Slurm:提交到多个节点时出错(";slurmSted:Error:execve():Python:没有这样的文件或目录";) [英] Slurm: Error when submitting to multiple nodes ("slurmstepd: error: execve(): python: No such file or directory")
问题描述
我有一个bash脚本submit.sh
,用于将培训作业提交到Slurm服务器。它的工作原理如下。正在做
bash submit.sh p1 8 config_file
会向分区p1
的8个GPU提交一些config_file
对应的任务。p1
的每个节点都有4个GPU,因此此命令请求2个节点。
submit.sh
的内容可以概括如下,其中我使用sbatch
提交了一个Slurm脚本(train.slurm
):
#!/bin/bash
# submit.sh
PARTITION=$1
NGPUs=$2
CONFIG=$3
NGPUS_PER_NODE=4
NCPUS_PER_TASK=10
sbatch --partition ${PARTITION}
--job-name=${CONFIG}
--output=logs/${CONFIG}_%j.log
--ntasks=${NGPUs}
--ntasks-per-node=${NGPUS_PER_NODE}
--cpus-per-task=${NCPUS_PER_TASK}
--gres=gpu:${NGPUS_PER_NODE}
--hint=nomultithread
--time=10:00:00
--export=CONFIG=${CONFIG},NGPUs=${NGPUs},NGPUS_PER_NODE=${NGPUS_PER_NODE}
train.slurm
现在在Slurm脚本train.slurm
中,我决定是在一个节点上还是在多个节点上启动Training Python脚本(在这两种情况下启动它的方式不同):
#!/bin/bash
# train.slurm
#SBATCH --distribution=block:block
# Load Python environment
module purge
module load pytorch/py3/1.6.0
set -x
if [ ${NGPUs} -gt ${NGPUS_PER_NODE} ]; then # Multi-node training
# Some variables needed for the training script
export MASTER_PORT=12340
export WORLD_SIZE=${NGPUs}
# etc.
srun python train.py --cfg ${CONFIG}
else # Single-node training
python -u -m torch.distributed.launch --nproc_per_node=${NGPUS_PER_NODE} --use_env train.py --cfg ${CONFIG}
fi
现在,如果我在单个节点上提交(例如,bash submit.sh p1 4 config_file
),它将按预期工作。但是,在多个节点上提交(例如,bash submit.sh p1 8 config_file
)会产生以下错误:
slurmstepd: error: execve(): python: No such file or directory
这意味着在其中一个节点上无法识别Python环境。我尝试将python
替换为$(which python)
,以获取虚拟环境中的Python二进制文件的完整路径,但随后获得了另一个错误:
OSError: libmpi_cxx.so.40: cannot open shared object file: No such file or directory
如果我不使用submit.sh
,而是将所有#SBATCH
变量添加到train.slurm
,并直接从命令行使用sbatch
提交作业,则它可以工作。因此,似乎是bash脚本中的包装sbatch
导致了此问题。
您能帮我解决这个问题吗?
提前谢谢您。
推荐答案
注意,--export
参数将导致srun
的环境完全重置为所有SLURM_*
变量加上显式设置的变量,因此在您的示例中,CONFIG
、NGPUs
、NGPUS_PER_NODE
。因此,将不会设置PATH
变量,并且srun
将找不到python
可执行文件。
请注意,--export
不会改变提交脚本的环境,因此不使用srun
的单节点情况确实运行良好。
尝试使用
提交--export=ALL,CONFIG=${CONFIG},NGPUs=${NGPUs},NGPUS_PER_NODE=${NGPUS_PER_NODE}
请注意添加的ALL
是列表中的第一项。
另一种选择是完全删除--export
行,并在submit.sh
脚本中显式导出变量,因为默认情况下,Slurm会将提交环境传播到作业。
export PARTITION=$1
export NGPUs=$2
export CONFIG=$3
export NGPUS_PER_NODE=4
export NCPUS_PER_TASK=10
这篇关于Slurm:提交到多个节点时出错(";slurmSted:Error:execve():Python:没有这样的文件或目录";)的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持IT屋!