快速入门

要启动一个**容错**作业，请在所有节点上运行以下命令。

torchrun
   --nnodes=NUM_NODES
   --nproc-per-node=TRAINERS_PER_NODE
   --max-restarts=NUM_ALLOWED_FAILURES
   --rdzv-id=JOB_ID
   --rdzv-backend=c10d
   --rdzv-endpoint=HOST_NODE_ADDR
   YOUR_TRAINING_SCRIPT.py (--arg1 ... train script args...)

要启动一个**弹性**作业，请在至少 MIN_SIZE 个节点和最多 MAX_SIZE 个节点上运行以下命令。

torchrun
    --nnodes=MIN_SIZE:MAX_SIZE
    --nproc-per-node=TRAINERS_PER_NODE
    --max-restarts=NUM_ALLOWED_FAILURES_OR_MEMBERSHIP_CHANGES
    --rdzv-id=JOB_ID
    --rdzv-backend=c10d
    --rdzv-endpoint=HOST_NODE_ADDR
    YOUR_TRAINING_SCRIPT.py (--arg1 ... train script args...)

注意

TorchElastic 会在成员发生变化时将模型故障视为成员变化。当节点发生故障时，这被视为“缩容”事件。当调度器替换故障节点时，它是一个“扩容”事件。因此，对于容错和弹性作业，--max-restarts 用于控制在放弃之前允许的总重启次数，无论重启是由故障还是缩放事件引起的。

HOST_NODE_ADDR，格式为 <主机>[:<端口>]（例如 node1.example.com:29400），指定节点和 C10d 会合后端应实例化和托管的端口。它可以是训练集群中的任何节点，但理想情况下，您应该选择带宽较高的节点。

注意

如果没有指定端口号，则 HOST_NODE_ADDR 默认值为 29400。

注意

可以使用 --standalone 选项启动具有 sidecar 会合后端的单节点作业。使用 --standalone 选项时，无需传递 --rdzv-id、--rdzv-endpoint 和 --rdzv-backend。

注意

了解有关编写分布式训练脚本的更多信息，点击此处。

如果 torchrun 无法满足您的需求，您可以直接使用我们的 API 进行更强大的自定义。首先查看 弹性代理 API。