Ubuntu Weekly Recipe

第461回 DockerでCUDA 8.0を使用する

この記事を読むのに必要な時間:およそ 8.5 分

サンプルの実行

最後のデモとして,第456回と同様にサンプルプログラムをDocker上でビルド&実行してみましょう。NVIDIA Dockerのリポジトリにはサンプルプログラム用のDockerfileがあるので,これを使ってみます。

最初に必要なパッケージのインストールとNVIDIA Dockerのコードのチェックアウトです。

$ sudo apt install git
$ git clone https://github.com/NVIDIA/nvidia-docker.git
$ cd nvidia-docker/

前回と同じくdeviceQueryプログラムから試してみましょう。

$ docker build -t sample:deviceQuery samples/ubuntu-16.04/deviceQuery
(中略)
Successfully built f771d146a5a1

$ docker images sample:deviceQuery
REPOSITORY          TAG                 IMAGE ID            CREATED             SIZE
sample              deviceQuery         f771d146a5a1        2 minutes ago       1.93 GB

$ nvidia-docker run --rm sample:deviceQuery
./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce GTX 1050 Ti"
  CUDA Driver Version / Runtime Version          8.0 / 8.0
  CUDA Capability Major/Minor version number:    6.1
  Total amount of global memory:                 4039 MBytes (4235001856 bytes)
  ( 6) Multiprocessors, (128) CUDA Cores/MP:     768 CUDA Cores
  GPU Max Clock rate:                            1392 MHz (1.39 GHz)
  Memory Clock rate:                             3504 Mhz
  Memory Bus Width:                              128-bit
  L2 Cache Size:                                 1048576 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
  Run time limit on kernels:                     No
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 8.0, NumDevs = 1, Device0 = GeForce GTX 1050 Ti
Result = PASS

次にnbodyも試してみましょう。サンプルのDockerfileは/usr/local/cuda/samples/の個々のサンプルディレクトリをWORKDIRに設定した上でmakeし,CMDフィールドでサンプルを実行しています。よって./サンプルプログラム オプションを渡たすことで,任意の引数でサンプルプログラムを実行可能です。

$ docker build -t sample:nbody samples/ubuntu-16.04/nbody
(中略)
Successfully built 32144285f8f4

$ docker images sample:nbody
REPOSITORY          TAG                 IMAGE ID            CREATED              SIZE
sample              nbody               32144285f8f4        About a minute ago   1.93 GB

$ nvidia-docker run --rm sample:nbody
(中略)
6144 bodies, total time for 10 iterations: 6.136 ms
= 61.522 billion interactions per second
= 1230.441 single-precision GFLOP/s at 20 flops per interaction

$ nvidia-docker run --rm sample:nbody ./nbody -benchmark -numbodies=8192
(中略)
number of bodies = 8192
8192 bodies, total time for 10 iterations: 12.298 ms
= 54.568 billion interactions per second
= 1091.357 single-precision GFLOP/s at 20 flops per interaction

$ nvidia-docker run --rm sample:nbody ./nbody -benchmark -numbodies=65536
(中略)
number of bodies = 65536
65536 bodies, total time for 10 iterations: 636.416 ms
= 67.487 billion interactions per second
= 1349.736 single-precision GFLOP/s at 20 flops per interaction

$ nvidia-docker run --rm sample:nbody ./nbody -benchmark -numbodies=8192 -cpu
(中略)
> Simulation with CPU
number of bodies = 8192
8192 bodies, total time for 10 iterations: 27903.188 ms
= 0.024 billion interactions per second
= 0.481 single-precision GFLOP/s at 20 flops per interaction

コンテナ上であっても,ホスト上で直接実行した第456回と遜色ない速度が出ていることがわかりますね。

仮想マシンでのGPGPU

コンテナではなくKVMのような仮想マシン上でもGPGPUは利用可能です。

たとえばIOMMU(IntelのVT-dやAMDのAMD-Vi)に対応したチップセットであれば,⁠GPUパススルー」という形で仮想マシン上でGPUを利用できます。この場合,GPUを利用できるのはひとつのゲストだけです。そのゲストがGPUを使っている間は,ホストや他のゲストはそのGPUを利用できません。この点,コンテナであれば複数のインスタンスでGPUを共有できます。

たとえばIntelのGVT-gのように,複数の仮想マシンでひとつのGPUを共有できる仕組みも作られています。ただしUbuntu上でいくつか設定するだけで使えるようになるまでには,まだもう少し時間がかかるでしょう。

PCIデバイスとして考えた場合,SR-IOVに対応したチップセットとPCIデバイスであれば複数の仮想マシンでそのPCIデバイスを共有できます。NICにはSR-IOV対応製品がありますが,GPUの場合はごく一部です。ちなみに『うぶんちゅ! まがじん ざっぱ~ん♪ Vol.5』には,SR-IOVに対応したIntelのNICをUbuntuサーバー上に構築した複数の仮想マシンで共有する記事が載っています。

そもそもCUDA 8.0のリリースノートでは「Unified memory is not currently supported with IOMMU. The workaround is to disable IOMMU in the BIOS.」言及されています。つまり仮想マシン上でGPGPUを使いたい場合,CPU/GPUのメモリをシームレスに利用できるUnified Memory機能が使えないということです。

以上のようにいろいろな制約があることから,少なくとも現時点では,仮想マシンではなくコンテナを使って環境を隔離するほうが現実的と言えるでしょう。

コラム:今週末は「オープンソースカンファレンス2017 Tokyo/Spring」

Ubuntu Weekly Topicsでも改めて告知する予定ですが,今週末の3月10日(金⁠⁠,11日(土)に,オープンソースカンファレンス2017 Tokyo/Springが,行政区画上は東京都ということになっている明星大学日野キャンパスで開催されます。

Ubuntu Japanese Teamも両日参加予定で,ブースではいつものようにUbuntu PhoneやUbuntu Tablet,UbuntuのいずれかのフレーバーをインストールしたRaspberry Pi2などの実機を来場者が自由に触っていただける形で展示します。また土曜日14時からは「Skylake世代以降のIntel HDAドライバ」と題したセミナーも開催します。皆様お誘い合わせの上,お越しください。

セミナーの時間以外は,ブースに誰かが常駐している予定です。Ubuntuに関して質問がある場合はブースに座っている人に気軽にお声がけください。うまく人があいているタイミングをつかめない時は,他の来場者と話しているところに割り込んでもらっても大丈夫です。きっとなんとかします。ちなみに今回のブースの位置は,いつもの5Fと異なり2Fだそうです。

ちなみに会場の最寄り駅の隣の駅には多摩動物公園があります。ただし,サーバル舎の塗装補修のため,3月10日(金)を含む前後の平日はサーバルの公開を中止しているとのことですのでご注意ください。

著者プロフィール

柴田充也(しばたみつや)

Ubuntu Japanese Team Member株式会社 創夢所属。数年前にLaunchpad上でStellariumの翻訳をしたことがきっかけで,Ubuntuの翻訳にも関わるようになりました。