计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive

使用Cloud Shell调试生产训练作业

更新时间:2024-12-25 GMT+08:00

ModelArts Standard提供了Cloud Shell,可以登录运行中的容器,用于调试生产环境的训练作业。

约束限制

仅专属资源池支持使用Cloud Shell登录训练容器,且训练作业必须处于“运行中”状态。

前提条件:给子账号配置允许使用Cloud Shell的权限

  1. 使用主用户账号登录华为云的管理控制台,单击右上角用户名,在下拉框中选择“统一身份认证”,进入统一身份认证(IAM)服务。
  2. 在统一身份认证服务页面的左侧导航选择权限管理 > 权限,单击右上角的“创建自定义策略”按如下要求设置完成后单击“确定”
    • “策略名称”:设置自定义策略名称,例如:允许通过Cloud Shell访问运行中的训练作业。
    • “策略配置方式”:选择可视化视图。
    • “策略内容”:允许,云服务中搜索ModelArts服务并选中,操作列中搜索关键词modelarts:trainJob:exec并选中,所有资源选择默认值。
  3. 在统一身份认证服务页面的左侧导航选择“用户组”,在用户组页面查找待授权的用户组名称,在右侧的操作列单击“授权”,勾选步骤2创建的自定义策略,单击“下一步”,选择授权范围方案,单击“确定”

    此时,该用户组下的所有用户均有权限通过Cloud Shell登录运行中的训练作业容器。

    如果没有用户组,也可以创建一个新的用户组,并通过“用户组管理”功能添加用户,并配置授权。如果指定的子用户没有在用户组中,也可以通过“用户组管理”功能增加用户。

使用Cloud Shell

  1. 参考前提条件:给子账号配置允许使用Cloud Shell的权限,完成配置。
  2. 在ModelArts管理控制台的左侧导航栏中选择“模型训练 > 训练作业”
  3. 在训练作业列表中,单击作业名称进入训练作业详情页面。
  4. 在训练作业详情页面,单击“Cloud Shell”页签,登录训练容器。

    连接成功后,Cloud Shell界面提示如下。

    图1 Cloud Shell界面

    当作业处于非运行状态或权限不足时会导致无法使用Cloud Shell,请根据提示定位原因即可。

    图2 报错提示
    说明:
    部分用户登录Cloud Shell界面时,可能会出现路径显示异常情况,此时在Cloud Shell中单击回车键即可恢复正常。
    图3 路径异常

如何使训练作业保持运行中状态

由于需要训练作业处于“运行中”状态才能登录Cloud Shell,因此本文介绍如何使训练作业保持运行中状态,方便您快速通过Cloud Shell登录运行中的训练容器。

通过Sleep命令使训练作业保持运行

  • 如果训练作业使用的是预置框架:

    在创建训练作业时,“创建方式”选择“自定义算法”“启动方式”选择“预置框架”,代码目录中新增sleep.py并将此脚本作为“启动文件”。这样启动的作业将会持续运行60分钟。您可通过Cloud Shell进入容器进行调试。

    sleep.py示例:

    import os
    os.system('sleep 60m')
    图4 预置框架启动方式
  • 如果训练作业使用的是自定义镜像

    在创建训练作业时,“创建方式”选择“自定义算法”“启动方式”选择“自定义”“启动命令”输入“sleep 60m”。这样启动的作业将会持续运行60分钟。您可通过Cloud Shell进入容器进行调试。

    图5 自定义启动方式

出错的任务如何卡在运行中状态

创建训练作业时,启动命令末尾新增"|| sleep 5h",并启动训练作业,例如下方的cmd为您的启动命令:
cmd || sleep 5h

如果训练失败,则会执行sleep命令,此时可通过Cloud Shell登录容器镜像中调试。

说明:

在Cloud Shell中调试多节点训练作业时,需要在Cloud Shell中切换work0、work1来实现对不同节点下发启动命令,否则任务会处于等待其他节点的状态。

如何防止Cloud Shell的Session断开

如果需要长时间运行某一个任务,为避免在期间连接断开导致任务失败,可通过使用screen命令使得任务在远程终端窗口运行。

  1. 如果镜像中未安装screen,则执行“apt-get install screen”安装。
  2. 创建screen终端。
    # 使用 -S 创建一个叫name的screen终端 
    screen -S name
  3. 显示已创建的screen终端。
    screen -ls  
    There are screens on: 
    2433.pts-3.linux    (2013年10月20日 16时48分59秒)    (Detached) 
    2428.pts-3.linux    (2013年10月20日 16时48分05秒)    (Detached) 
    2284.pts-3.linux    (2013年10月20日 16时14分55秒)    (Detached) 
    2276.pts-3.linux    (2013年10月20日 16时13分18秒)    (Detached) 
    4 Sockets in /var/run/screen/S-root.  
  4. 连接“screen_id”“2276”的screen终端。
    screen -r 2276
  5. 按下“Ctrl”+“a”+“d”键离开screen终端。离开后,screen会话仍将是活跃的,之后可以随时重新连接。

更多Screen使用说明可参考Screen User's Manual

通过py-spy工具分析卡死进程的调用栈并结合代码分析定位卡死问题

本文指导用户通过py-spy工具分析卡死进程的调用栈并结合代码分析定位卡死问题。

  1. 在ModelArts Standard控制台,选择“模型训练>训练作业”。
  2. 在训练作业详情页面,选择Cloud Shell页签,登录训练容器(训练作业需处于运行中)。
  3. 安装py-spy工具。

    # 通过utils.sh脚本自动配置python环境
    source /home/ma-user/modelarts/run/utils.sh
    
    # 安装py-spy
    pip install py-spy
    
    # 如果超时提示connection broken by 'ProxyError('Cannot connect to proxy.')则表示用户设置了proxy,需要先关掉
    export no_proxy=$no_proxy,repo.myhuaweicloud.com(此处需要替换成对应局点的pip源地址)
    pip install py-spy

  4. 查看堆栈。py-spy工具的具体使用方法可参考py-spy官方文档

    # 找到训练进程的PID
    ps -ef
    
    # 查看进程12345的进程堆栈
    # 如果是8卡的训练作业,一般用此命令依次去查看主进程起的对应的8个进程的堆栈情况
    py-spy dump --pid 12345

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容