connect [127.0.1.1]:926: Connection refused

问题描述:

尝试DGL基于CPU的分布式训练

miniconda虚拟环境:

python:3.6.13

pytorch:1.10.1 

dgl:1.1.0

三台主机搭建分布式集群,一台NFS服务,两台Client,集群之间可以SSH免密登录 

报错信息:

Traceback (most recent call last):
  File "main.py", line 16, in <module>
    th.distributed.init_process_group(backend='gloo')
  File "/home/hadoop/miniconda3/envs/p112p376/lib/python3.7/site-packages/torch/distributed/distributed_c10d.py", line 610, in init_process_group
    timeout=timeout,
  File "/home/hadoop/miniconda3/envs/p112p376/lib/python3.7/site-packages/torch/distributed/distributed_c10d.py", line 703, in _new_process_group_helper
    pg = ProcessGroupGloo(prefix_store, rank, world_size, timeout=timeout)
Client[1] in group[0] is exiting...
RuntimeError: [/opt/conda/conda-bld/pytorch_1656352405797/work/third_party/gloo/gloo/transport/tcp/pair.cc:799] connect [127.0.1.1]:926: Connection refused 

解决方法:

报错原因:

无法建立gloo进程组,IP的主机名指向127.0.1.1。因此,gloo将主机名解析为本地主机并连接到自身

解决方法:

修改主机/etc/hosts文件,将主机ip与主机名对应且不重复,如下:

ip_addr1 server
ip_addr2 node1
ip_addr3 node2

参考:

Failed to create Gloo new group after initialized with NCCL · Issue #68726 · pytorch/pytorch (github.com)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    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 2
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