Mesterséges Intelligencia Műszerközpont

Subpage_Mesterseges_Intelligencia

Felhasználói kézikönyv

2026. szeptember 02.

5 perc

SZTE Szuperszámítógép Felhasználói Kézikönyv

Ez a kézikönyv a Mesterséges Intelligencia Műszerközpont által üzemeltetett SZTE Szuperszámítógép használatához nyújt alapvető információkat. A klaszter kifejezetten mesterséges intelligencia (AI) célú, illetve nagy GPU-igényű számítási feladatok támogatására lett kialakítva.

1. Erőforrás-igénylés és Jogosultságok

A rendszerben a felhasználóknak önmagukban nincsenek dedikált számítási erőforrásaik. A számítási kapacitás kizárólag jóváhagyott projekteken keresztül érhető el.

● Igénylés: Új projektet és erőforrás-keretet (GPU óra, tárhely) az Alkalmazott Mesterséges Intelligencia Kompetencia Központon (AMI KK) keresztül lehet igényelni. Szükség esetén az AMI KK szakértői támogatást is tud biztosítani a projektekhez.

● Azonosító: A belépéshez az SZTE azonosítóra van szükség (@szte.hu végződéssel). A felhasználónév is ez lesz.

○ Hallgatóknak: Neptun vagy CooSpace azonosító.

○ Dolgozóknak: Nexon azonosító. (Amennyiben mindkettővel rendelkezik, az olvashatóság érdekében a Nexon azonosító használata a preferált).

● SLURM Account: Minden jóváhagyott projekthez tartozik egy SLURM account (fiók), amelynek neve megegyezik a projekt és a projekt mappa nevével. Ez a fiók szigorúan felügyeli és korlátozza a projekt számára az igénylés során engedélyezett GPU keretet.

2. Csatlakozás a Rendszerhez (SSH)

A felhasználók egy dedikált Login node-on keresztül léphetnek interakcióba az infrastruktúrával. Innen lehet menedzselni az adatokat és beküldeni a számítási feladatokat.

● Hálózati korlátozás: A gép kizárólag az egyetem belső hálózatáról érhető el. Külső helyszínről SZTE VPN használata szükséges.

● Belépés: Terminálból, SSH kliens segítségével. Fontos, hogy a felhasználónévhez hozzá kell fűzni a @szte.hu részt is!

Példa a belépésre:

ssh felhasznalonev@szte.hu@mil.eserv.u-szeged.hu

(Kérjük, cserélje le a felhasznalonev-et a saját Neptun/Nexon azonosítójára)

3. Fájlrendszer és Adattárolás

A rendszer egy elosztott fájlrendszert használ, amelyet minden node lát. Minden számítási feladatot és adatkezelést ezen a fájlrendszeren érdemes végezni.

Home könyvtár

● Útvonal: /home/<felhasznalo>
● Kapacitás: 10 GB (szigorú korlát)
● Célja: Személyes beállítások, gyakran újrahasznált kódok, szkriptek és kisebb fájlok tárolása. Ide nem szabad nagy méretű adathalmazokat tölteni.

Projekt könyvtár

● Útvonal: /project/<projekt_neve>
● Kapacitás: A projekt igénylésekor meghatározott kvóta szerint.
● Életciklus:

A projekt időtartama alatt teljes írási/olvasási jog biztosított.
Az igényelt időkeret lejárta után a mappa automatikusan read-only (csak olvasható) módba kerül.
A lejáratot követő 1 hónap múlva a mappa tartalma véglegesen törlődik. Kérjük, időben gondoskodjon az adatok mentéséről!

4. Hardver Erőforrások (SLURM Partíciók)

A klaszter összesen 6 számítási csomópontból áll, amelyek két partícióra vannak osztva. A GPU-k igénylésekor automatikusan dedikált vCPU és RAM "csomag" is jár az alábbiak szerint:

Partíció	Node-ok	Elérhető GPU-k / Node	Erőforrás csomag / GPU
compute	cn01-cn05	4x Nvidia H100 (94 GB)	32 vCPU és 182 GB RAM
fat	fat01	Nvidia H100 (80 GB)	24 vCPU és 246 GB RAM

5. Feladatok futtatása (SLURM)

Mivel a számítási kapacitás projektekhez kötött, minden feladat beküldésénél kötelező megadni a projekt SLURM account nevét, hiszen egy felhasználó egyszerre több projekten is dolgozhat.

