训练脚本

如果您的训练脚本与 torch.distributed.launch 配合使用，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. 可以提供 rdzv_backend 和 rdzv_endpoint。对于大多数用户，这将设置为 c10d（参见 会合）。默认的 rdzv_backend 创建一个非弹性会合，其中 rdzv_endpoint 保存主地址。

3. 确保您的脚本中具有 load_checkpoint(path) 和 save_checkpoint(path) 逻辑。当任何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，因此您将丢失进度，最多到最近的检查点（参见 弹性启动）。

4. use_env 标志已移除。如果您过去通过解析 --local-rank 选项来解析本地 rank，则需要从环境变量 LOCAL_RANK 获取本地 rank（例如 int(os.environ["LOCAL_RANK"])）。

下面是一个示例性训练脚本，它在每个 epoch 上进行检查点，因此在失败时丢失的最坏情况进度是一个完整 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 规范的训练脚本的具体示例，请访问我们的示例页面。