使用昇腾芯片进行多卡训推时使用hccl_tools.py为npu分配ip报错问题解决办法

问题描述

昇腾芯片（910b/310p等）进行多卡训练或者推理时需要先获取并配置每张npu的ip信息，因此需要执行类似下面问题：

python mindformers/tools/hccl_tools.py --device_num "[0,8)"

执行后报错：

注意：有的报错显示Command execute failed!
有的报错显示/bin/sh: hccn_tool: command not found
Failed to call hccn_tool, try to read /etc/hccn.conf instead

问题产生原因

1. 宿主机无hccn_tool执行命令，可使用下述命令查询（无输出则没有该命令）

whereis hccn_tool

2. /etc/hccn.conf文件为空，可使用下述命令查询（无输出则没有该命令）

vi /etc/hccn.conf

3. 下面指令需要在宿主机执行，且要确保有权限执行hccn_tool

python mindformers/tools/hccl_tools.py --device_num "[0,8)"

解决办法

注：hccn_tool命令无法识别则需要安装必要的工具组件，不在本文考虑范围

/etc/hccn.conf文件为空时，按照下面方法手动生成/etc/hccn.conf文件：
以下是定义每个NPU 的IP地址的一般步骤：

1. 确定NPU设备数量：首先，您需要知道您的系统中有多少个NPU设备，以及它们在系统中的索引号（通常是从0开始的整数）。

2. 规划IP地址范围：您需要规划一个IP地址范围，专门用于NPU设备。这些IP地址应该是您网络中未被使用的，并且最好在一个单独的子网中。

3. 分配IP地址：为每个NPU设备分配一个唯一的IP地址。通常，这些地址会按照NPU设备的索引号顺序分配。

4. 设置子网掩码：为NPU设备设置适当的子网掩码。子网掩码定义了网络的大小和可用的IP地址范围。常见的子网掩码如255.255.255.0表示网络中可以有256个IP地址。

5. 使用hccn_tool配置IP：使用hccn_tool命令为每个NPU设备设置IP地址和子网掩码。

例如(8卡npu配置如下)，可以先ping一下每个ip是否有被使用，没有被使用则可以执行下面命令：

hccn_tool -i 0 -ip -s address 192.168.100.100 netmask 255.255.255.0
hccn_tool -i 1 -ip -s address 192.168.100.101 netmask 255.255.255.0
hccn_tool -i 2 -ip -s address 192.168.100.102 netmask 255.255.255.0
hccn_tool -i 3 -ip -s address 192.168.100.103 netmask 255.255.255.0
hccn_tool -i 4 -ip -s address 192.168.100.104 netmask 255.255.255.0
hccn_tool -i 5 -ip -s address 192.168.100.105 netmask 255.255.255.0
hccn_tool -i 6 -ip -s address 192.168.100.106 netmask 255.255.255.0
hccn_tool -i 7 -ip -s address 192.168.100.107 netmask 255.255.255.0

最终执行并验证

终端执行以下命令：

python mindformers/tools/hccl_tools.py --device_num "[0,8)"

显示下面命令则表示执行成功

参考网站

• mindformers生成hccl.json文件的时候报错
• 基于昇腾的大模型部署
• kimi

命令扩展

hccn_tool -i 1 -ip -g  # 获取索引为1的NPU设备的IP配置信息