简单记一下hpc的使用：

hpc就是一些科研机构或者大学建立的服务器中心。我这大学的每一位学生，可以轻松使用hpc批量跑数据，也可以新建自己的server跑一些local data，后者每个学生账号最大是32核512G的运行内存，体验非常好，只不过只能使用jupyternote book或者R登录，也可以跑bash，总之非常nice。

新建自己的server跑jupyternote book就比较容易，例如：

from concurrent.futures import ProcessPoolExecutor
from tqdm import tqdm
# python
def my_func(x):return x**2
def run(f, this_iter):with ProcessPoolExecutor(max_wokers=32) a executor:results = list(tqdm(executor.map(f. this_iter), total=len(this_iter))return results
if name == '__main__':this_iter = [1,2,3,4,4,5,6]results = run(my_func, this_iter)# ipynb
from multiprocessing import Pool
from tqdm import tqdm
def my_func(x):return x**2
def run(f, this_iter):with Pool(max_wokers=32) a p:results = list(tqdm(p.imap(f. this_iter), total=len(this_iter))return results
if name == '__main__':this_iter = [1,2,3,4,4,5,6]results = run(my_func, this_iter)

两者区别就在于使用ProcessPoolExecutor 还是 Pool，还有map 和imap。其他都是一样的使用。
完全免费的32核512G云服务器，还可以加载2080Ti等显卡，我觉得这个科研资源算是非常好了，至少节省了自己2万左右资金。

第二个就是hpc节点的使用
hpc的集群节点主要是用来批量跑数据预处理，我主要是跑fmriprep和xcp-d。
首先是定义变量：

#！/bin/bash#$ -N sub-${subject}_fmriprep
#$ -pe smp 10
#$ -q UI
#$ -j y
#$ -o /Data/test/logs
#$ -t 1-29:1

这些是hpc的定义，例如-o表示output，-pe表示需求的核心数，-q是请求的节点端口等等。
然后可以自己自定义一些环境变量：

singularityDir=/Data/test
export TEMPLATEFLOW_HOME=${singularityDir}/TemplateFlow
export SINGULARITYENV_TEMPLATEFLOW_HOME=/templateflow

然后就可以使用fmriprep的脚本：

singularity run --cleanenv \
-B /Users/work:/work \
-B ${TEMPLATEFLOW_HOME:-$HOME/.cache/templateflow}:/templateflow \
${singularityDir}/fmriprep.sif \
/Data/test/BIDS/ /Data/test/fmriprep/ participant --participant-label ${subject} \
--skip_bids_validation \
--nprocs 8 --omp-nthreads 8 --mem 32000 \
-t rest \
-w work \
........
......

然后保存脚本，在服务器端口敲命令： qsub fmriprep_run.sh 即可。
可以用 qstat | grep ID 查看提交的作业是否正常在运行。
等运行结束以后，可以使用qacct -j {job_id} 查看fmriprep的运行过程。
以我这个为例，我的test脚本调用了8个核跑了一个被试，运行细节如下：
一个rest-state bold输出到2个空间，做体空间和皮层空间，cpu时间是84831s，最大内存是5.8G，运行时间是8小时30分钟。
一般来说，fmriprep只有几个步骤能跑满cpu，比如ants，还有一些步骤是跑不满的，所以假设同样8个被试，使用8个核心，一个一个跑，跟使用1个核心，8个一起跑，后者的时间应该是要短很多。
一种方法是，使用python脚本，建立Pool池，调用多个kernel，然后每个kernel去跑一个singularity。

## multiple subjects
#!/bin/bash
#$ -N sub-batchArray_fmriprep
#$ -pe smp 10
#$ -q PINC, CCOM, UI
#$ -j y
#$ -o /data/logs
#$ -t 1-27:1
OMP_NUM_THREADS=30
subject='cat /data/test/sublist | head -n+${SGE_TASK_ID} | tail -n-1'singularityDir=/data/test
...
...