我使用用 pytorch_lightning (pytorch) 编写的深度学习模型,并在 slurm 集群上训练它们。我这样提交作业:
sbatch --gpus=1 -t 100 python train.py
当要求
GPU
时间结束时,slurm 会杀死我的程序并显示这样的消息:
Epoch 0: : 339it [01:10, 4.84it/s, loss=-34] slurmstepd: error: *** JOB 375083 ON cn-007 CANCELLED AT 2021-10-04T22:20:54 DUE TO TIME LIMIT ***
如何配置 Trainer 在可用时间结束时保存模型?
我知道每个纪元后都会有自动保存,但我只有一个持续> 10小时的长纪元,所以这种情况不适合我。
您可以使用 Slurm 的信号机制在时间限制的特定秒数内将信号传递给您的应用程序(请参阅
man sbatch
)。在您的提交脚本中,使用 --signal=USR1@30
在达到时间限制前 30 秒发送 USR1
。您的提交脚本将包含以下行:
#SBATCH -t 100
#SBATCH --signal=USR1@30
srun python train.py
然后,在您的代码中,您可以像这样处理该信号:
import signal
def handler(signum, frame):
print('Signal handler got signal ', signum)
# e.g. exit(0), or call your pytorch save routines
# enable the handler
signal.signal(signal.SIGUSR1, handler)
# your code here
您需要通过
srun
调用您的 Python 应用程序,以便 Slurm 能够将信号传播到 Python 进程。 (您可能可以在命令行上使用 --signal
到 sbatch
,我更喜欢编写独立的提交脚本:))
编辑:此链接很好地总结了与信号传播和 Slurm 相关的问题。