使用MPI后端时，分布式PyTorch代码在多个节点上暂停

Question

我试图使用openMPI在三个节点上运行Pytorch代码，但代码只是暂停，没有任何错误或输出。最终我的目的是在这些节点上分发Pytorch图。

我的三个节点连接在同一个LAN中，并且没有密码就可以相互进行SSH访问，并且具有类似的规范：

• Ubuntu 18.04
• CUDA 10.0
• OpenMPI从源代码构建和安装
• PyTorch从源代码构建和安装

下面显示的代码适用于单个节点 - 多个进程，如下所示：

> mpirun -np 3 -H 192.168.100.101:3 python3 run.py

输出如下：

INIT 0 of 3 Init env://
INIT 1 of 3 Init env://
INIT 2 of 3 Init env://
RUN 0 of 3 with tensor([0., 0., 0.])
RUN 1 of 3 with tensor([0., 0., 0.])
RUN 2 of 3 with tensor([0., 0., 0.])
Rank  1  has data  tensor(1.)
Rank  0  has data  tensor(1.)
Rank  2  has data  tensor(1.)

但是，当我将代码放在三个节点上并分别在每个节点上运行以下命令时，它什么都不做：

> mpirun -np 3 -H 192.168.100.101:1,192.168.100.102:1,192.168.100.103:1 python3 run.py

请介绍一下MPI在多个节点上运行给定Pytorch代码时代码或配置的任何修改？

#!/usr/bin/env python
import os
import torch
import torch.distributed as dist
from torch.multiprocessing import Process

def run(rank, size):
    tensor = torch.zeros(size)
    print(f"RUN {rank} of {size} with {tensor}")

    # incrementing the old tensor
    tensor += 1

    # sending tensor to next rank
    if rank == size-1:
       dist.send(tensor=tensor, dst=0)
    else:
       dist.send(tensor=tensor, dst=rank+1)

    # receiving tensor from previous rank
    if rank == 0:
        dist.recv(tensor=tensor, src=size-1)
    else:
        dist.recv(tensor=tensor, src=rank-1)

    print('Rank ', rank, ' has data ', tensor[0])


def init_processes(rank, size, fn, backend, init):
    print(f"INIT {rank} of {size} Init {init}")
    dist.init_process_group(backend, init, rank=rank, world_size=size)
    fn(rank, size)


if __name__ == "__main__":
    os.environ['MASTER_ADDR'] = '192.168.100.101'
    os.environ['BACKEND'] = 'mpi'
    os.environ['INIT_METHOD'] = 'env://'
    world_size = int(os.environ['OMPI_COMM_WORLD_SIZE'])
    world_rank = int(os.environ['OMPI_COMM_WORLD_RANK'])

    init_processes(world_rank, world_size, run, os.environ['BACKEND'], os.environ['INIT_METHOD'])

注：由于基于arm64的硬件，NCCL不适合我。

Answer 1

很抱歉回复此问题，但我可以通过向mpirun command添加--mca btl_tcp_if_include eth1标志来解决问题。

停止的原因是openMPI默认尝试通过本地环回网络接口定位并与其他节点通信，例如，罗。我们必须明确指定应包含（或排除）哪些接口以定位其他其他节点。

我希望它可以拯救某人的一天:)