快速入门

要在所有节点上启动一个容错作业，请运行以下命令。

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 个节点上以及最多 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 将故障视为成员身份变化。当一个节点失败时，这被视为一个“缩减”事件。当失败的节点被调度器替换时，这是一个“扩容”事件。因此，对于容错作业和弹性作业，都使用 --max-restarts 来控制放弃之前重新启动的总次数，无论重新启动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），指定了应实例化和托管 C10d rendezvous 后端的节点和端口。它可以是训练集群中的任何节点，但理想情况下应选择带宽较高的节点。

注意

如果未指定端口号，HOST_NODE_ADDR 默认为 29400。

注意

可以传递 --standalone 选项来启动带有 sidecar rendezvous 后端的单节点作业。使用 --standalone 选项时，您不必传递 --rdzv-id、--rdzv-endpoint 和 --rdzv-backend。

注意

在此处了解更多关于编写分布式训练脚本的信息。here。

如果 torchrun 不满足您的需求，您可以直接使用我们的 API 进行更强大的定制。首先请查看 elastic agent API。elastic agent API。