訓練腳本

如果您的訓練腳本適用於 torch.distributed.launch，它將繼續適用於 torchrun，但有一些差異

1. 無需手動傳遞 RANK、WORLD_SIZE、MASTER_ADDR 和 MASTER_PORT。

2. 可以提供 rdzv_backend 和 rdzv_endpoint。對於大多數用戶，這將設定為 c10d（請參閱會合）。預設的 rdzv_backend 會建立一個非彈性會合，其中 rdzv_endpoint 保存主機地址。

3. 請確保您的腳本中有 load_checkpoint(path) 和 save_checkpoint(path) 邏輯。當任何數量的 worker 失敗時，我們會使用相同的程式參數重新啟動所有 worker，因此您將失去到最近檢查點的進度（請參閱彈性啟動）。

4. use_env 旗標已移除。如果您透過解析 --local-rank 選項來解析本地端排名，則需要從環境變數 LOCAL_RANK 中取得本地端排名（例如 int(os.environ["LOCAL_RANK"])）。

以下是一個訓練腳本的說明性範例，該腳本在每個 epoch 進行檢查點，因此在失敗時最壞情況下損失的進度是一個完整 epoch 的訓練。

def main():
     args = parse_args(sys.argv[1:])
     state = load_checkpoint(args.checkpoint_path)
     initialize(state)

     # torch.distributed.run ensures that this will work
     # by exporting all the env vars needed to initialize the process group
     torch.distributed.init_process_group(backend=args.backend)

     for i in range(state.epoch, state.total_num_epochs)
          for batch in iter(state.dataset)
              train(batch, state.model)

          state.epoch += 1
          save_checkpoint(state)

有關符合 torchelastic 的訓練腳本的具體範例，請造訪我們的範例頁面。