文档首页/ AI开发平台ModelArts/ ModelArts用户指南（Lite Cluster）/ Lite Cluster资源使用/ 在Lite Cluster资源池上使用ranktable路由规划完成Pytorch NPU分布式训练

更新时间：2024-11-19 GMT+08:00

查看PDF

在Lite Cluster资源池上使用ranktable路由规划完成Pytorch NPU分布式训练

场景描述

ranktable路由规划是一种用于分布式并行训练中的通信优化能力，在使用NPU的场景下，支持对节点之间的通信路径根据交换机实际topo做网络路由亲和规划，进而提升节点之间的通信速度。

本案例介绍如何在ModelArts Lite场景下使用ranktable路由规划完成Pytorch NPU分布式训练任务，训练任务默认使用Volcano job形式下发到Lite资源池集群。

图1 任务示意图

约束与限制

该功能只支持贵阳一区域，如果要在其他区域使用请联系技术支持。
ModelArts Lite资源池对应的CCE集群需要安装1.10.12及以上版本的华为云版Volcano插件。Volcano调度器的安装升级请参见Volcano调度器。仅华为云版Volcano插件支持开启路由加速特性。
训练使用的Python版本是3.7或3.9，否则无法实现ranktable路由加速。
训练作业的任务节点数要大于或等于3，否则会跳过ranktable路由加速。建议在大模型场景（512卡及以上）使用ranktable路由加速。
脚本执行目录不能是共享目录，否则ranktable路由加速会失败。
路由加速的原理是改变rank编号，所以代码中对rank的使用要统一，如果rank的使用不一致会导致训练异常。

操作步骤

开启ModelArts Lite资源池对应的CCE集群的cabinet插件。
1. 在ModelArts Lite专属资源池列表，单击资源池名称，进入专属资源池详情页面。
2. 在基本信息页面单击CCE集群，跳转到CCE集群详情页面。
3. 在左侧导航栏选择“插件市场”，搜索“Volcano调度器”。
4. 单击“编辑”，查看高级配置的“plugins”参数下是否有“{"name":"cabinet"}”，如图2所示。
  图2 Volcano调度器的高级配置
  - 是，则执行2。
  - 否，则在高级配置的“plugins”参数下添加“{"name":"cabinet"}”，单击下方的“安装”使Volcano调度器更新配置，完成滚动重启。

修改torch_npu训练启动脚本。

脚本要使用torch.distributed.launch/run命令启动，不能使用mp.spawn命令启动，否则无法实现ranktable路由加速。

在使用Pytorch训练时，需要将“RANK_AFTER_ACC”环境变量赋值给“NODE_RANK”，使得ranktable路由规划生效。训练启动脚本（xxxx_train.sh）示例如下。其中“MASTER_ADDR”和“NODE_RANK”必须保持该赋值。

#!/bin/bash

# MASTER_ADDR
MASTER_ADDR="${MA_VJ_NAME}-${MA_TASK_NAME}-${MA_MASTER_INDEX}.${MA_VJ_NAME}"
NODE_RANK="$RANK_AFTER_ACC"
NNODES="$MA_NUM_HOSTS"
NGPUS_PER_NODE="$MA_NUM_GPUS"
# self-define, it can be changed to >=10000 port
MASTER_PORT="39888"

# replace ${MA_JOB_DIR}/code/torch_ddp.py to the actutal training script
PYTHON_SCRIPT=${MA_JOB_DIR}/code/torch_ddp.py
PYTHON_ARGS=""

# set hccl timeout time in seconds
export HCCL_CONNECT_TIMEOUT=1800

# replace ${ANACONDA_DIR}/envs/${ENV_NAME}/bin/python to the actual python
CMD="${ANACONDA_DIR}/envs/${ENV_NAME}/bin/python -m torch.distributed.launch \
    --nnodes=$NNODES \
    --node_rank=$NODE_RANK \
    --nproc_per_node=$NGPUS_PER_NODE \
    --master_addr $MASTER_ADDR \
    --master_port=$MASTER_PORT \
    $PYTHON_SCRIPT \
    $PYTHON_ARGS
"
echo $CMD
$CMD

