<div dir="ltr"><div dir="auto"><div>Thank you Samuel,</div><div dir="auto"><br></div><div dir="auto">Slurm version is 20.02.6. I'm not entirely sure about the platform, RTX6000 nodes are about 2 years old, and 3090 node is very recent. Technically we have 4 nodes (hence references to node04 in info below), but one of the nodes is down and out of the system at the moment. As you see, the job really wants to run on the downed node instead of going to node02 or node03. </div><div dir="auto"><br></div><div>Thank you again,</div><div>Andrey</div><div dir="auto"><p class="MsoNormal"> <u></u></p><p class="MsoNormal"><b>scontrol info:</b></p><p class="MsoNormal">JobId=283 JobName=cryosparc_P2_J214<u></u><u></u></p><p class="MsoNormal">   UserId=cryosparc(1003) GroupId=cryosparc(1003) MCS_label=N/A<u></u><u></u></p><p class="MsoNormal">   Priority=4294901572 Nice=0 Account=(null) QOS=normal<u></u><u></u></p><p class="MsoNormal">   JobState=PENDING Reason=ReqNodeNotAvail,_UnavailableNodes:node04 Dependency=(null)<u></u><u></u></p><p class="MsoNormal">   Requeue=1 Restarts=0 BatchFlag=1 Reboot=0 ExitCode=0:0<u></u><u></u></p><p class="MsoNormal">   RunTime=00:00:00 TimeLimit=UNLIMITED TimeMin=N/A<u></u><u></u></p><p class="MsoNormal">   SubmitTime=2021-08-20T20:55:00 EligibleTime=2021-08-20T20:55:00<u></u><u></u></p><p class="MsoNormal">   AccrueTime=2021-08-20T20:55:00<u></u><u></u></p><p class="MsoNormal">   StartTime=Unknown EndTime=Unknown Deadline=N/A<u></u><u></u></p><p class="MsoNormal">   SuspendTime=None SecsPreSuspend=0 LastSchedEval=2021-08-20T23:36:14<u></u><u></u></p><p class="MsoNormal">   Partition=CSCluster AllocNode:Sid=headnode:108964<u></u><u></u></p><p class="MsoNormal">   ReqNodeList=(null) ExcNodeList=(null)<u></u><u></u></p><p class="MsoNormal">   NodeList=(null)<u></u><u></u></p><p class="MsoNormal">   NumNodes=1 NumCPUs=4 NumTasks=4 CPUs/Task=1 ReqB:S:C:T=0:0:*:*<u></u><u></u></p><p class="MsoNormal">   TRES=cpu=4,mem=24000M,node=1,billing=4<u></u><u></u></p><p class="MsoNormal">   Socks/Node=* NtasksPerN:B:S:C=0:0:*:* CoreSpec=*<u></u><u></u></p><p class="MsoNormal">   MinCPUsNode=1 MinMemoryNode=24000M MinTmpDiskNode=0<u></u><u></u></p><p class="MsoNormal">   Features=(null) DelayBoot=00:00:00<u></u><u></u></p><p class="MsoNormal">   OverSubscribe=NO Contiguous=0 Licenses=(null) Network=(null)<u></u><u></u></p><p class="MsoNormal">   Command=/data/backups/takeda2/data/cryosparc_projects/P8/J214/queue_sub_script.sh<u></u><u></u></p><p class="MsoNormal">   WorkDir=/ssd/CryoSparc/cryosparc_master<u></u><u></u></p><p class="MsoNormal">   StdErr=/data/backups/takeda2/data/cryosparc_projects/P8/J214/job.log<u></u><u></u></p><p class="MsoNormal">   StdIn=/dev/null<u></u><u></u></p><p class="MsoNormal">   StdOut=/data/backups/takeda2/data/cryosparc_projects/P8/J214/job.log<u></u><u></u></p><p class="MsoNormal">   Power=<u></u><u></u></p><p class="MsoNormal">   TresPerNode=gpu:1<u></u><u></u></p><p class="MsoNormal">   MailUser=cryosparc MailType=NONE</p><p class="MsoNormal"><br></p><p class="MsoNormal"><b>Script:</b><u></u><u></u></p><p class="MsoNormal">#SBATCH --job-name cryosparc_P2_J214<u></u><u></u></p><p class="MsoNormal">#SBATCH -n 4<u></u><u></u></p><p class="MsoNormal">#SBATCH --gres=gpu:1<u></u><u></u></p><p class="MsoNormal">#SBATCH -p CSCluster<u></u><u></u></p><p