训练作业进程被kill

问题现象

用户进程被Kill表示用户进程因外部因素被Kill或者中断，表现为日志中断。

原因分析

• CPU软锁

  在解压大量文件可能会出现此情况并造成节点重启。可以适当在解压大量文件时，加入sleep。比如每解压1w个文件，就停止1s。

• 存储限制

  根据规格情况合理使用数据盘，数据盘大小请参考训练环境中不同规格资源大小。

• CPU过载

  减少线程数。

排查办法

根据错误信息判断，报错原因来源于用户代码。

您可以通过以下两种方式排查：

• 线上环境调试代码（仅适用于非分布式代码）
  1. 在开发环境（notebook）申请相同规格的开发环境实例。
  2. 在notebook调试用户代码，并找出问题的代码段。
  3. 通过关键代码段 + 退出码尝试去搜索引擎寻找解决办法。，
• 通过训练日志排查问题
  1. 通过日志判断出问题的代码范围。
  2. 修改代码，在问题代码段添加打印，输出更详细的日志信息。
  3. 再次运行作业，判断出问题的代码段。