訓練指令碼

如果您的訓練指令碼適用於 torch.distributed.launch，那麼它在 torchrun 中將繼續可用，但存在以下差異

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

2. rdzv_backend 和 rdzv_endpoint 可以提供。對於大多數使用者，這將設定為 c10d（參見 rendezvous）。預設的 rdzv_backend 會建立一個非彈性的 rendezvous，其中 rdzv_endpoint 儲存主地址。

3. 請確保您的指令碼中包含 load_checkpoint(path) 和 save_checkpoint(path) 邏輯。當任意數量的 worker 失敗時，我們將使用相同的程式引數重啟所有 worker，因此您將丟失到最近檢查點為止的進度（參見 elastic launch）。

4. use_env 標誌已被移除。如果您之前透過解析 --local-rank 選項來解析本地 rank，您現在需要從環境變數 LOCAL_RANK 中獲取本地 rank（例如 int(os.environ["LOCAL_RANK"])）。

下面是一個說明性的訓練指令碼示例，該指令碼在每個 epoch 進行檢查點儲存，因此在發生故障時最壞情況下丟失的進度是一個完整的 epoch 的訓練量。

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 的訓練指令碼的具體示例，請訪問我們的示例頁面。