class="MsoNormal">#SBATCH --mem=24000MB            <u></u><u></u></p><p class="MsoNormal">#SBATCH --output=/data/backups/takeda2/data/cryosparc_projects/P8/J214/job.log<u></u><u></u></p><p class="MsoNormal">#SBATCH --error=/data/backups/takeda2/data/cryosparc_projects/P8/J214/job.log<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p><p class="MsoNormal">available_devs=""<u></u><u></u></p><p class="MsoNormal">for devidx in $(seq 0 15);<u></u><u></u></p><p class="MsoNormal">do<u></u><u></u></p><p class="MsoNormal">    if [[ -z $(nvidia-smi -i $devidx --query-compute-apps=pid --format=csv,noheader) ]] ; then<u></u><u></u></p><p class="MsoNormal">        if [[ -z "$available_devs" ]] ; then<u></u><u></u></p><p class="MsoNormal">            available_devs=$devidx<u></u><u></u></p><p class="MsoNormal">        else<u></u><u></u></p><p class="MsoNormal">            <span lang="FR">available_devs=$available_devs,$devidx<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR">        fi<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR">    fi<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR">done<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR">export CUDA_VISIBLE_DEVICES=$available_devs<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="FR">/ssd/CryoSparc/cryosparc_worker/bin/cryosparcw run --project P2 --job J214 --master_hostname headnode.cm.cluster --master_command_core_port 39002 > /data/backups/takeda2/data/cryosparc_projects/P8/J214/job.log 2>&1<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="FR"><u></u> <u></u></span></p><p class="MsoNormal"><span lang="FR"><u></u> <u></u></span></p><p class="MsoNormal"><b>Slurm.conf<u></u><u></u></b></p><p class="MsoNormal"># This section of this file was automatically generated by cmd. Do not edit manually!<u></u><u></u></p><p class="MsoNormal"># BEGIN AUTOGENERATED SECTION -- DO NOT REMOVE<u></u><u></u></p><p class="MsoNormal"># Server nodes<u></u><u></u></p><p class="MsoNormal">SlurmctldHost=headnode<u></u><u></u></p><p class="MsoNormal">AccountingStorageHost=master<u></u><u></u></p><p class="MsoNormal">#############################################################################################<u></u><u></u></p><p class="MsoNormal">#GPU  Nodes<u></u><u></u></p><p class="MsoNormal">#############################################################################################<u></u><u></u></p><p class="MsoNormal">NodeName=node[02-04] Procs=64 CoresPerSocket=16 RealMemory=257024 Sockets=2 ThreadsPerCore=2 Feature=RTX6000 Gres=gpu:4<u></u><u></u></p><p class="MsoNormal">NodeName=node01 Procs=64 CoresPerSocket=16 RealMemory=386048 Sockets=2 ThreadsPerCore=2 Feature=RTX3090 Gres=gpu:4<u></u><u></u></p><p class="MsoNormal"><span lang="FR">#NodeName=node[05-08] Procs=8 Gres=gpu:4<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR">#<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR">#############################################################################################<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR"># Partitions<u></u><u></u></span></p><p class="MsoNormal">#############################################################################################<u></u><u></u></p><p class="MsoNormal">PartitionName=defq Default=YES MinNodes=1 DefaultTime=UNLIMITED MaxTime=UNLIMITED AllowGroups=ALL