分布式配置

Q: 进行HCCL分布式训练出错:Init plugin so failed, ret = 1343225860

A: 初始化HCCL失败了,通常由于rank json没写对,可以用mindspore/model_zoo/utils/hccl_tools下面的工具生成一个试试。或者导入环境变量export ASCEND_SLOG_PRINT_TO_STDOUT=1打开HCCL的日志打印,然后检查日志信息。


Q: MindSpore执行GPU分布式训练报错如下,如何解决:

Loading libgpu_collective.so failed. Many reasons could cause this:
1.libgpu_collective.so is not installed.
2.nccl is not installed or found.
3.mpi is not installed or found

A: 此问题为MindSpore动态加载集合通信库失败,可能原因如下:

  • 执行环境未安装分布式训练依赖的OpenMPI以及NCCL。

  • NCCL版本未更新至v2.7.6: MindSpore v1.1.0新增GPU P2P通信算子,该特性依赖于NCCL v2.7.6,若环境使用的NCCL未升级为此版本,则会引起加载失败错误。


Q:GPU分布式训练场景下,若错误设置环境变量CUDA_VISIBLE_DEVICES的个数小于执行的进程数时,可能导致进程阻塞问题。

A:此场景下,部分训练进程会提示如下报错:

[ERROR] DEVICE [mindspore/ccsrc/runtime/device/gpu/cuda_driver.cc:245] SetDevice] SetDevice for id:7 failed, ret[101], invalid device ordinal. Please make sure that the 'device_id' set in context is in the range:[0, total number of GPU). If the environment variable 'CUDA_VISIBLE_DEVICES' is set, the total number of GPU will be the number set in the environment variable 'CUDA_VISIBLE_DEVICES'. For example, if export CUDA_VISIBLE_DEVICES=4,5,6, the 'device_id' can be 0,1,2 at the moment, 'device_id' starts from 0, and 'device_id'=0 means using GPU of number 4.
[ERROR] DEVICE [mindspore/ccsrc/runtime/device/gpu/gpu_device_manager.cc:27] InitDevice] Op Error: Failed to set current device id | Error Number: 0

其余进程由于GPU资源已分配成功,会正常执行到初始化NCCL步骤,日志如下:

[INFO] DEVICE [mindspore/ccsrc/runtime/hardware/gpu/gpu_device_context.cc:90] Initialize] Start initializing NCCL communicator for device 1

此步骤中会调用NCCL接口ncclCommInitRank,该接口会阻塞,直到所有进程达成一致。因此如果某进程没有调用ncclCommInitRank,则会导致进程阻塞。 此问题我们已向NCCL社区反馈,社区开发者正在设计解决方案中,目前最新版本还未修复,详见issue链接。 解决方法:手动kill训练进程,根据报错日志,设置正确的卡号后,重启训练任务。


Q:GPU分布式训练场景下,若某进程异常退出,可能导致其余进程阻塞问题。

A:此场景下,异常进程由于各种问题退出,其余进程由于GPU资源已分配成功,会正常执行到初始化NCCL步骤,日志如下:

[INFO] DEVICE [mindspore/ccsrc/runtime/hardware/gpu/gpu_device_context.cc:90] Initialize] Start initializing NCCL communicator for device 1

此步骤中会调用NCCL接口ncclCommInitRank,该接口会阻塞,直到所有进程达成一致。因此如果某进程没有调用ncclCommInitRank,则会导致进程阻塞。 此问题我们已向NCCL社区反馈,社区开发者正在设计解决方案中,目前最新版本还未修复,详见issue链接。 解决方法:手动kill训练进程后重启训练任务。


Q:在执行GPU单机单卡的脚本时,不使用mpirun启动进程时,调用mindspore.communication.init方法可能会报错,导致执行失败,该如何处理?

[CRITICAL] DISTRIBUTED [mindspore/ccsrc/distributed/cluster/cluster_context.cc:130] InitNodeRole] Role name is invalid...

A:在用户不使用mpirun启动进程,但是依然调用了init()方法的情况下,MindSpore要求用户按照不依赖OpenMPI进行训练配置若干环境变量并进行校验,若没有配置,MindSpore会给出以上报错提示。因此建议只有在执行分布式训练时调用mindspore.communication.init,并在不使用mpirun的场景下,根据文档配置正确的环境变量以启动分布式训练。


Q:在通过OpenMPI执行多机多卡训练时,提示由于MPI_Allgather失败。

pml_ucx.c:175 Error: Failed to receive UCX worker address: Not found (-13)
pml_ucx.c:452 Error: Failed to resolve UCX endpoint for rank X

