无法通信会出现的错误如下
一、网络健康状态报错
命令原型
hccn_tool [-i %d] -netdetect -s [address %s]
命令功能
本功能支持用户执行命令获取网络健康状态（本端与所配置的检测IP之间的连通状态），用户可指定上报的状态信息名称。
状态信息：
0：Success；1：Socket fail；2：Receive timeout；3：Unreachable；4：Time exceeded；5：Fault；6：Init；7：Thread error；8：Detect ip set；其它：Unknown。
参数说明
| 参数 | 说明 |
|---|---|
| -i | 指定设备ID。取值范围：0~7。 |
| -net_health | 指定网络健康状态属性。 |
| -g | 获取属性。 |
使用样例
hccn_tool -i 1 -net_health -g
报错
net health status: Init
二、运行hccl_tools.py报错
根据RANK_TABLE_FILE准备----单机8卡
运行mindformers/tools/hccl_tools.py，生成RANK_TABLE_FILE文件
# 运行如下命令，生成当前机器的RANK_TABLE_FILE的json文件
python ./mindformers/tools/hccl_tools.py --device_num "[0,8)"
报错
start /home/HwHiAiUser/mindformers/./mindformers/tools/hccl_tools.py
visible_devices:['0', '1', '2', '3', '4', '5', '6', '7']
server_id:127.0.0.1
device_num_list: [0, 1, 2, 3, 4, 5, 6, 7]
Command execute failed!
Failed to call hccn_tool, try to read /etc/hccn.conf instead
Traceback (most recent call last):
File "/home/HwHiAiUser/mindformers/./mindformers/tools/hccl_tools.py", line 163, in <module>
main()
File "/home/HwHiAiUser/mindformers/./mindformers/tools/hccl_tools.py", line 137, in main
device_ip = device_ips[device_id]
KeyError: '0'
三、多卡推理报错
多卡推理baichuan2-13b，这个时候已经解决了上面的报错，但是这时多卡依然无法通信，报错EI0004，官网论坛以及昇思文档还有gitee都没有解决方案
报错
[WARNING] Distributed Communication has not been inited. Use default RANK_SIZE: 1
[WARNING] Distributed Communication has not been inited. Use default RANK_ID: 0
Traceback (most recent call last):
File "/home/anaconda3/envs/sakura/lib/python3.9/site-packages/mindformers/core/context/build_context.py", line 95, in init_context
init()
File "/home/anaconda3/envs/sakura/lib/python3.9/site-packages/mindspore/communication/management.py", line 171, in init
init_hccl()
RuntimeError: Ascend collective communication initialization failed.
----------------------------------------------------
- Ascend Error Message:
----------------------------------------------------
EI0004: The ranktable or rank is invalid,Reason:[The ranktable config devId is inconsistent with the local devId.]. Please check the configured ranktable. [{"server_count":"1","server_list":[{"device":[{"device_id":"0","device_ip":"192.168.2.60","rank_id":"0"},{"device_id":"1","device_ip":"192.168.3.60","rank_id":"1"},{"device_id":"2","device_ip":"192.168.4.60","rank_id":"2"},{"device_id":"3","device_ip":"192.168.5.60","rank_id":"3"},{"device_id":"4","device_ip":"192.168.6.60","rank_id":"4"},{"device_id":"5","device_ip":"192.168.7.60","rank_id":"5"},{"device_id":"6","device_ip":"192.168.8.60","rank_id":"6"},{"device_id":"7","device_ip":"192.168.9.60","rank_id":"7"}],"host_nic_ip":"reserve","server_id":"127.0.0.1"}],"status":"completed","version":"1.0"}]
Solution: Try again with a valid cluster configuration in the ranktable file. Ensure that the configuration matches the operating environment.
(Please search "Ascend Error Message" at https://www.mindspore.cn for error code description)
----------------------------------------------------
- Framework Error Message: (For framework developers)
----------------------------------------------------
Init hccl graph adapter failed.
----------------------------------------------------
- C++ Call Stack: (For framework developers)
----------------------------------------------------
mindspore/ccsrc/plugin/device/ascend/hal/hardware/ascend_collective_comm_lib.cc:129 Initialize
mindspore/ccsrc/plugin/device/ascend/hal/hccl_adapter/hccl_adapter.cc:452 InitKernelInfoStore
During handling of the above exception, another exception occurred:
Traceback (most recent call last):
File "/home/HwHiAiUser/mindformers/research/baichuan2/run_baichuan2_pipeline.py", line 35, in <module>
build_context(baichuan2_config)
File "/home/anaconda3/envs/sakura/lib/python3.9/site-packages/mindformers/core/context/build_context.py", line 43, in build_context
local_rank, device_num = init_context(use_parallel=config.use_parallel,
File "/home/anaconda3/envs/sakura/lib/python3.9/site-packages/mindformers/core/context/build_context.py", line 97, in init_context
raise RuntimeError("Notice: if you are trying to run with a single device, please set "
RuntimeError: Notice: if you are trying to run with a single device, please set use_parallel=False. If not, please check the error message above.
