恢复时间优化（PyTorch）

本章节介绍在PyTorch框架上使用断点续训特性时，用户可以选择使用的缩短断点续训时间的相关功能，包括故障检测时间优化、重调度时间优化、集合通信初始化时间优化、训练回滚及加载checkpoint时间优化和算子编译时间优化。

故障检测时间优化

由于集群中出现的参数面网络故障不一定会影响训练任务，因此集群调度组件不会强制中断任务；当参数面网络故障影响训练任务时，会触发集合通信的网络超时等待机制，在等待时间（通常默认为30分钟）后，集群调度组件才能感知到该故障，从而触发断点续训。针对该问题，PyTorch Adapter插件（torch_npu）提供watchdog故障检测功能，可用于检测训练任务是否受到影响，缩短故障检测时间，该功能的详细说明请参考表1。

表1 watchdog故障检测功能说明

功能名称

watchdog故障检测。

功能特点

训练启动时，同时启动一个监测线程不断获取通信异常以及task执行异常。监测到故障发生后，快速抛出异常并终止训练任务进程，触发重调度。

使用说明

仅支持PyTorch 2.1.0及以上版本；PyTorch Adapter插件（torch_npu）版本必须高于6.0.RC1。

关键操作

PyTorch 2.1.0及以上版本默认开启watchdog故障检测，无需手动配置环境变量。

（可选）如需关闭watchdog故障检测，需在训练的shell启动脚本（例如train_start.sh）中，修改以下环境变量。

...
# env for breakpoint ckpt
export RESUME_MODE_ENABLE=1

export HCCL_ASYNC_ERROR_HANDLING=0            # 取值为1，表示为开启watchdog功能；取值为0，表示关闭watchdog。

重调度时间优化

断点续训故障处理的重调度模式默认使用Job级别重调度，需要在每次故障时销毁所有Pod，重新创建和调度全部Pod。销毁、创建和调度Pod的过程将浪费大量时间。针对该问题，集群调度组件提供Pod级别重调度功能，该功能的介绍请参考表2。

表2 Pod级别重调度功能说明

功能名称

Pod级别重调度。

功能特点

每次故障只停止故障相关的Pod，重新创建并重调度故障相关的Pod后，重启训练任务。

使用说明

仅支持6.0.RC2及以上版本的集群调度组件。

关键操作
  1. 使用Dockerfile构建容器镜像，新增启动命令。
    ...
# MindCluster无损失断点续训适配脚本
RUN pip install $MINDX_ELASTIC_PKG
RUN pip install $MINDIO_TTP_PKG

# 可选，使用优雅容错、Pod级别重调度或进程级别重调度时必须配置以下命令
RUN sed -i '/import logging/i import mindx_elastic.api' $(pip3 show torch | grep Location | awk -F ' ' '{print $2}')/torch/distributed/run.py

...
    说明：

    自6.0.0.SPC1版本起，删除Elastic Agent path相关说明；使用优雅容错、Pod级别重调度或进程级别重调度时新增配置命令。

  2. 在任务yaml中，新增以下字段，开启Pod级别重调度。
    ...
  labels:
    ...
    pod-rescheduling: "on"
...
  3. （可选）用户可以在启动训练的shell脚本（例如train_start.sh）中，新增max_restarts和monitor_interval参数，示例如下。
    ...
  logger "server id is: ""${server_id}"
  if [ "${framework}" == "PyTorch" ]; then
    get_env_for_pytorch_multi_node_job
    DISTRIBUTED_ARGS="--nproc_per_node $GPUS_PER_NODE --nnodes $NNODES --node_rank $NODE_RANK --master_addr $MASTER_ADDR --master_port $MASTER_PORT --max_restarts 5 --monitor_interval 10 "
...

    参数说明：

    • max_restarts：配置容器内最大允许触发的故障次数，取值为整数。超出次数后PyTorch训练进程会直接退出训练，不配置该参数时默认为32767次。
    • monitor_interval：配置监测训练进程状态的时间间隔，单位为秒，取值为整数。不配置该参数时默认为5秒。

集合通信初始化时间优化

训练回滚及加载checkpoint时间优化

算子编译时间优化

断点续训过程中拉起训练需要重新执行算子时，算子编译需要消耗大量时间。针对该问题，可选择算子二进制或算子编译缓存降低编译时间，详细说明请参考下表。

算子二进制和算子编译缓存二者不兼容，请选择其中之一进行使用。

表9 算子二进制功能说明

功能名称

使用算子二进制。

功能特点

算子编译时提前加载预置的算子二进制，直接免编译执行算子。

使用说明

仅支持CANN 8.0.RC2及以上版本。

关键操作

在Python启动脚本中，添加算子二进制配置命令，开启算子二进制。

torch.npu.set_compile_mode(jit_compile=False)
表10 算子编译缓存功能说明

功能名称

算子编译缓存。

功能特点

算子编译时加载存储上保存的算子编译缓存文件，加载后可降低编译时间。

使用说明

仅支持CANN 8.0.RC2及以上版本。

关键操作
  1. 在Python启动脚本中，添加算子二进制编译缓存配置命令，开启算子二进制编编译缓存。
    torch.npu.set_compile_mode(jit_compile=True)
  2. 在训练的shell启动脚本中（例如train_start.sh），添加如下环境变量。
    export ASCEND_CACHE_PATH=xxx   # 添加共享存储路径
export ASCEND_MAX_OP_CACHE_SIZE=-1    # 使用共享存储时建议开启，可解决多节点读取共享存储缓存资源争抢严重问题
父主题： 性能优化