PriorityJobFactor=1 PriorityTier=1 OverSubscribe=NO PreemptMode=OFF AllowAccounts=ALL AllowQos=ALL Nodes=node[01-04]<u></u><u></u></p><p class="MsoNormal">PartitionName=CSLive MinNodes=1 DefaultTime=UNLIMITED MaxTime=UNLIMITED AllowGroups=ALL PriorityJobFactor=1 PriorityTier=1 OverSubscribe=NO PreemptMode=OFF AllowAccounts=ALL AllowQos=ALL Nodes=node01<u></u><u></u></p><p class="MsoNormal">PartitionName=CSCluster MinNodes=1 DefaultTime=UNLIMITED MaxTime=UNLIMITED AllowGroups=ALL PriorityJobFactor=1 PriorityTier=1 OverSubscribe=NO PreemptMode=OFF AllowAccounts=ALL AllowQos=ALL Nodes=node[02-04]<u></u><u></u></p><p class="MsoNormal">ClusterName=slurm<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p><p class="MsoNormal"><b>Gres.conf<u></u><u></u></b></p><p class="MsoNormal"># This section of this file was automatically generated by cmd. Do not edit manually!<u></u><u></u></p><p class="MsoNormal"># BEGIN AUTOGENERATED SECTION -- DO NOT REMOVE<u></u><u></u></p><p class="MsoNormal">AutoDetect=NVML<u></u><u></u></p><p class="MsoNormal"># END AUTOGENERATED SECTION   -- DO NOT REMOVE<u></u><u></u></p><p class="MsoNormal">#Name=gpu File=/dev/nvidia[0-3] Count=4<u></u><u></u></p><p class="MsoNormal">#Name=mic Count=0<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p><p class="MsoNormal"><b>Sinfo:<u></u><u></u></b></p><p class="MsoNormal">PARTITION AVAIL  TIMELIMIT  NODES  STATE NODELIST<u></u><u></u></p><p class="MsoNormal">defq*        up   infinite      1  down* node04<u></u><u></u></p><p class="MsoNormal">defq*        up   infinite      3   idle node[01-03]<u></u><u></u></p><p class="MsoNormal">CSLive       up   infinite      1   idle node01<u></u><u></u></p><p class="MsoNormal">CSCluster    up   infinite      1  down* node04<u></u><u></u></p><p class="MsoNormal">CSCluster    up   infinite      2   idle node[02-03]<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p><p class="MsoNormal"><b>Node1:<u></u><u></u></b></p><p class="MsoNormal">NodeName=node01 Arch=x86_64 CoresPerSocket=16<u></u><u></u></p><p class="MsoNormal">   CPUAlloc=0 CPUTot=64 CPULoad=0.04<u></u><u></u></p><p class="MsoNormal">   AvailableFeatures=RTX3090<u></u><u></u></p><p class="MsoNormal">   ActiveFeatures=RTX3090<u></u><u></u></p><p class="MsoNormal">   Gres=gpu:4<u></u><u></u></p><p class="MsoNormal">   NodeAddr=node01 NodeHostName=node01 Version=20.02.6<u></u><u></u></p><p class="MsoNormal">   OS=Linux 3.10.0-1160.11.1.el7.x86_64 #1 SMP Fri Dec 18 16:34:56 UTC 2020<u></u><u></u></p><p class="MsoNormal">   RealMemory=386048 AllocMem=0 FreeMem=16665 Sockets=2 Boards=1<u></u><u></u></p><p class="MsoNormal">   State=IDLE ThreadsPerCore=2 TmpDisk=0 Weight=1 Owner=N/A MCS_label=N/A<u></u><u></u></p><p class="MsoNormal">   Partitions=defq,CSLive<u></u><u></u></p><p class="MsoNormal">   BootTime=2021-08-04T13:59:08 SlurmdStartTime=2021-08-10T09:32:43<u></u><u></u></p><p class="MsoNormal">   CfgTRES=cpu=64,mem=377G,billing=64<u></u><u></u></p><p class="MsoNormal">   AllocTRES=<u></u><u></u></p><p class="MsoNormal">   CapWatts=n/a<u></u><u></u></p><p class="MsoNormal">   CurrentWatts=0 AveWatts=0<u></u><u></u></p><p class="MsoNormal">   ExtSensorsJoules=n/s ExtSensorsWatts=0 ExtSensorsTemp=n/s<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p><p class="MsoNormal"><b>Node2-3<u></u><u></u></b></p><p class="MsoNormal">NodeName=node02 