Skip to content

  • 体验新版
    • 正在加载...
  • 登录
  • PaddlePaddle
  • Paddle
  • Issue
  • #2915

P
Paddle
  • 项目概览

PaddlePaddle / Paddle
大约 2 年 前同步成功

通知 2325
Star 20933
Fork 5424
  • 代码
    • 文件
    • 提交
    • 分支
    • Tags
    • 贡献者
    • 分支图
    • Diff
  • Issue 1423
    • 列表
    • 看板
    • 标记
    • 里程碑
  • 合并请求 543
  • Wiki 0
    • Wiki
  • 分析
    • 仓库
    • DevOps
  • 项目成员
  • Pages
P
Paddle
  • 项目概览
    • 项目概览
    • 详情
    • 发布
  • 仓库
    • 仓库
    • 文件
    • 提交
    • 分支
    • 标签
    • 贡献者
    • 分支图
    • 比较
  • Issue 1,423
    • Issue 1,423
    • 列表
    • 看板
    • 标记
    • 里程碑
  • 合并请求 543
    • 合并请求 543
  • Pages
  • 分析
    • 分析
    • 仓库分析
    • DevOps
  • Wiki 0
    • Wiki
  • 成员
    • 成员
  • 收起侧边栏
  • 动态
  • 分支图
  • 创建新Issue
  • 提交
  • Issue看板
已关闭
开放中
Opened 7月 17, 2017 by saxon_zh@saxon_zhGuest

Kubernetes分布式训练,无法正常训练

Created by: Daemon007

参考https://github.com/PaddlePaddle/Paddle/blob/develop/doc/howto/usage/k8s/k8s_distributed_cn.md在kubernetes上进行分布式训练。

1. 环境

Kubernetes版本:v1.5.2 镜像版本:运行的集群上不支持avx,因此镜像直接从paddlepaddle/paddle:0.10.0rc3-noavx基础上build。

FROM paddlepaddle/paddle:0.10.0rc3-noavx

COPY start.sh /root/
COPY start_paddle.py /root/
RUN chmod +x /root/start.sh
CMD ["bash"," -c","/root/start.sh"]

2. 脚本

Job脚本 job.yaml:

apiVersion: batch/v1
kind: Job
metadata:
  name: paddle-cluster-job
spec:
  parallelism: 3
  completions: 3
  template:
    metadata:
      name: paddle-cluster-job
    spec:
      volumes:
      - name: jobpath
        hostPath:
          path: /home/work/mfs
      containers:
      - name: trainer
        image: registry.vm-1:5000/test:test 
        imagePullPolicy: Always
        command: ["bin/bash",  "-c", "/root/start.sh"]
        env:
        - name: JOB_NAME
          value: paddle-cluster-job
        - name: JOB_PATH
          value: /home/jobpath
        - name: JOB_NAMESPACE
          value: default
        - name: TRAIN_CONFIG_DIR
          value: recommendation
        - name: CONF_PADDLE_NIC
          value: eth0
        - name: CONF_PADDLE_PORT
          value: "7164"
        - name: CONF_PADDLE_PORTS_NUM
          value: "2"
        - name: CONF_PADDLE_PORTS_NUM_SPARSE
          value: "2"
        - name: CONF_PADDLE_GRADIENT_NUM
          value: "3"
          name: TRAINER_COUNT
          value: "9"
        volumeMounts:
        - name: jobpath
          mountPath: /home/jobpath
      restartPolicy: Never
      imagePullSecrets:
        - name: myregistrykey

3. 结果

在集群上训练,pod的日志如下: node_0: server.log ERROR: illegal value 'None' specified for int32 flag 'num_gradient_servers'

node_0: train.log

I0717 07:27:11.042790    53 Util.cpp:166] commandline: 
/usr/bin/../opt/paddle/bin/paddle_trainer 
--nics=eth0 --port=7164 
--ports_num=2 --comment=paddle_process_by_paddle 
--pservers=10.0.57.2,10.0.40.3,10.0.51.2 
--ports_num_for_sparse=2 
--config=trainer_config.lr.py 
--log_period=50 --trainer_count=9 
--num_passes=10 --use_gpu=0 
--ports_num=2 --dot_period=10 
--saving_period=1 --local=0 --trainer_id=0 
--save_dir=/home/jobpath/paddle-cluster-job/output 
Traceback (most recent call last):
  File "/usr/local/lib/python2.7/site-packages/paddle/trainer/config_parser.py", line 3607, in parse_config_and_serialize
    config = parse_config(trainer_config, config_arg_str)
  File "/usr/local/lib/python2.7/site-packages/paddle/trainer/config_parser.py", line 3600, in parse_config
    make_config_environment(trainer_config, config_args))
IOError: [Errno 2] No such file or directory: 'trainer_config.lr.py'
F0717 07:27:11.444602    53 PythonUtil.cpp:131] Check failed: (ret) != nullptr Current PYTHONPATH: ['/usr/opt/paddle/bin', '/root', '/usr/local/lib/python27.zip', '/usr/local/lib/python2.7', '/usr/local/lib/python2.7/plat-linux2', '/usr/local/lib/python2.7/lib-tk', '/usr/local/lib/python2.7/lib-old', '/usr/local/lib/python2.7/lib-dynload', '/usr/local/lib/python2.7/site-packages']
Python Error: <type 'exceptions.IOError'> : [Errno 2] No such file or directory: 'trainer_config.lr.py'
Python Callstack: 
            /usr/local/lib/python2.7/site-packages/paddle/trainer/config_parser.py : 3607
            /usr/local/lib/python2.7/site-packages/paddle/trainer/config_parser.py : 3600
Call Object failed.
*** Check failure stack trace: ***
    @           0x92841d  google::LogMessage::Fail()
    @           0x92bf65  google::LogMessage::SendToLog()
    @           0x927f43  google::LogMessage::Flush()
    @           0x92d47e  google::LogMessageFatal::~LogMessageFatal()
    @           0x88c3fa  paddle::callPythonFuncRetPyObj()
    @           0x88c5bc  paddle::callPythonFunc()
    @           0x795c9b  paddle::TrainerConfigHelper::TrainerConfigHelper()
    @           0x7962d4  paddle::TrainerConfigHelper::createFromFlags()
    @           0x5fa4c2  main
    @     0x7f1be31a5b45  __libc_start_main
    @           0x608449  (unknown)
    @              (nil)  (unknown)
/usr/bin/paddle: line 113:    53 Aborted                 (core dumped) ${DEBUGGER} $MYDIR/../opt/paddle/bin/paddle_trainer ${@:2}

请问是镜像版本不对还是什么原因造成的。该如何调整?

指派人
分配到
无
里程碑
无
分配里程碑
工时统计
无
截止日期
无
标识: paddlepaddle/Paddle#2915
渝ICP备2023009037号

京公网安备11010502055752号

网络110报警服务 Powered by GitLab CE v13.7
开源知识
Git 入门 Pro Git 电子书 在线学 Git
Markdown 基础入门 IT 技术知识开源图谱
帮助
使用手册 反馈建议 博客
《GitCode 隐私声明》 《GitCode 服务条款》 关于GitCode
Powered by GitLab CE v13.7