解决方案
第一步：编译HCCL
参考：昇腾社区—CANN社区版—开发工具—HCCL性能测试工具—工具编译
我的服务器没有交换机，无法使用hccl，使用的是hccs，所以这一步就忽略了
第二步：配置网卡
1、RoCE网卡IP地址和子网掩码
命令原型
hccn_tool [-i %d] -ip -s [address %s] [netmask %s]
命令功能
配置RoCE网卡的IP地址、子网掩码。
参数说明
| 参数 | 说明 |
|---|---|
| -i | 指定设备ID。取值范围：0~7。 |
| -ip | 指定IP属性。 |
| -s | 设置属性。 |
| address | IP地址。 |
| netmask | 子网掩码。 |
约束说明
该命令仅支持在物理机root用户下运行。
使用样例
以上是官网给的方案，以下是我的方案
hccn_tool -i 0 -ip -s address 192.168.10.61 netmask 255.255.255.0
hccn_tool -i 1 -ip -s address 192.168.10.62 netmask 255.255.255.0
hccn_tool -i 2 -ip -s address 192.168.10.63 netmask 255.255.255.0
hccn_tool -i 3 -ip -s address 192.168.10.64 netmask 255.255.255.0
hccn_tool -i 4 -ip -s address 192.168.10.65 netmask 255.255.255.0
hccn_tool -i 5 -ip -s address 192.168.10.66 netmask 255.255.255.0
hccn_tool -i 6 -ip -s address 192.168.10.67 netmask 255.255.255.0
hccn_tool -i 7 -ip -s address 192.168.10.68 netmask 255.255.255.0
注意事项
我的服务器IP是192.168.10.60，所以设置显卡ip需要以192.168.10为起始
针对AI Server上每个Device侧OS管理8块昇腾AI处理器，需要为每个OS上的8块网卡配置不同的IP。
首次配置IP时会出现15秒后link状态变为down，然后恢复up状态的情况。
192.168.1.X、192.168.2.192、192.168.2.196、192.168.3.193、192.168.3.197、192.168.4.194、192.168.4.198、192.168.5.195和192.168.5.199用于板内网络通信使用，不支持配置。
2、配置路由
以上是官网给的方案，以下是我的方案
hccn_tool -i 3 -gateway -s gateway 192.168.10.60
hccn_tool -i 7 -gateway -s gateway 192.168.10.60
3、配置NPU网口检测IP地址(网络检测对象IP)
官网已经把这一部分删掉了（20240507更新）
命令原型
hccn_tool [-i %d] -netdetect -s [address %s]
命令功能
配置网络检测对象IP。该功能主要用于检测网络状态，当多台服务器进行分布式训练时，可将检测对象IP配置为网段内的网关地址，服务器会定时检测和网关地址通信是否正常，从而实现检测服务器参数面网络状态是否正常的效果。该功能需配合获取网络健康状态使用。
参数说明
| 参数 | 说明 |
|---|---|
| -i | 指定设备ID。取值范围：0~7。 |
| -netdetect | 指定网络检测对象IP属性。 |
| -s | 设置属性。 |
| address | IP地址。 |
约束说明
该命令仅支持在物理机的root用户下运行。
使用样例
hccn_tool -i 0 -netdetect -s address 192.168.10.60
hccn_tool -i 1 -netdetect -s address 192.168.10.60
hccn_tool -i 2 -netdetect -s address 192.168.10.60
hccn_tool -i 3 -netdetect -s address 192.168.10.60
hccn_tool -i 4 -netdetect -s address 192.168.10.60
hccn_tool -i 5 -netdetect -s address 192.168.10.60
hccn_tool -i 6 -netdetect -s address 192.168.10.60
hccn_tool -i 7 -netdetect -s address 192.168.10.60
官网给的教程里ip地址要对应路由地址，对应网关地址，但是这样设置后会显示net health status: Receive timeout
我改完RoCE网卡IP地址后才会显示成功，也就是
hccn_tool -i 0 -netdetect -s address 192.168.10.61
hccn_tool -i 1 -netdetect -s address 192.168.10.62
hccn_tool -i 2 -netdetect -s address 192.168.10.63
hccn_tool -i 3 -netdetect -s address 192.168.10.64
hccn_tool -i 4 -netdetect -s address 192.168.10.65
hccn_tool -i 5 -netdetect -s address 192.168.10.66
hccn_tool -i 6 -netdetect -s address 192.168.10.67
hccn_tool -i 7 -netdetect -s address 192.168.10.68
设置完成后随意检查一块显卡的健康状态
hccn_tool -i 7 -net_health -g
返回Success即为成功，这样就解决了bug-1和bug-3
net health status: Success
以上操作参考Ascend Training Solution 组网指南,由于网址会不断变动，可以在华为官网搜索配置训练节点
设置完成后运行hccl_tools.py
start /home/HwHiAiUser/mindformers/./mindformers/tools/hccl_tools.py
visible_devices:['0', '1', '2', '3', '4', '5', '6', '7']
server_id:127.0.0.1
device_num_list: [0, 1, 2, 3, 4, 5, 6, 7]
rank_id:0, device_id:0, device_ip:192.168.10.61
rank_id:1, device_id:1, device_ip:192.168.10.62
rank_id:2, device_id:2, device_ip:192.168.10.63
rank_id:3, device_id:3, device_ip:192.168.10.64
rank_id:4, device_id:4, device_ip:192.168.10.65
rank_id:5, device_id:5, device_ip:192.168.10.66
rank_id:6, device_id:6, device_ip:192.168.10.67
rank_id:7, device_id:7, device_ip:192.168.10.68
Completed: hccl file was save in : /home/HwHiAiUser/mindformers/hccl_8p_01234567_127.0.0.1.json
这样就算是成功了，bug-2就解决了
626
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
