快速入门 ¶

要启动容错作业，请在所有节点上运行以下命令。

torchrun
   --nnodes=NUM_NODES
   --nproc-per-node=TRAINERS_PER_NODE
   --max-restarts=NUM_ALLOWED_FAILURES
   --rdzv-id=JOB_ID
   --rdzv-backend=c10d
   --rdzv-endpoint=HOST_NODE_ADDR
   YOUR_TRAINING_SCRIPT.py (--arg1 ... train script args...)

要启动弹性作业，请在至少 MIN_SIZE 个节点和最多 MAX_SIZE 个节点上运行以下命令。

torchrun
    --nnodes=MIN_SIZE:MAX_SIZE
    --nproc-per-node=TRAINERS_PER_NODE
    --max-restarts=NUM_ALLOWED_FAILURES_OR_MEMBERSHIP_CHANGES
    --rdzv-id=JOB_ID
    --rdzv-backend=c10d
    --rdzv-endpoint=HOST_NODE_ADDR
    YOUR_TRAINING_SCRIPT.py (--arg1 ... train script args...)

注意

TorchElastic 将节点故障建模为成员变更。当一个节点失败时，这被视为“缩容”事件。当调度器替换失败的节点时，它是一个“扩容”事件。因此，对于容错和弹性作业， --max-restarts 用于控制在放弃之前总的重启次数，无论重启是由故障还是缩放事件引起的。

HOST_NODE_ADDR ，格式为 [:]（例如 node1.example.com:29400），指定 C10d rendezvous 后端应该实例化和托管在哪个节点和端口上。它可以是您的训练集群中的任何节点，但理想情况下，您应该选择一个具有高带宽的节点。

注意

如果未指定端口号，则默认为 29400。

注意

可以使用 --standalone 选项来启动一个具有 sidecar rendezvous 后端的单个节点作业。当使用 --standalone 选项时，无需传递 --rdzv-id 、 --rdzv-endpoint 和 --rdzv-backend 。

注意

在此处了解更多关于编写您的分布式训练脚本的信息。

如果 torchrun 不符合您的需求，您可以直接使用我们的 API 进行更强大的定制。首先，请查看弹性代理 API。