在云计算日益普及的今天，如何有效、经济且无缝地在各种云平台上运行大语言模型（LLMs）、AI 和批处理作业成为了迫切的需求。SkyPilot 项目应运而生，旨在解决这一核心问题。它不仅抽象并简化了云基础设施操作，为用户提供了在任何云平台上轻松部署和扩展作业的能力，还通过自动获取多个云平台 GPU 的实时价格并进行实时比价，帮助用户选择最优的云平台来运行自己的 Job。这样做极大地降低了成本，提供了高度的 GPU 可用性，让云基础设施管理变得轻而易举。这样做极大的满足了市场对高效、低成本云资源利用的需求。通过 SkyPilot，企业和开发者能够最大化地利用 GPU，进一步推动了人工智能和大数据处理技术的发展，为云计算市场带来了新的可能。

SkyPilot

SkyPilot 是一个为大型语言模型（LLMs）、AI 和批处理作业设计的框架，能在任何云平台上运行。它是一个 CLI 工具，对于熟悉命令行的用户来说，使用起来非常方便。仅通过一行命令就能启动一个完整的云环境，而无需关心具体的 VM、网络或安全组配置。相较于使用 Terraform 进行自行配置，SkyPilot 提供了更快的速度和更好体验。最重要的是，它允许用户在多个云平台上使用同一套配置，大大节省了学习和适配的时间。

SkyPilot 主要优势如下：

1. 云基础设施抽象：简化在任何云上启动作业和集群的过程，便于扩展和对象存储访问。
2. 最大化 GPU 可用性：自动在所有可访问的区域和云中分配资源，实现故障的自动切换。
3. 降低云成本：采用 spot VMs 节省成本，自动选择最便宜的资源并自动关闭空闲集群。
4. 无代码更改：兼容现有的 GPU、TPU 和 CPU 工作负载，无需改动代码。

除了上述优点，SkyPilot 的核心功能还在于简化云基础设施的管理。其核心功能包括：

• Managed Spot：通过优化资源分配，利用 spot VMs（临时虚拟机），为用户带来3-6倍的成本节省。并在遭遇预占事件时保证作业稳定运行。
• Smarter Optimizer：智能选择最便宜的虚拟机、区域或云平台，进一步节省用户成本。
• 其他功能和特点：
  • 跨云平台支持：支持在 AWS、Azure、GCP 等多个云平台上运行。
  • 简易扩展：轻松地运行多个作业，这些作业将自动管理，确保资源的有效利用。
  • 对象存储访问：简化对 S3、GCS、R2 等对象存储的访问，方便数据管理和存储。

目前支持的云提供商包括 AWS、Azure、GCP、Lambda Cloud、IBM、Samsung、OCI、Cloudflare 和 Kubernetes：

快速开始

下面以在 Azure 上部署 Llama-2 Chatbot 为例，介绍 SkyPilot 的使用方法。

安装

首先，确保您的系统中已安装了 Python 3.7 或更高版本。对于 Apple Silicon，建议使用 Python 3.8 或更高版本。以下是安装 SkyPilot 的步骤:

• 创建并激活一个新的 conda 环境（推荐，但非必需）:

conda create -y -n sky python=3.8
conda activate sky

• 使用 pip 安装 SkyPilot。你可以根据所使用的云服务提供商选择附加安装选项。例如，如果你想在 AWS 和 Azure 上使用 SkyPilot，你可以运行：

pip install "skypilot[aws,azure]"

或者，你可以选择安装所有可用的附加选项：

pip install "skypilot[all]"

此外，你还可以选择安装最新的 nightly 构建：

pip install -U "skypilot-nightly[all]"

或从源代码安装 SkyPilot：

git clone https://github.com/skypilot-org/skypilot.git
cd skypilot
pip install ".[all]"

