Pytorch 分布式并行DDP 卡死 挂起

问题描述:

1、使用A30显卡,使用分布式并行Distributed Data Parallel,运行程序时显卡显存充满,卡在设置local_rank处,并未启动进程组
2、如图:
在这里插入图片描述
在这里插入图片描述

解决方案:

0最新解决方案,针对Supermicro主板:BIOS->Advanced->NB Configuration->IOMMU->Disabled
在这里插入图片描述
==其它型号的主板的BIOS可能还需要禁用ACS:
https://zhuanlan.zhihu.com/p/607203976
https://www.supermicro.com/support/faqs/faq.cfm?faq=20264
https://www.supermicro.com/support/faqs/faq.cfm?faq=22226
后面的1-4可不看了~

1、更换后端为“Gloo”,正常执行shell命令运行程序。

torch.distributed.init_process_group(backend="Gloo")
python -m torch.distributed.launch --nproc_per_node=7 --master_port 8888 main.py

2、仍旧使用“NCCL”后端,但需要更改环境变量,在shell命令前加入禁用P2P。

torch.distributed.init_process_group(backend="NCCL")
NCCL_P2P_DISABLE=1 python -m torch.distributed.launch --nproc_per_node=7 --master_port 8888 main.py

3、仍旧使用“NCCL”后端,但需要更改环境变量,永久更改环境设置,正常执行shell命令运行程序。

torch.distributed.init_process_group(backend="NCCL")
vim ~/.bashrc
export NCCL_P2P_DISABLE=1
source ~/.bashrc.
python -m torch.distributed.launch --nproc_per_node=7 --master_port 8888 main.py

4、建议使用第3个方案,据我测试,Gloo后端没有NCCL后端通信速度快,程序运行速度NCCL较快。另外,每次加上修改环境变量的命令也挺烦的,修改bash环境变量一劳永逸。

bug分析:

NCCL_P2P_DISABLE=1将禁用GPU之间直接通信(如使用NVlink或者PCIe),鉴于NVDIA官网显示A30支持NVlink或者PCIe,因此判断可能是硬件故障或者是软件版本不匹配导致P2P通信受阻,使得进程阻塞,程序挂起。

参考:

1:https://zhuanlan.zhihu.com/p/60054075
2:https://github.com/pytorch/pytorch/issues/23074

  • 16
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 8
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值