A:此问题是OpenMPI在Host侧通信时,无法和对端地址进行通信,一般是机器之间的网卡配置不同导致的,可以通过手动设置网卡名或者子网的方式解决:

mpirun -n process_num --mca btl tcp --mca btl_tcp_if_include eth0 ./run.sh

以上指令启动了process_numrun.sh进程,并且选择Host侧通信方式为tcp,网卡选择了eth0,这样就能保证在每台机器上使用的网卡相同,进而解决通信异常问题。

还可以选择子网来进行匹配:

mpirun -n process_num --mca btl tcp --mca btl_tcp_if_include 192.168.1.0/24 ./run.sh

子网范围需要包括所有机器所用的IP地址。


Q:在通过OpenMPI执行分布式训练时,单机多卡训练正常,但在多机多卡训练时,某些机器提示GPU device id设置失败。

[ERROR] DEVICE [mindspore/ccsrc/runtime/device/gpu/cuda_driver.cc:245] SetDevice] SetDevice for id:7 failed, ret[101], invalid device ordinal. Please make sure that the 'device_id' set in context is in the range:[0, total number of GPU). If the environment variable 'CUDA_VISIBLE_DEVICES' is set, the total number of GPU will be the number set in the environment variable 'CUDA_VISIBLE_DEVICES'. For example, if export CUDA_VISIBLE_DEVICES=4,5,6, the 'device_id' can be 0,1,2 at the moment, 'device_id' starts from 0, and 'device_id'=0 means using GPU of number 4.
[ERROR] DEVICE [mindspore/ccsrc/runtime/device/gpu/gpu_device_manager.cc:27] InitDevice] Op Error: Failed to set current device id | Error Number: 0

A:在多机场景下,各进程卡号需要通过在Host侧AllGather HOSTNAME后计算得到,如果机器间有使用相同的HOSTNAME,则进程卡号会计算出错,导致卡号越界而设置失败。可以在执行脚本中设置每台机器的HOSTNAME为各自的IP地址来解决:

export HOSTNAME=node_ip_address

Q:在通过OpenMPI执行多机多卡训练时,NCCL报错提示网络不通。

include/socket.h:403 NCCL WARN Connect to XXX failed: Network is unreachable

A:此问题是NCCL在Host侧同步进程信息或者初始化通信域时,无法和对端地址进行通信,一般是机器之间的网卡配置不同导致的,可以通过设置NCCL环境变量NCCL_SOCKET_IFNAME,进行网卡选择:

export NCCL_SOCKET_IFNAME=eth

以上指令设置了NCCL在Host侧选择网卡名中带有eth的网卡进行通信。


Q:多机多卡选择特定名称的RDMA网卡(通过NCCL_SOCKET_IFNAME设置)通信后,训练仍然报错:

misc/ibvwrap.cc:284 NCCL WARN Call to ibv_modify_qp failed with error Invalid argument
...
include/socket.h:403 NCCL WARN Connect to XXX failed: Connection refused

A:一般此问题是多机之间RDMA网卡配置存在差异,需要具体情况具体分析。但常见原因是存在某些主机网卡存在IB协议和RoCE协议同时存在的情况,可能出现连接建立失败的情况。解决方案:

需要使用以下指令指定使用的RDMA网卡名为ib开头:

export NCCL_IB_HCA=mlx

Q:单机多卡训练能够成功,但是扩展脚本到多机多卡后,其他主机提示各类报错:

报错内容有多种,下面是几种典型的报错,可能有: 1.已经安装的whl包找不到。 2.IB网卡通信失败。 3.Cuda库加载失败。

A:这些问题,都是由于在mpirun启动其他主机时,其他主机的环境变量(包括NCCL的网卡选择配置)没有与本机同步,导致了单机多卡正常执行而多机多卡失败的现象。解决方法是通过mpirun的-x选项,导出特定的环境变量:

mpirun --hostfile /path/to/hostfile -n 64 -x PYTHONPATH -x GLOG_v -x LD_LIBRARY_PATH -x NCCL_SOCKET_IFNAME -x NCCL_IB_HCA -x NCCL_DEBUG=INFO python train.py

以上指令导出了在本机已经设置的一些环境变量到其他主机,保证了在执行训练脚本前所有主机环境变量保持一致,达到多机多卡训练目标。


Q: 在Ascend上通过OpenMPI执行分布式训练时,HcclCommInitRootInfo报错:

Ascend collective Error: "HcclCommInitRootInfo failed. | Error Number 2

A: OpenMPI启动时,当前版本的hccl下,创建通信域时,相应的卡需要分配大约300M的device内存,因此每张卡所在的通信域的数量越多,则额外需要的内存越多,因此会有内存不足的问题。 可以设置context中的variable_memory_max_size来减少Ascend进程可用的内存,从而为hccl预留足够的内存创建通信域。