- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我使用pytorch分布式训练我的模型。我有两个节点和每个节点两个gpu,我为一个节点运行代码:
python train_net.py --config-file configs/InstanceSegmentation/pointrend_rcnn_R_50_FPN_1x_coco.yaml --num-gpu 2 --num-machines 2 --machine-rank 0 --dist-url tcp://192.168.**.***:8000
和另一个:
python train_net.py --config-file configs/InstanceSegmentation/pointrend_rcnn_R_50_FPN_1x_coco.yaml --num-gpu 2 --num-machines 2 --machine-rank 1 --dist-url tcp://192.168.**.***:8000
但是另一个有 RuntimeError 问题
global_rank 3 machine_rank 1 num_gpus_per_machine 2 local_rank 1
global_rank 2 machine_rank 1 num_gpus_per_machine 2 local_rank 0
Traceback (most recent call last):
File "train_net.py", line 109, in <module>
args=(args,),
File "/root/detectron2_repo/detectron2/engine/launch.py", line 49, in launch
daemon=False,
File "/root/anaconda3/envs/PointRend/lib/python3.6/site-packages/torch/multiprocessing/spawn.py", line 171, in spawn
while not spawn_context.join():
File "/root/anaconda3/envs/PointRend/lib/python3.6/site-packages/torch/multiprocessing/spawn.py", line 118, in join
raise Exception(msg)
Exception:
-- Process 0 terminated with the following error:
Traceback (most recent call last):
File "/root/anaconda3/envs/PointRend/lib/python3.6/site-packages/torch/multiprocessing/spawn.py", line 19, in _wrap
fn(i, *args)
File "/root/detectron2_repo/detectron2/engine/launch.py", line 72, in _distributed_worker
comm.synchronize()
File "/root/detectron2_repo/detectron2/utils/comm.py", line 79, in synchronize
dist.barrier()
File "/root/anaconda3/envs/PointRend/lib/python3.6/site-packages/torch/distributed/distributed_c10d.py", line 1489, in barrier
work = _default_pg.barrier()
RuntimeError: NCCL error in: /pytorch/torch/lib/c10d/ProcessGroupNCCL.cpp:410, unhandled system error, NCCL version 2.4.8
如果我把mask-rank=1改成mask-rank=0,那么就不会报错,但是不能分布式训练,有谁知道为什么会出现这个错误?
最佳答案
import os
os.environ["NCCL_DEBUG"] = "INFO"
到您的脚本将记录导致错误的更具体的调试信息,为您提供更有用的错误消息给谷歌。
关于python - Pytorch "NCCL error": unhandled system error, NCCL 版本 2.4.8",我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/61075390/
我使用pytorch分布式训练我的模型。我有两个节点和每个节点两个gpu,我为一个节点运行代码: python train_net.py --config-file configs/Instance
我是否编写了自定义代码(而不是使用 TensorFlow 中提供的股票示例脚本) : 没有 操作系统平台和发行版(例如,Linux Ubuntu 16.04) :Windows 10 x64 从(源代
我一直想增加我的批量大小以改善我的模型的泛化(它对批量大小非常敏感)。解决方案是使用多 GPU 以利用更多内存。我在我的脚本中使用 tensorflow.keras(在 Windows 10 上使用
Horovod正在合并 NCCL并将 MPI 转换为分布式深度学习的包装器,例如 TensorFlow。 我以前没有听说过 NCCL,正在研究它的功能。以下是 NVIDIA 网站上关于 NCCL 的说
Distributed package doesn't have NCCL built in 问题描述: python在windows环境下dist.init_process_group(backen
我正在尝试使用 torch.distributed 将 PyTorch 张量从一台机器发送到另一台机器。 dist.init_process_group 函数正常工作。但是,dist.broadcas
在 4 个 A6000 GPU 上运行分布式训练时,我收到以下错误: [E ProcessGroupNCCL.cpp:630] [Rank 3] Watchdog caught collective
在 Nvidia 网站上,他们声称 MXNet 使用 NCCL ( https://developer.nvidia.com/nccl )。然而,我还没有从 MXNet 的 github 存储库中找到
我是一名优秀的程序员,十分优秀!