs de Calcul Québec avec JupyterHub

La manière la plus simple de travailler sur les laboratoires est de passer par le JupyterHub de Calcul Québec. Par contre, il faut comprendre que pour avoir accès à une machine avec GPU, il faut se mettre en file d'attente dans le batch system pour se faire allouer des ressources. Cela devrait prendre moins d'une minute la plupart du temps. Voici les étapes à suivre:

  1. Vous rendre au https://jupyter.glo4030.calculquebec.cloud/
  2. Vous connecter avec votre compte Calcul Québec
  3. Remplir le formulaire avec les informations suivantes:
    • Account: def-sponsor00
    • Time (hours): 2.5
    • Number of cores: entre 1 et 4
    • Memory: au moins 8192
    • GPU configuration: 1 x GPU
    • Reservation: GLO7030 sur les heures réservées, sinon None
    • User interface: JupyterLab
    • Garder les choix par défaut pour le reste des options
  4. Appuyer sur le bouton Start
  5. La mise en place n'est pas encore terminée! Continuer à lire ce document!

Une fois connecté, vous devriez avoir accès au système de fichier. Le répertoire du cours se situe au /project/def-sponsor00/glo4030. Il contient les jeux de données, les laboratoires et l'environnement virtuel python.

IMPORTANT Vous n'avez accès qu'en lecture au notebook des laboratoires dans le répertoire du cours. Avant de travailler sur un laboratoire, veillez le copier dans votre propre répertoire.

Les prochaines étapes se font en ligne de commande directement dans Jupyter:

  1. Ouvrir un terminal en cliquant sur File > New > Terminal
  2. Copiez la commande suivante dans le terminal et appuyer sur la touche enter: source /project/def-sponsor00/glo4030/venv/bin/activate
  3. Créer un kernel Jupyer de l'environnement (cela permet de lancer des notebooks dans l'environnement virtuel): python -m ipykernel install --user --name glo4030-7030
  4. Faire un lien symbolique pour plus rapidement accéder aux fichiers du cours avec ln -s /project/def-sponsor00/glo4030/ ~/GLO-4030. Le répertoire du cours est maintenant en raccourci dans votre dossier personnel.
  5. Copier le labo 1 dans votre $HOME cp ~/GLO-4030/Laboratoire\ 1.ipynb ~/. Cela vous permet de sauvegarder vos résultats et modifications. Vous n'avez accès qu'en lecture seule aux fichiers du répertoire du cours. Vous aurez à répéter cette opération lors de chaque début de laboratoire.
  6. Quitter la console avec CTRL-D.
  7. Pour démarrer un laboratoire, double-cliquer sur le laboratoire dans l'arborescence de fichier à gauche. Si vous ne voyez pas le laboratoire, rafraîchissez la page.
  8. Une fois ouvert, faire Kernel > Change Kernel > glo4030-7030 dans le menu en haut. Vous êtes maintenant prêt à commencer le laboratoire.

Attention L'exécution de la première cellule peut prendre un certain temps, Matplotlib doit construire sa cache de polices de caractères.

Exécution sur Google Colab

Il est possible d'utiliser Google Colab pour les laboratoires suivants:

Le seul prérequis est d'avoir un compte Google.

Installation locale

Il est possible d'installer en local les laboratoires. Il vous faudra idéalement une machine avec GPU. Les dépendances sont les suivantes:

  • pytorch: Voir le site web (http://pytorch.org/) pour plus détails concernant l'installation)
  • les dépendances du fichier requirements.txt (avec pip install -r requirements.txt)
  • sudo apt install -y graphviz
  • intaller JupyterLab pip install jupyter
  • lancer JupyterLab jupyter lab

Lancer des jobs sur la grappe de calculs

Voir ce guide décrivant les étapes à suivre pour exécuter des jobs.

Utilisation de devcontainer pour vscode

Nous fournissons un fichier .devcontainer/devcontainer.json afin de permettre le développement dans Visual Studio Code à l'intérieur d'un conteneur Docker. Pour plus de détails sur le développement dans un container, vous référer à Developing inside a Container.

IMPORTANT Vous devrez peut-être modifier les versions de drivers utilisés dans Dockerfile.

Line 1: nvidia/cuda:11.4.3-base-ubuntu20.04 Line 26: RUN pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118