readme.md

一、基础环境准备:

Miniconda
   - miniconda 下载地址: https://docs.anaconda.com/miniconda/

       ```bash
       wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
       ```

二、多机训练：

假设机器A的IP为 10.10.10.1，机器B的IP为 10.10.10.2:

1. 搭建 nfs 共享存储, 给子节点设置可写的权限:

机器A：

   ```bash
    # 1. 安装nfs server
    sudo apt update
    sudo apt install nfs-kernel-server

    # 2. 机器A设置目录 /path/to/AI 为共享目录
    vim /etc/exports

    # 文件末尾增加下述内容后, 保存退出
    /path/to/AI 10.10.10.2(rw,sync,no_subtree_check)

    # 3. 重启服务使得配置生效
    sudo service nfs-kernel-server start

    # 4.  使得配置生效并且导出目录, 如果执行无输出, 则配置未生效
    sudo exportfs -v

    # 5. 使得所有用户都可以读写该文件夹内容
    sudo chmod -R 777 /path/to/AI
   ```
       
机器B：   

   ```bash
    # 1. 安装nfs-client
    sudo apt update
    sudo apt install nfs-common

    # 2. 创建目录
    sudo mkdir -p /mnt/AI

    # 3. 挂载:
    sudo mount -t nfs 10.10.10.1:/path/to/AI /mnt/AI -o rw

    # 4. 到此即可在机器B实现读写机器A指定内容的读写
   ```
   

2. 机器A、B免密配置；

   - 机器A、机器B, 更改ssh服务配置，允许root用户登录，设置root用户密码；

       ```bash
       vim /etc/ssh/sshd_config
    
       # PermitRootLogin 所在行更改为如下内容
       PermitRootLogin yes
       # 保存退出

       # 重启ssh server服务 
       systemctl restart sshd

       # 设置root用户密码:
       passwd

       ```

   - 配置多机的ssh免密登录

       ```bash
       # 机器A、机器B分别执行生成密钥
       ssh-keygen -t ed25519 -C  "node"

       # 服务器A，为本机以及机器B配置免密:
       ssh-copy-id root@10.10.10.1
       ssh-copy-id root@10.10.10.2

       # 服务器B，为本机以及机器A配置免密:
       ssh-copy-id root@10.10.10.2
       ssh-copy-id root@10.10.10.1
       ```

   - 更改机器A、机器B的 /etc/hosts 文件， 文件默认增加内容如下:

     ```bash
     10.10.10.1 node1
     10.10.10.2 node2
     ```

3. mpirun 的多机工程：

   - 创建hostfile文件，文件内容如下:
       ```
       node1 slots=8
       node2 slots=8
       ```

   - mpirun 最终运行的多机的文件，需要设置为 777 权限;  `chmod 777 scripts-run/single_process.sh`

   - 编写多机训练脚本:

       ```bash
        cd /datav/ai-oem/peixun/train/resnet50_tensorflow

        hostfile=./hostfile

        np=$(cat $hostfile|sort|uniq |wc -l)
        np=$(($np*8))
        which orted
        which mpirun

        echo "np = ${np}"

        mpirun -np ${np} --host master:8,node1:8 \
        --bind-to none \
        -mca btl_tcp_if_include enp209s0f0 \
        --allow-run-as-root \
        -x HSA_FORCE_FINE_GRAIN_PCIE=1 \
        -x PATH="/opt/mpi-4.1.6/bin:/root/miniconda3/envs/tf2.13.1/bin:$PATH" \
        -x LD_LIBRARY_PATH="/root/miniconda3/envs/tf2.13.1/lib:/opt/mpi-4.1.6/lib:$LD_LIBRARY_PATH" \
        scripts-run/single_process.sh

        echo "END TIME: $(date)"
       ```

   - `scripts-run/single_process.sh` 内容:

