执行分布式训练

概述

本节介绍如何基于迁移好的TensorFlow训练脚本，在裸机环境的多个Device上执行训练。

使用前须知：

1. 一个Device对应执行一个训练进程，当前不支持多进程在同一个Device上进行训练。
2. 如果使用1台训练服务器（Server），要求实际参与集合通信的昇腾AI处理器数目只能为1/2/4/8，且0-3卡和4-7卡各为一个组网，使用2张卡或4张卡训练时，不支持跨组网创建设备集群。
3. 如果使用Server集群，即由集群管理主节点+一组训练服务器（Server）组成训练服务器集群，要求参与集合通信的的昇腾AI处理器数目为8*n（其中n为参与训练的Server个数，最大支持512）。且n为2的指数倍情况下集群性能最好，建议用户优先采用此种方式进行集群组网。

前提条件

• 已准备好包含多个可用的昇腾AI处理器的裸机环境。环境搭建请参见《CANN 软件安装指南》。
• 已准备好迁移好的TensorFlow训练脚本和对应数据集。
• 已准备好昇腾AI处理器资源信息配置文件，请参考准备资源配置文件。

在多Device上执行训练

在多个Device上进行分布式训练时，需要依次拉起所有训练进程，下面以单机两个Device的训练场景举例介绍如何拉起各训练进程。

用户可以在不同的shell窗口依次拉起不同的训练进程：

1. 拉起训练进程0：
   安装CANN软件后，使用CANN运行用户编译、运行时，需要以CANN运行用户登录环境，执行. ${install_path}/set_env.sh命令设置环境变量。并进行如下配置：

   export PYTHONPATH=/home/test:$PYTHONPATH
   export JOB_ID=10086
   export ASCEND_DEVICE_ID=0
   export RANK_ID=0
   export RANK_SIZE=2
   export RANK_TABLE_FILE=/home/test/rank_table_2p.json
   python3.7 /home/xxx.py

2. 拉起训练进程1：
   安装CANN软件后，使用CANN运行用户编译、运行时，需要以CANN运行用户登录环境，执行. ${install_path}/set_env.sh命令设置环境变量。并进行如下配置：

   export PYTHONPATH=/home/test:$PYTHONPATH
   export JOB_ID=10086
   export ASCEND_DEVICE_ID=1
   export RANK_ID=1
   export RANK_SIZE=2
   export RANK_TABLE_FILE=/home/test/rank_table_2p.json
   python3.7 /home/xxx.py

   

   • 除了以上方式，您还可以通过自定义启动脚本通过循环方式依次拉起多个训练进程，具体样例请参考链接。
   • 若训练所在系统环境需要升级gcc（例如CentOS、Debian和BClinux系统），则此处动态库查找路径需要添加“${install_path}/lib64”，其中“{install_path}”为gcc升级安装路径。请参见5。

检查执行结果

1. 检查运行结果。

   每个step打印N条数据，说明脚本正常执行。

   图1 每个step打印8条数据
   

   当开启环境变量DUMP_GE_GRAPH时，会生成GE的dump图文件。

   export DUMP_GE_GRAPH=2

   在dump下来的图文件目录下，搜索到包含HcomBroadcast和HcomAllReduce算子：

   图2 GE的dump图
   

2. 如果运行失败，和单Device训练一样，通过日志分析并定位问题。

   在$HOME/ascend/log/plog下查看Host侧日志plog_*.log，$HOME为Host侧用户根目录。

   在单Device执行成功，多单Device执行失败的情况下，一般为集合通信的问题，如图3所示。可以参考集合通信常见案例进行问题处理。

   图3 集合通信问题
   

问题定位

如果运行失败，通过日志分析并定位问题。

Host侧日志路径：$HOME/ascend/log/plog/plog_*.log，$HOME为Host侧用户根目录。

Device侧日志路径：$HOME/ascend/log/device-id/device-id_*.log。

[Level] ModuleName(PID,PName):DateTimeMS LogContent

了解更多介绍，请参考《日志参考》。

一般通过ERROR级别的日志，识别问题产生模块，具体日志内容判定问题产生原因。

图4 错误日志样例