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 个节点和至多 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 将故障建模为成员资格变更。当一个节点发生故障时，这被视为“缩减”事件。当故障节点被调度程序替换时，这是一个“扩容”事件。因此，对于容错和弹性作业，--max-restarts 用于控制放弃前的总重启次数，无论重启是由故障还是扩展事件引起的。

HOST_NODE_ADDR，格式为 <host>[:<port>] (例如 node1.example.com:29400)，指定 C10d rendezvous 后端应在其上实例化和托管的节点和端口。它可以是您训练集群中的任何节点，但理想情况下，您应该选择具有高带宽的节点。

注意

如果未指定端口号，则 HOST_NODE_ADDR 默认为 29400。

注意

可以传递 --standalone 选项以启动具有 sidecar rendezvous 后端的单节点作业。当使用 --standalone 选项时，您不必传递 --rdzv-id、--rdzv-endpoint 和 --rdzv-backend。

注意

了解更多关于编写分布式训练脚本的信息，请点击此处。

如果 torchrun 不满足您的需求，您可以直接使用我们的 API 以获得更强大的自定义功能。首先查看 弹性代理 API。