       ```bash
        #!/bin/bash

        # >>> conda initialize >>>
        # !! Contents within this block are managed by 'conda init' !!
        __conda_setup="$('/root/miniconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
        if [ $? -eq 0 ]; then
            eval "$__conda_setup"
        else
            if [ -f "/root/miniconda3/etc/profile.d/conda.sh" ]; then
                . "/root/miniconda3/etc/profile.d/conda.sh"
            else
                export PATH="/root/miniconda3/bin:$PATH"
            fi
        fi
        unset __conda_setup
        # <<< conda initialize <<<

        conda activate tf2.13.1


        cd /datav/ai-oem/peixun/train/resnet50_tensorflow

        echo "start ...."
        /root/miniconda3/bin/activate /root/miniconda3/envs/tf2.13.1

        lrank=$OMPI_COMM_WORLD_LOCAL_RANK
        drank=$OMPI_COMM_WORLD_RANK


        export NCCL_SOCKET_IFNAME=en,eth,em,bond
        export NCCL_IB_DISABLE=1
        export NCCL_DEBUG=WARN
        # export NCCL_SOCKET_NBUFS=512

        # export NCCL_P2P_DISABLE=1
        # export NCCL_SOCKET_NBUFS=128
        # export NCCL_MIN_NRINGS=4
        # export NCCL_SOCKET_TIMEOUT=180
        # export NCCL_BLOCKING_WAIT=1
        # export NCCL_SOCKET_TIMEOUT=60
        # export NCCL_ALGO=ring
        # export NCCL_NET_GDR_LEVEL=2
        # export NCCL_MIN_CU=16
        # export NCCL_MAX_CU=256

        # export PYTHONPATH=/workspace/train/resnet50_tensorflow:$PYTHONPATH

        model_save_dir=./output_model
        datasets=./imagenet_tf

        echo "lrank = ${lrank}"
        echo "drank = ${drank}"

        APP="python3 ./official/legacy/image_classification/resnet/resnet_ctl_imagenet_main.py --num_gpus=1  --skip_eval=true   --batch_size=128 --train_epochs=90  --use_synthetic_data=false  --distribution_strategy=multi_worker_mirrored  --all_reduce_alg=nccl --dtype=fp16  --data_dir=${datasets}  --task_index=${drank} "
        case ${lrank} in
        [0])
        export HIP_VISIBLE_DEVICES=0
        ${APP}
        # numactl --cpunodebind=0 --membind=0 ${APP}
        ;;
        [1])
        export HIP_VISIBLE_DEVICES=1
        ${APP}
        # numactl --cpunodebind=1 --membind=1 ${APP}
        ;;
        [2])
        export HIP_VISIBLE_DEVICES=2
        ${APP}
        # numactl --cpunodebind=2 --membind=2 ${APP}
        ;;
        [3])
        export HIP_VISIBLE_DEVICES=3
        ${APP}
        # numactl --cpunodebind=3 --membind=3 ${APP}
        ;;
        [4])
        export HIP_VISIBLE_DEVICES=4
        ${APP}
        # numactl --cpunodebind=0 --membind=0 ${APP}
        ;;
        [5])
        export HIP_VISIBLE_DEVICES=5
        ${APP}
        # numactl --cpunodebind=1 --membind=1 ${APP}
        ;;
        [6])
        export HIP_VISIBLE_DEVICES=6
        ${APP}
        # numactl --cpunodebind=2 --membind=2 ${APP}
        ;;
        [7])
        export HIP_VISIBLE_DEVICES=7
        ${APP}
        # numactl --cpunodebind=3 --membind=3 ${APP}
        ;;
        esac

       ```


三、常见问题:

1. 共享存储: nfs 在容器内创建 server 端服务, 会出现问题, 建议物理机使用;

2. docker swarm 创建的集群, 依赖docker network 创建的网络可能存在 socket 接受字段长度和预期不符的问题; docker swarm 建议不要和 mpirun 的 nccl 一起用;

3. docker swarm 无法加入子节点, 可能需要关闭防火墙;

4. 机器A使用mpirun调用机器B的环境，进入conda环境:

```bash
# >>> conda initialize >>>
# !! Contents within this block are managed by 'conda init' !!
__conda_setup="$('/root/miniconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
    eval "$__conda_setup"
else
    if [ -f "/root/miniconda3/etc/profile.d/conda.sh" ]; then
        . "/root/miniconda3/etc/profile.d/conda.sh"
    else
        export PATH="/root/miniconda3/bin:$PATH"
    fi
fi
unset __conda_setup
# <<< conda initialize <<<

conda activate tf2.13.1
```