在主机上新建“config.yaml”文件。

“config.yaml”文件用于配置pod，代码示例如下。代码中的“xxxx_train.sh”即为2修改的训练启动脚本。

apiVersion: batch.volcano.sh/v1alpha1
kind: Job
metadata:
  name: yourvcjobname                  # job名字，根据实际场景修改
  namespace: default            # 命名空间，根据实际场景修改
  labels:
    ring-controller.cce: ascend-1980   # 保持不动
    fault-scheduling: "force"
spec:
  minAvailable: 6                       # 节点数，根据实际场景修改，对应分布式训练使用的节点数
  schedulerName: volcano                # 保持不动
  policies:
    - event: PodEvicted
      action: RestartJob
  plugins:
    configmap1980:
      - --rank-table-version=v2           # 保持不动，生成v2版本ranktablefile
    env: []
    svc:
      - --publish-not-ready-addresses=true   # 保持不动，pod间互相通信使用及生成一些必要环境变量
  maxRetry: 1
  queue: default
  tasks:
    - name: "worker"  # 保持不动
      replicas: 6                              # 任务数，对于pytorch而言就是节点数，与minAvailable一致即可
      template:
        metadata:
          annotations:
            cabinet: "cabinet"  # 保持不动，开启tor-topo下发的开关
          labels:
            app: pytorch-npu   # 标签，根据实际场景修改
            ring-controller.cce: ascend-1980  # 保持不动
        spec:
          affinity:
            podAntiAffinity:
              requiredDuringSchedulingIgnoredDuringExecution:
                - labelSelector:
                    matchExpressions:
                      - key: volcano.sh/job-name
                        operator: In
                        values:
                          - yourvcjobname   # job名字，根据实际场景修改
                  topologyKey: kubernetes.io/hostname
          containers:
            - image:  swr.xxxxxx.com/xxxx/custom_pytorch_npu:v1             # 镜像地址，根据实际场景修改
              imagePullPolicy: IfNotPresent
              name: pytorch-npu          # 容器名称，根据实际场景修改
              env:
                - name: OPEN_SCRIPT_ADDRESS     # 开放脚本地址，其中region-id根据实际region修改，例如cn-southwest-2
                  value: "https://mtest-bucket.obs.{region-id}.myhuaweicloud.com/acc/rank"
                - name: NAME
                  valueFrom:
                    fieldRef:
                      fieldPath: metadata.name
                - name: MA_CURRENT_HOST_IP                         # 保持不动，表示运行时当前pod所在节点的ip
                  valueFrom:
                    fieldRef:
                      fieldPath: status.hostIP
                - name: MA_NUM_GPUS     # 每个pod使用的NPU卡数，根据实际场景修改
                  value: "8"
                - name: MA_NUM_HOSTS   # 参与分布式训练的节点数，与minAvailable一致即可
                  value: "6"
                - name: MA_VJ_NAME # volcano job名称
                  valueFrom:
                    fieldRef:
                      fieldPath: metadata.annotations['volcano.sh/job-name']
                - name: MA_TASK_NAME #任务pod名称
                  valueFrom:
                    fieldRef:
                      fieldPath: metadata.annotations['volcano.sh/task-spec']
              command:
                - /bin/bash
                - -c
                - "wget ${OPEN_SCRIPT_ADDRESS}/bootstrap.sh -q && bash bootstrap.sh; export RANK_AFTER_ACC=${VC_TASK_INDEX}; rank_acc=$(cat /tmp/RANK_AFTER_ACC 2>/dev/null); [ -n \"${rank_acc}\" ] && export RANK_AFTER_ACC=${rank_acc};export MA_MASTER_INDEX=$(cat /tmp/MASTER_INDEX 2>/dev/null || echo 0); bash xxxx_train.sh" #  xxxx_train.sh换成实际训练脚本路径
              resources:
                requests:
                  huawei.com/ascend-1980: "8"                 # 每个节点的需求卡数，key保持不变。与MA_NUM_GPUS一致
                limits:
                  huawei.com/ascend-1980: "8"                 # 每个节点的限制卡数，key保持不变。与MA_NUM_GPUS一致
              volumeMounts:
                - name: ascend-driver               #驱动挂载，保持不动
                  mountPath: /usr/local/Ascend/driver
                - name: ascend-add-ons           #驱动挂载，保持不动
                  mountPath: /usr/local/Ascend/add-ons
                - name: localtime
                  mountPath: /etc/localtime
                - name: hccn                             # 驱动hccn配置，保持不动
                  mountPath: /etc/hccn.conf
                - name: npu-smi
                  mountPath: /usr/local/sbin/npu-smi
          nodeSelector:
            accelerator/huawei-npu: ascend-1980
          volumes:
            - name: ascend-driver
              hostPath:
                path: /usr/local/Ascend/driver
            - name: ascend-add-ons
              hostPath:
                path: /usr/local/Ascend/add-ons
            - name: localtime
              hostPath:
                path: /etc/localtime
            - name: hccn
              hostPath:
                path: /etc/hccn.conf
            - name: npu-smi
              hostPath:
                path: /usr/local/sbin/npu-smi
          restartPolicy: OnFailure

