更新时间：2024-04-11 GMT+08:00
训练中途卡死
问题现象1
检测每个节点日志是否有报错信息，某个节点报错但作业未退出导致整个训练作业卡死。
解决方案1
查看报错原因，解决报错。
问题现象2
作业卡在sync-batch-norm中或者训练速度变慢。pytorch如果开了sync-batch-norm，多机会慢，因开了sync-batch-norm以后，每一个iter里面每个batch-norm层都要做同步，通信量很大，而且要所有节点同步。
解决方案2
关掉sync-batch-norm，或者升pytorch版本，升级pytorch到1.10。
问题现象3
作业卡在tensorboard中，如下图所示：
解决方案3
存储路径设为本地路径，如cache/tensorboard，不要使用OBS路径。
问题现象4
使用pytorch中的dataloader读数据时，作业卡在读数据过程中，日志停在训练的过程中并不再更新日志。
解决方案4
用dataloader读数据时，适当减小Numwork，如下图所示：
父主题： 训练作业卡死