配置

安装完成后，需进行一些初步配置以连接到您的云服务提供商。这些配置步骤可能因云服务提供商而有所不同。整体配置流程相对简单。如果您已在本地配置了对应的云服务 CLI，可以使用以下命令检查 SkyPilot 是否可以正常访问：

sky check

您会看到如下输出，显示每个云服务的访问状态：

接下来简单介绍 Azure 的配置方法，其他云的配置方法请参考 官方文档。

• 安装 Azure CLI

• 运行 az login 命令以登录到 Azure CLI。

• 运行 az account subscription list 命令可以获取你账户下的 subscription_id 列表。

• 运行 az account set -s <subscription_id> 命令可以设置要使用的订阅。

  # Login
  az login
  # Set the subscription to use
  az account set -s <subscription_id>
  

• 最后再次运行 sky check 以确认配置是否成功。

创建和运行 Llama-2 Chatbot

以下仅为简要步骤，详细操作请参考官方文档。

前提条件

• 访问此链接申请使用 Llama-2 模型。

• 从 huggingface 获取访问令牌，在 huggingface 生成只读访问令牌，并确保你的 huggingface 账户可以访问 Llama-2 模型。

• 在 chatbot-meta.yaml 文件中填写获取的访问令牌。

  envs:
    MODEL_SIZE: 7
    HF_TOKEN: <your-huggingface-token>
  

使用 SkyPilot 运行 Llama-2 Chatbot

• 创建一个名为 chatbot-meta.yaml 的新 YAML 文件，并添加以下内容：

resources:
  accelerators: V100:1
  disk_size: 1024

envs:
  MODEL_SIZE: 7
  HF_TOKEN: <your-huggingface-token> # TODO: Replace with huggingface token

setup: |
  set -ex

  git clone https://github.com/facebookresearch/llama.git || true
  cd ./llama
  pip install -e .
  cd -

  git clone https://github.com/skypilot-org/sky-llama.git || true
  cd sky-llama
  pip install torch==1.12.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113
  pip install -r requirements.txt
  pip install -e .
  cd -

  # Download the model weights from the huggingface hub, as the official
  # download script has some problem.
  git config --global credential.helper cache
  sudo apt -y install git-lfs
  pip install transformers
  python -c "import huggingface_hub; huggingface_hub.login('${HF_TOKEN}', add_to_git_credential=True)"
  git clone https://huggingface.co/meta-llama/Llama-2-${MODEL_SIZE}b-chat

  wget https://github.com/tsl0922/ttyd/releases/download/1.7.2/ttyd.x86_64
  sudo mv ttyd.x86_64 /usr/local/bin/ttyd
  sudo chmod +x /usr/local/bin/ttyd

run: |
  cd sky-llama
  ttyd /bin/bash -c "torchrun --nproc_per_node $SKYPILOT_NUM_GPUS_PER_NODE chat.py --ckpt_dir ~/sky_workdir/Llama-2-${MODEL_SIZE}b-chat --tokenizer_path ~/sky_workdir/Llama-2-${MODEL_SIZE}b-chat/tokenizer.model"

• 运行以下命令启动集群并执行任务：

  sky launch -c llama chatbot-meta.yaml
  

  

  在上述步骤中，llama 是集群的名称，而 chatbot-meta.yaml 是任务配置文件。在几分钟内，SkyPilot 将在 Azure 的 V100 GPU 上完成集群的创建、配置和任务执行。

• 打开新的终端，执行以下命令将本地 7681 端口与集群中的 7681 端口绑定：

  ssh -L 7681:localhost:7681 llama
  

• 在浏览器中访问 http://localhost:7681 并开始聊天体验！

  

停止并清理集群

任务完成后，可以使用以下命令来停止或彻底删除集群：

• 停止集群

  sky stop lama  # or pass your custom name if you used "-c <other name>"
  

• 重启已停止的集群并重新运行 Chatbot：

  sky launch chatbot-meta.yaml -c llama --no-setup
  

  使用 --no-setup 旨在跳过 setup 步骤，因为停止的集群已保留了其磁盘内容。

• 彻底删除集群：

  sky down llama  # or pass your custom name if you used "-c <other name>"
  

