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，请至少在MIN_SIZE个节点上，最多在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 将故障建模为成员资格更改。当节点发生故障时，这被视为“缩容”事件。当计划程序替换故障节点时，它是一个“扩容”事件。因此，对于容错和弹性作业，都使用--max-restarts来控制在放弃之前允许的最大重启次数，无论重启是由故障还是扩展事件导致。

HOST_NODE_ADDR，格式为 <host>[:<port>]（例如 node1.example.com:29400），指定应在其中实例化和托管 C10d 协调后端的节点和端口。它可以是训练集群中的任何节点，但理想情况下，您应该选择一个带宽较高的节点。

注意

如果未指定端口号，则HOST_NODE_ADDR默认为 29400。

注意

可以使用--standalone选项启动带有辅助协调后端的单节点作业。使用--standalone选项时，无需传递--rdzv-id、--rdzv-endpoint和--rdzv-backend。

注意

详细了解如何编写分布式训练脚本，请点击此处。

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。