Arch=x86_64 CoresPerSocket=16<u></u><u></u></p><p class="MsoNormal">   CPUAlloc=0 CPUTot=64 CPULoad=0.48<u></u><u></u></p><p class="MsoNormal">   AvailableFeatures=RTX6000<u></u><u></u></p><p class="MsoNormal">   ActiveFeatures=RTX6000<u></u><u></u></p><p class="MsoNormal">   Gres=gpu:4(S:0-1)<u></u><u></u></p><p class="MsoNormal">   NodeAddr=node02 NodeHostName=node02 Version=20.02.6<u></u><u></u></p><p class="MsoNormal">   OS=Linux 3.10.0-1160.11.1.el7.x86_64 #1 SMP Fri Dec 18 16:34:56 UTC 2020<u></u><u></u></p><p class="MsoNormal">   RealMemory=257024 AllocMem=0 FreeMem=2259 Sockets=2 Boards=1<u></u><u></u></p><p class="MsoNormal">   State=IDLE ThreadsPerCore=2 TmpDisk=0 Weight=1 Owner=N/A MCS_label=N/A<u></u><u></u></p><p class="MsoNormal">   <span lang="FR">Partitions=defq,CSCluster<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR">   BootTime=2021-07-29T20:47:32 SlurmdStartTime=2021-08-10T09:32:55<u></u><u></u></span></p><p class="MsoNormal"><span lang="FR">   </span>CfgTRES=cpu=64,mem=251G,billing=64<u></u><u></u></p><p class="MsoNormal">   AllocTRES=<u></u><u></u></p><p class="MsoNormal">   CapWatts=n/a<u></u><u></u></p><p class="MsoNormal">   CurrentWatts=0 AveWatts=0<u></u><u></u></p><p class="MsoNormal">   ExtSensorsJoules=n/s ExtSensorsWatts=0 ExtSensorsTemp=n/s</p><br><div class="gmail_quote" dir="auto"><div dir="ltr" class="gmail_attr">On Thu, Aug 19, 2021, 6:07 PM Fulcomer, Samuel <<a href="mailto:samuel_fulcomer@brown.edu" target="_blank">samuel_fulcomer@brown.edu</a>> wrote:<br></div><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div dir="ltr">What SLURM version are you running?<div><br></div><div>What are the #SLURM directives in the batch script? (or the sbatch arguments)</div><div><br></div><div>When the single GPU jobs are pending, what's the output of 'scontrol show job JOBID'?<br><div><br></div><div>What are the node definitions in slurm.conf, and the lines in gres.conf?</div><div><br></div><div>Are the nodes all the same host platform (motherboard)?</div><div><br></div><div>We have P100s, TitanVs, Titan RTXs, Quadro RTX 6000s, 3090s, V100s, DGX 1s, A6000s, and A40s, with a mix of single and dual-root platforms, and haven't seen this problem with SLURM 20.02.6 or earlier versions.</div></div></div><br><div class="gmail_quote"><div dir="ltr" class="gmail_attr">On Thu, Aug 19, 2021 at 8:38 PM Andrey Malyutin <<a href="mailto:malyutinag@gmail.com" rel="noreferrer" target="_blank">malyutinag@gmail.com</a>> wrote:<br></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left:1px solid rgb(204,204,204);padding-left:1ex"><div dir="ltr">Hello, <div><br></div><div>We are in the process of finishing up the setup of a cluster with 3 nodes, 4 GPUs each. One node has RTX3090s and the other 2 have RTX6000s.Any job asking for 1 GPU in the submission script will wait to run on the 3090 node, no matter resource availability. Same job requesting 2 or more GPUs will run on any node. I don't even know where to begin troubleshooting this issue; entries for the 3 nodes are effectively identical in slurm.conf. Any help would be appreciated. (If helpful - this cluster is used for structural biology, with cryosparc and relion packages). </div><div><br></div><div>Thank you,</div><div>Andrey</div></div>
</blockquote></div>
</blockquote></div></div></div>
</div>