执行如下命令，根据“config.yaml”创建并启动pod。容器启动后会自动执行训练作业。
```
kubectl apply -f config.yaml
```
执行如下命令，检查pod启动情况。如果显示“1/1 running”状态代表启动成功。
```
kubectl get pod
```
图3 启动成功的回显
执行如下命令，查看日志。日志显示如图所示表示成功执行动态路由。
```
kubectl logs {pod-name}
```
其中{pod-name}替换为实际pod名称，可以在5的回显信息中获取。

图4 成功执行动态路由的回显
- 只有任务节点大于等于3的训练任务才能成功执行动态路由。
- 如果执行失败可以参考故障排除：ranktable路由优化执行失败处理。

故障排除：ranktable路由优化执行失败

故障现象

容器日志有error信息。

可能原因

集群节点没有下发topo文件和ranktable文件。

操作步骤

在ModelArts Lite专属资源池列表，单击资源池名称，进入专属资源池详情页面。
在基本信息页面单击CCE集群，跳转到CCE集群详情页面。
在CCE集群详情页，选择左侧导航栏的“节点管理”，选择“节点”页签。
在节点列表，单击操作列的“更多 > 查看YAML”查看节点配置信息。
查看节点的yaml文件里“cce.kubectl.kubernetes.io/ascend-rank-table”字段是否有值。
如图所示，表示有值，节点已开启topo文件和ranktable文件的下发。否则，联系技术支持处理。

图5 查看节点的yaml文件

父主题： Lite Cluster资源使用

上一篇：在Lite Cluster资源池上使用Snt9B完成分布式训练任务

下一篇：在Lite Cluster资源池上使用Snt9B完成推理任务

意见反馈

文档内容是否对您有帮助？

有帮助没帮助

提供反馈

提交成功！非常感谢您的反馈，我们会继续努力做到更好！您可在我的云声建议查看反馈及问题处理状态。

系统繁忙，请稍后重试

在使用文档中是否遇到以下问题

内容与产品页面不一致

内容不易理解

缺失示例代码

步骤不可操作

搜不到想要的内容

缺少最佳实践

意见反馈（选填）

0/500

请至少选择一项反馈信息并填写问题反馈

字符长度不能超过500

直接提交取消

如您有其它疑问，您也可以通过华为云社区问答频道来与我们联系探讨

智能客服提问云社区提问

在Lite Cluster资源池上使用ranktable路由规划完成Pytorch NPU分布式训练

场景描述

约束与限制

操作步骤

故障排除：ranktable路由优化执行失败

相关文档

意见反馈

文档内容是否对您有帮助？

7*24

备案

专业服务

退订

建议反馈

售前咨询热线