2.4K Star 8.2K Fork 4.4K

GVPMindSpore / mindspore

 / 详情

[ST][MS][大集群专项][动态组网]1.3w worker集群,scheduler初始化完成后跟部分worker超时导致异常退出(已知问题),scheduler退出后,大量worker长时间未退出

TODO
Bug-Report
创建于  
2024-04-26 16:38
name about labels
Bug Report Use this template for reporting a bug kind/bug

Describe the current behavior / 问题描述 (Mandatory / 必填)

1.3k worker集群,scheduler初始化完成后跟部分worker超时导致异常退出(已知问题),scheduler退出后,大量worker长时间未退出

Environment / 环境信息 (Mandatory / 必填)

  • Hardware Environment(Ascend/GPU/CPU) / 硬件环境:

Please delete the backend not involved / 请删除不涉及的后端:
/device ascend/GPU/CPU/kirin/等其他芯片

  • Software Environment / 软件环境 (Mandatory / 必填):
    -- MindSpore version (e.g., 1.7.0.Bxxx) :
    -- Python version (e.g., Python 3.7.5) :
    -- OS platform and distribution (e.g., Linux Ubuntu 16.04):
    -- GCC/Compiler version (if compiled from source):

  • Excute Mode / 执行模式 (Mandatory / 必填)(PyNative/Graph):

Please delete the mode not involved / 请删除不涉及的模式:
/mode pynative
/mode graph

Related testcase / 关联用例 (Mandatory / 必填)

test_ms_msrun_simulation_cluster_10k_node

Steps to reproduce the issue / 重现步骤 (Mandatory / 必填)

1. 确认所有环境无残留python进程
2. 将训练脚本传到所有环境上
3. 在指定的环境中循环拉起若干worker
4. 在指定的环境中拉起sckduler
5. check所有环境worker进程状态,check schduler进程状态以及日志,获取完全注册时间以及平均一次心跳的处理时间
6. 长时间监控scheduler的进程状态

Describe the expected behavior / 预期结果 (Mandatory / 必填)

Related log / screenshot / 日志 / 截图 (Mandatory / 必填)

输入图片说明

Special notes for this issue/备注 (Optional / 选填)

走给周培晨

评论 (3)

baimz 创建了Bug-Report
baimz 添加了
 
kind/bug
标签
baimz 添加了
 
attr/function
标签
baimz 添加了
 
stage/coding
标签
baimz 添加了
 
v2.3.0.rc2
标签
baimz 添加了
 
v2.3.0
标签
baimz 添加了
 
sig/runtime
标签
展开全部操作日志

Please assign maintainer to check this issue.
请为此issue分配处理人。
@baimz

感谢您的提问,您可以评论//mindspore-assistant更快获取帮助:

  1. 如果您刚刚接触MindSpore,或许您可以在教程找到答案
  2. 如果您是资深Pytorch用户,您或许需要:
  1. 如果您遇到动态图问题,可以设置set_context(pynative_synchronize=True)查看报错栈协助定位
  2. 模型精度调优问题可参考官网调优指南
  3. 如果您反馈的是框架BUG,请确认您在ISSUE中提供了MindSpore版本、使用的后端类型(CPU、GPU、Ascend)、环境、训练的代码官方链接以及可以复现报错的代码的启动方式等必要的定位信息
  4. 如果您已经定位出问题根因,欢迎提交PR参与MindSpore开源社区,我们会尽快review
duanjiali 添加协作者duanjiali
duanjiali 负责人duanjiali 修改为ZPaC
baimz 修改了标题
leiwei2 修改了描述
ZPaC 移除了
 
attr/function
标签
ZPaC 移除了
 
attr/function
标签
ZPaC 添加了
 
attr/function
标签
ZPaC 移除了
 
attr/function
标签
ZPaC 移除了
 
v2.3.0.rc2
标签
ZPaC 移除了
 
v2.3.0.rc2
标签

test_excute_parallel_node_rank_one_2x8_with_msrun 异常场景,部分worker未退出

输入图片说明
输入图片说明

i-robot 添加了
 
foruda
标签
i-robot 添加了
 
foruda
标签
baimz 修改了描述

登录 后才可以发表评论

状态
负责人
项目
里程碑
Pull Requests
关联的 Pull Requests 被合并后可能会关闭此 issue
分支
开始日期   -   截止日期
-
置顶选项
优先级
预计工期 (小时)
参与者(4)
6575434 huangjingjing1234 1584447495
Python
1
https://gitee.com/mindspore/mindspore.git
git@gitee.com:mindspore/mindspore.git
mindspore
mindspore
mindspore

搜索帮助