bash - Slurm:提交到多个节点时出错 ("slurmstepd: error: execve(): python: No such file or directory")

Question

我有一个 bash 脚本 submit.sh 用于将训练作业提交到 Slurm 服务器。它的工作原理如下。做

bash submit.sh p1 8 config_file

将config_file对应的一些任务提交给分区p1的8个GPU。 p1 的每个节点都有 4 个 GPU，因此此命令请求 2 个节点。

submit.sh的内容可以概括如下，其中我使用sbatch提交一个Slurm脚本(train.slurm ):

#!/bin/bash
# submit.sh

PARTITION=$1
NGPUs=$2
CONFIG=$3

NGPUS_PER_NODE=4
NCPUS_PER_TASK=10

sbatch --partition ${PARTITION} \
    --job-name=${CONFIG} \
    --output=logs/${CONFIG}_%j.log \
    --ntasks=${NGPUs} \
    --ntasks-per-node=${NGPUS_PER_NODE} \
    --cpus-per-task=${NCPUS_PER_TASK} \
    --gres=gpu:${NGPUS_PER_NODE} \
    --hint=nomultithread \
    --time=10:00:00
    --export=CONFIG=${CONFIG},NGPUs=${NGPUs},NGPUS_PER_NODE=${NGPUS_PER_NODE} \
    train.slurm

现在在 Slurm 脚本 train.slurm 中，我决定是在一个节点还是多个节点上启动训练 Python 脚本(这两种情况下启动它的方式不同):

#!/bin/bash
# train.slurm
#SBATCH --distribution=block:block

# Load Python environment
module purge
module load pytorch/py3/1.6.0
 
set -x

if [ ${NGPUs} -gt ${NGPUS_PER_NODE} ]; then # Multi-node training
    # Some variables needed for the training script
    export MASTER_PORT=12340
    export WORLD_SIZE=${NGPUs}
    # etc.

    srun python train.py --cfg ${CONFIG}
else # Single-node training
    python -u -m torch.distributed.launch --nproc_per_node=${NGPUS_PER_NODE} --use_env train.py --cfg ${CONFIG}
fi

现在，如果我在单个节点上提交(例如，bash submit.sh p1 4 config_file)，它会按预期工作。但是，在多个节点上提交(例如，bash submit.sh p1 8 config_file)会产生以下错误:

slurmstepd: error: execve(): python: No such file or directory

这意味着在其中一个节点上无法识别 Python 环境。我尝试用 $(which python) 替换 python 以在虚拟环境中获取 Python 二进制文件的完整路径，但随后我得到了另一个错误:

OSError: libmpi_cxx.so.40: cannot open shared object file: No such file or directory

如果我不使用 submit.sh，而是将所有 #SBATCH 变量添加到 train.slurm，然后提交直接从命令行使用 sbatch 作业，然后它就可以工作了。因此，似乎是 将 sbatch 包装在 bash 脚本中导致了这个问题。

你能帮我解决这个问题吗？

非常感谢您。

Answer 1

请注意，--export 参数将导致 srun 的环境被重置为所有 SLURM_* 变量加上明确设置，因此在您的情况下 CONFIG、NGPUs、NGPUS_PER_NODE。因此，PATH 变量将不会被设置，srun 将找不到 python 可执行文件。

请注意，--export 不会改变提交脚本的环境，因此不使用 srun 的单节点情况确实运行良好.

尝试提交

--export=ALL,CONFIG=${CONFIG},NGPUs=${NGPUs},NGPUS_PER_NODE=${NGPUS_PER_NODE} \

注意添加的 ALL 作为列表中的第一项。

另一种选择是完全删除 --export 行并在 submit.sh 脚本中显式导出变量，因为 Slurm 默认传播提交环境工作。

export PARTITION=$1
export NGPUs=$2
export CONFIG=$3

export NGPUS_PER_NODE=4
export NCPUS_PER_TASK=10