Update SLURM gres options

docs/assignments/4.cuda0.md

@@ -25,7 +25,7 @@ cd ~/exp4/
 ```bash
 spack load cuda
 make
-srun -p gpu --exclusive ./run_cuda
+srun --gpus 1 --exclusive ./run_cuda
 ```
 
 程序完成的任务为：给定高宽为 `H+2` 和 `W+2` 的数组 `input`，对于其上每个点，计算它与它右边，下边，右下共计9个点计算后的和，得到高宽为 `H` 和 `W`的数组 `output`，计算如下图所示。

docs/cluster.md

@@ -113,15 +113,18 @@ source /opt/intel/oneapi/advisor/latest/env/vars.sh # 仅加载 advisor
 srun -N 4 -n 8 --cpu-bind sockets ./test --args
 ```
 
+上述命令表示占用全部 4 个节点，共运行 8 个进程（每机 2 进程），并将每个进程绑定到一个 CPU socket（即一个 NUMA 节点）。通常来说，只需要关注 `-N` 和 `-n` 选项，用来控制进程数量；在一些负载上（尤其是 memory bound 程序），[进程绑定](faq/binding.md) 可能 **对性能有较大影响**，需要仔细调节。
+
+为了提高作业运行效率，实验集群的 SLURM 默认工作在**非独占模式**下。如果需要独占节点，需要添加参数 ``--exclusive``，此时每个任务的 **最小分配粒度** 为单个节点。在助教测试时，所有的任务都会独占节点运行，以防互相干扰。
+
 由于机器数量有限，任务可能不会立刻被执行，此时 SLURM 会给出类似下面的提示，请耐心等待：
 
 ```text
 srun: job 271 queued and waiting for resources
 ```
 
-集群根据硬件配置分为分为两个队列：`conv` 队列包含所有机器（默认使用），`gpu` 队列只包含有 GPU 的机器。在提交任务时，可使用 `srun -p name` 来指定队列。
+集群只有一个名为 `conv` 的队列，默认不能使用 GPU。如果需要 GPU 则需要添加参数：`--gpus M`，其中 `M` 为总 GPU 数量。更详尽的用法请参见 [Generic Resource (GRES) Scheduling](https://slurm.schedmd.com/gres.html)。
 
-为了防止不同同学的进程互相干扰，实验集群的 SLURM 被配置为独占模式，即每个任务的 **最小分配粒度** 为单个节点。上述命令表示占用全部 4 个节点，共运行 8 个进程（每机 2 进程），并将每个进程绑定到一个 CPU socket（即一个 NUMA 节点）。通常来说，只需要关注 `-N` 和 `-n` 选项，用来控制进程数量；在一些负载上（尤其是 memory bound 程序），[进程绑定](faq/binding.md) 可能 **对性能有较大影响**，需要仔细调节。
 
 `sbatch` 用于提交一个非交互式的运行脚本，适用于时间较长的或多个任务的提交。本文档中不详细介绍这一命令的用法，有需要的同学可以查看 [此教程](http://hpc.pku.edu.cn/_book/guide/slurm/sbatch.html)。在此脚本中，需要显式地加载 Spack、使用 Spack 加载依赖软件后，方可正常执行程序。使用 `sbatch` 和 `srun` 提交的任务都可以用 `scancel` 命令进行取消或终止。
 

docs/exp/2.apsp.md

@@ -133,7 +133,7 @@ cd ~/PA2/
 
 1. 加载 CUDA 环境：`spack load cuda`；
 2. 编译：`make`；
-3. 运行 `srun -p gpu -N 1 ./benchmark <图规模>` 以运行你的程序。其中 `<图规模>` 为一个整数，表示图中的点数。程序会打印结果是否正确及运行时间两项数据。
+3. 运行 `srun -gpus 1 -N 1 ./benchmark <图规模>` 以运行你的程序。其中 `<图规模>` 为一个整数，表示图中的点数。程序会打印结果是否正确及运行时间两项数据。
 
 ## 分数细则
 

docs/exp/3.spmm.md

@@ -84,23 +84,23 @@ cd build
 cmake ..
 make -j4
 # 运行单个数据点
-srun -p gpu ./test/unit_tests --dataset <datasetname> --len 32 --datadir ~/PA3/data/ # 所有的数据集在 ~/PA3/data/ 中
+srun -gpus 1 ./test/unit_tests --dataset <datasetname> --len 32 --datadir ~/PA3/data/ # 所有的数据集在 ~/PA3/data/ 中
 # 运行全部 GPU 数据点
-srun -p gpu ~/PA3/scripts/run_all.sh # 在 PA3/scripts 目录下
+srun -gpus 1 ~/PA3/scripts/run_all.sh # 在 PA3/scripts 目录下
 # 运行全部 CPU 数据点
-srun -p gpu ~/PA3/scripts/run_all_CPU.sh # 在 PA3/scripts 目录下
+srun -gpus 1 ~/PA3/scripts/run_all_CPU.sh # 在 PA3/scripts 目录下
 # 改变环境变量，仅仅运行单个测试，例如验证正确性（Validation）
-GTEST_FILTER="SpMMTest.validation" srun -p gpu ./test/unit_tests --dataset <datasetname> --len 32 --datadir ~/PA3/data/
+GTEST_FILTER="SpMMTest.validation" srun --gpus 1 ./test/unit_tests --dataset <datasetname> --len 32 --datadir ~/PA3/data/
 # 例如只运行 CPU 的相关测试
-GTEST_FILTER="SpMMCPUTest.*" srun -p gpu ./test/unit_tests --dataset <datasetname> --len 32 --datadir ~/PA3/data/
+GTEST_FILTER="SpMMCPUTest.*" srun --gpus 1 ./test/unit_tests --dataset <datasetname> --len 32 --datadir ~/PA3/data/
 ```
 
