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:
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。
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:)