清理完成后，您可以运行 sky status 来查看您在不同 regions/clouds 中的所有集群。

进阶使用

除了前述的基本使用方法，SkyPilot 还拥有众多高级功能，下面简要介绍其中一些。

显示支持的 GPU/TPU/accelerators 及其价格

您可以在任务 YAML 的 accelerators 字段或在 CLI 的 --gpus flag 中设置 GPU/TPU/accelerators 的名称和数量。例如，若支持列表显示 8xV100，您可以在 accelerators 字段中使用 V100:8。

不同公有云给出的 GPU 型号及其价格十分混乱，SkyPilot 将相同型号的 GPU 及价格进行了统一的整理与命名，并提供了 show-gpus 命令来显示当前支持的 GPU/TPU/accelerators 及其价格：

sky show-gpus <gpu>

Public IP 与 Ports

如果您你喜欢使用 ssh 或 gradio 的方式来访问您的集群，可以使用以下命令来获取集群的 Public IP：

sky status --ip <your-custom-name>

同时，如果您希望开放一些端口，则可以使用 resources.ports 来开放指定端口：

resources:
# ports: 8888
  ports:
    - 8888
    - 10020-10040
    - 20000-20010

或者直接在 CLI 命令中使用 --ports 来指定：

sky launch -c jupyter --ports 8888 jupyter_lab.yaml

快速启动 GPU/CPU/TPU 实例

SkyPilot 还提供交互式节点，即用户在公有云上快速拉起指定单节点 VM，只需简单的 CLI 命令，无需 YAML 配置文件即可快速访问实例。

• sky gpunode
• sky cpunode
• sky tpunode

# Launch a default gpunode.
sky gpunode

# Do work, then log out. The node is kept running. Attach back to the
# same node and do more work.
sky gpunode

# Create many interactive nodes by assigning names via --cluster (-c).
sky gpunode -c node0
sky gpunode -c node1

# Port forward.
sky gpunode --port-forward 8080 --port-forward 4650 -c cluster_name
sky gpunode -p 8080 -p 4650 -c cluster_name

# Sync current working directory to ~/workdir on the node.
rsync -r . cluster_name:~/workdir

显示已经运行集群的预估成本

SkyPilot 同样提供了一个命令来显示已经运行集群的预估成本：

sky cost-report

注意：该 CLI 还属于试验性质。估计成本是根据群集状态的本地缓存计算的，可能并不准确。

获取 Azure 与 GCP 全球区域信息

默认情况下，SkyPilot 支持 AWS 上的大部分全球区域，仅支持 GCP 和 Azure 上的美国区域。如果您指定美国以外的 region，将会得到如下报错：

ValueError: Invalid region 'australiaeast'
List of supported azure regions: 'centralus, eastus, eastus2, northcentralus, southcentralus, westcentralus, westus, westus2, westus3'

如果您想使用所有全球地区，需要运行额外的命令来获取 Azure 和 GCP 的全球区域信息：

version=$(python -c 'import sky; print(sky.clouds.service_catalog.constants.CATALOG_SCHEMA_VERSION)')
mkdir -p ~/.sky/catalogs/${version}
cd ~/.sky/catalogs/${version}
# GCP
pip install lxml
# Fetch all regions for GCP
python -m sky.clouds.service_catalog.data_fetchers.fetch_gcp --all-regions

# Azure
# Fetch all regions for Azure
python -m sky.clouds.service_catalog.data_fetchers.fetch_azure --all-regions

更多内容见 Frequently Asked Questions。

结语

SkyPilot 是一个强大的工具，让云基础设施的管理变得前所未有的简单和高效。通过 SkyPilot，用户可以轻松地在各大云平台上部署和扩展 AI 和批处理作业，而无需关心底层的配置细节。SkyPilot 还带有众多高级功能，为企业和开发者提供了一个完整的、高度灵活的解决方案，满足了他们对高效、低成本云资源利用的需求。在未来，随着更多的云平台和技术加入，我们期待 SkyPilot 能为用户带来更多的便利和价值。

参考资料

• SkyPilot Document
• skypilot-org/skypilot
• Run LLaMA LLM chatbots on any cloud with one click
• How to install the Azure CLI