训练脚本

如果您的训练脚本与 torch.distributed.launch 配合使用，则它将继续与 torchrun 配合使用，但存在以下差异

1. 无需手动传递 RANK、WORLD_SIZE、MASTER_ADDR 和 MASTER_PORT。

2. rdzv_backend 和 rdzv_endpoint 可以提供。对于大多数用户，这将设置为 c10d（请参阅 rendezvous）。默认的 rdzv_backend 创建一个非弹性 rendezvous，其中 rdzv_endpoint 保存主机的地址。

3. 确保您的脚本中包含 load_checkpoint(path) 和 save_checkpoint(path) 逻辑。当任意数量的工作进程失败时，我们将使用相同的程序参数重新启动所有工作进程，因此您将丢失到最近检查点为止的进度（请参阅 弹性启动）。

4. use_env 标志已删除。如果您通过解析 --local-rank 选项来解析本地排名，则需要从环境变量 LOCAL_RANK 中获取本地排名（例如 int(os.environ["LOCAL_RANK"])）。

以下是一个说明性示例，该示例是一个在每个 epoch 进行检查点的训练脚本，因此在发生故障时，最坏情况下丢失的进度是一个完整 epoch 的训练。

def main():
     args = parse_args(sys.argv[1:])
     state = load_checkpoint(args.checkpoint_path)
     initialize(state)

     # torch.distributed.run ensures that this will work
     # by exporting all the env vars needed to initialize the process group
     torch.distributed.init_process_group(backend=args.backend)

     for i in range(state.epoch, state.total_num_epochs)
          for batch in iter(state.dataset)
              train(batch, state.model)

          state.epoch += 1
          save_checkpoint(state)

有关符合 torchelastic 的训练脚本的具体示例，请访问我们的 示例 页面。