diff --git a/Linux/工具篇/slrum作业调度.md b/Linux/工具篇/slrum作业调度.md index a3e2633c..6819f2b3 100644 --- a/Linux/工具篇/slrum作业调度.md +++ b/Linux/工具篇/slrum作业调度.md @@ -105,6 +105,7 @@ mpirun -np 128./wrf.exe 作业控制参数如下： + | 选项 | 含义 | 类型 | 示例 | |------------------------------------------|-------------------------------|-----|---------------------------------------| | -J | 作业名称，使用squeue看到的作业名 | 字符串 | -J wrf；表示作业名称为"wrf" | @@ -125,6 +126,32 @@ mpirun -np 128./wrf.exe | --gres= | 指定每个节点使用通用资源名称及数量 | 字符串 | --gres=加速卡:2 表示本作业使用加速卡，且每个节点使用2卡 | + +参数补充说明 + +* 实际在每个节点上分配的 CPU 数量由 --ntasks-per-node 和 --cpus-per-task 参数共同决定。默认情况下二者都是 1。一般来讲，多进程的程序需要更改 --ntasks-per-node，多线程的程序需要更改 --cpus-per-task。各位用户请根据 自己需求进行设置。 +* 任务最长时间的设置格式是 DD-HH:MM:SS，例如一天又 15 小时写作 1-15:00:00。 如果高位为 0 可省略。如果不写任务最长时间，则任务的最长时间默认为对应分区 (Partition) 的默认时间。 +### 使用实例gpu + +``` +#!/bin/bash +#SBATCH -J test # 作业名为 test +#SBATCH -o test.out # 屏幕上的输出文件重定向到 test.out +#SBATCH -p gpu # 作业提交的分区为 cpu +#SBATCH --qos=debug # 作业使用的 QoS 为 debug +#SBATCH -N 1 # 作业申请 1 个节点 +#SBATCH --ntasks-per-node=1 # 单节点启动的进程数为 1 +#SBATCH --cpus-per-task=4 # 单任务使用的 CPU 核心数为 4 +#SBATCH -t 1:00:00 # 任务运行的最长时间为 1 小时 +#SBATCH --gres=gpu:1 # 单个节点使用 1 块 GPU 卡，默认不会分配gpu +#SBATCh -w comput6 # 指定运行作业的节点是 comput6，若不填写系统自动分配节点 + +# 设置运行环境 +module add anaconda/3-5.0.0.1 # 添加 anaconda/3-5.0.0.1 模块 + +# 输入要执行的命令，例如 ./hello 或 python test.py 等 +python test.py # 执行命令 +``` ### 使用示例-串行作业示例 ``` #!/bin/bash @@ -314,3 +341,14 @@ JOBID PARTITION NAME USER ST TIME NODES NODELIST(REASON) | \-\-priority | 按照优先级查看作业信息 | | \-\-state= | 指定状态查看作业信息 | | \-\-users= | 指定用户名称查看作业信息 | + + +## sacct 的使用 + +sacct能够查看当前用户下的作业的简要信息 + +sacct -e显示所有可以的选项 + + +根据sacct -e的选项进行格式化 +sacct --format="CPUTime,MaxRSS" diff --git a/Sklearn/sklearn-cookbook-zh/0 概述.md b/Sklearn/sklearn-cookbook-zh/0 概述.md index c059c535..7c4d939c 100644 --- a/Sklearn/sklearn-cookbook-zh/0 概述.md +++ b/Sklearn/sklearn-cookbook-zh/0 概述.md @@ -8,10 +8,16 @@ 1. 获取数据 -1. 处理数据 -1. 训练模型 -1. 评估模型 -1. 使用模型 + 1. sklearn.datasets +2. 处理数据 + 1. feature_extraction + 2. feature_selection +3. 训练模型 + 1. sklearn.model_selection +4. 评估模型 + 1. estimator(score=[''])score参数 + 2. sklearn.metrics +5. 使用模型 本文我们将依据传统机器学习的流程，看看在每一步流程中都有哪些常用的函数以及它们的用法是怎么样的。希望你看完这篇文章可以最为快速的开始你的学习任务。