Hasznos SLURM parancsok:

● sinfo: A partíciók és csomópontok aktuális állapotának lekérdezése.
● squeue: A futó és várakozó feladatok (job-ok) listázása.

squeue -u felhasznalonev@szte.hu

● scancel <job_id>: Egy saját futó vagy várakozó feladat leállítása.

Interaktív munkamenet indítása:

Ha parancssoros tesztelést kíván végezni egy GPU-s node-on:

srun --account=<projekt_neve> --partition=compute --gres=gpu:1 --pty bash

Batch job beküldése (sbatch):

Automatizált futtatáshoz hozzon létre egy szkriptet (pl. run.sh), majd küldje be az sbatch run.sh paranccsal.
Példa run.sh fájl:

#!/bin/bash #SBATCH --job-name=ai_tanitas #SBATCH --account=SajatProjektNevem #SBATCH --partition=compute #SBATCH --gres=gpu:1 #SBATCH --time=02:00:00 #SBATCH --output=eredmeny_%j.txt echo "Job elindult." # Ide jönnek a futtatandó parancsok, pl. Apptainer hívás, Python kód # apptainer exec ... echo "Job befejeződött."	# Job neve # KÖTELEZŐ: A projekt/account neve! # KÖTELEZŐ: Partíció (compute vagy fat) # KÖTELEZŐ: Igényelt GPU-k száma # Maximális futási idő (óra:perc:mp) # Standard output fájl (%j a job ID-t jelöli)

6. Konténerizáció (Apptainer)

A szoftverkörnyezetek (pl. PyTorch, TensorFlow) izolálására és kezelésére az Apptainer-t (korábbi nevén Singularity) használjuk.

Saját konténer építése definíciós fájlból

Gyakran előfordul, hogy egy alap image-re (pl. az NVIDIA által biztosítottra) további
csomagokat kell telepíteni. Ehhez egy definíciós fájlt (pl. pytorch.def) kell készíteni.
Példa pytorch.def fájl (NVIDIA PyTorch alapokon):

Bootstrap: docker
From: nvcr.io/nvidia/pytorch:24.01-py3

%post
# Itt lehet további rendszerszintű és Python csomagokat telepíteni
apt-get update && apt-get install -y htop git
pip install transformers wandb pandas

%environment
# Környezeti változók beállítása, ha szükséges
export LC_ALL=C
export WANDB_PROJECT="szte-ai-project"

%runscript
# Ez fut le, ha az 'apptainer run' parancsot hívják meg a konténeren
python "$@"

Konténer építése a definíciós fájlból: A fakeroot opció használatával rendszergazdai jogosultság nélkül is felépíthető a konténer.

apptainer build --fakeroot my_pytorch.sif pytorch.def

További hasznos Apptainer parancsok:

● Kész konténer közvetlen letöltése (pl. Docker Hub-ról):

apptainer pull ubuntu.sif docker://ubuntu:latest

● GPU használata a konténerben:
Mindig használja az --nv flaget, ha a konténernek hozzá kell férnie az Nvidia GPU-hoz!

apptainer exec --nv my_pytorch.sif python train.py

● Könyvtárak felcsatolása (Bind mount):
Alapértelmezésben a konténer nem biztos, hogy látja a projekt mappáját. A --bind flaggel teheti elérhetővé az adatokat a konténer számára.

apptainer exec --nv --bind /lustre1/project/<projekt_neve>:/workspace my_pytorch.sif python /workspace/train.py

● Interaktív shell nyitása a konténerben (teszteléshez):

apptainer shell --nv --bind /lustre1/project/<projekt_neve>:/workspace my_pytorch.sif

Kapcsolat:

hpc@szte.hu

6720 Szeged, Árpád tér 2.