 其中 `dataset` 包含许多真实图数据（稀疏矩阵），稀疏矩阵的形状（$M$，在代码中是 `kNumV`）和非零元（$nnz$，在代码中是 `kNumE`）也被其决定。例如对于图数据 `a`，我们有两个文件，`a.config` 在同一行内存储了 $M$ 和 $nnz$，`a.graph` 第一行存储了 `PTR` 数组，第二行存储了 `IDX` 数组，`VAL` 数组在运行时随机初始化。
 
 `--len` 决定了 $B$ 和 $C$ 的 $K$。数据在 `PA3/data` 中。可以自己造一个小的数据集来 debug，如下：
 
 ```bash
-srun -p gpu ./test/unit_tests --dataset toy_graph --len 32 --datadir /path/to/your/data
+srun -gpus 1 ./test/unit_tests --dataset toy_graph --len 32 --datadir /path/to/your/data
 ```
 
 在测试时会测试 `len = 32, 256` 的情况。
@@ -129,9 +129,9 @@ srun -p gpu ./test/unit_tests --dataset toy_graph --len 32 --datadir /path/to/yo
 
 ```bash
 # 得到程序运行的总结，包括整个程序运行过程中，各个 kernel 以及 CUDA API 的执行时间和次数
-srun -p gpu nvprof ./test/unit_tests xxxxxxxxxx
+srun --gpus 1 nvprof ./test/unit_tests xxxxxxxxxx
 # profile 单个 kernel 的执行情况，通过 --kernels 指定要 profile 的 kernel 的名称；通过 --metrics 指定要 profile 的是什么 metric，如 dram_read_bytes, achieved_occupancy 等，也可以指定为 all 来得到所有的 metric
-srun -p gpu nvprof --kernels "KERNEL1|KERNEL2" --metrics "METRIC1|METRIC2" ./test/unit_tests xxxxxxxxxx
+srun --gpus 1 nvprof --kernels "KERNEL1|KERNEL2" --metrics "METRIC1|METRIC2" ./test/unit_tests xxxxxxxxxx
 ```
 
 关于可以 profile 得到的性能指标以及 `nvprof` 更高级的使用方法可以参考 <https://docs.nvidia.com/cuda/profiler-users-guide/index.html>。