报错 ncclCommInitRank failed.
2024-08-28 23:37:37
环境
- 4 GeForce GTX 1080 GPUS
- docker image
nnabla/nnabla-ext-cuda-multi-gpu:py36-cuda102-mpi3.1.6-v1.14.0
代码
- 从仓库nnabla-ext-cuda-multi-gpu拉取镜像
docker pull nnabla/nnabla-ext-cuda-multi-gpu:py36-cuda102-mpi3.1.6-v1.14.0 - 运行
docker run -it --rm --gpus all nnabla/nnabla-ext-cuda-multi-gpu:py36-cuda102-mpi3.1.6-v1.14.0 - 添加
test.py
import nnabla.communicators as C
from nnabla.ext_utils import get_extension_context
extension_module = "cudnn"
ctx = get_extension_context(extension_module)
comm = C.MultiProcessCommunicator(ctx)
comm.init()
print(f'sizes={comm.size}, divice_id={comm.rank}')
- 运行
mpiexec -np 4 python test.py将会抛出异常。（异常只发生在使用GPU数大于2时）
bug
抛出异常如下：
Traceback (most recent call last):
File "test.py", line 6, in <module>
comm.init()
File "communicator.pyx", line 121, in nnabla.communicator.Communicator.init
RuntimeError: target_specific error in init
/home/gitlab-runner/builds/g9zRZKFe/2/nnabla/builders/all/nnabla-ext-cuda/src/nbla/cuda/communicator/multi_process_data_parallel_communicator.cu:358
ncclCommInitRank failed.
使用NCCL_DEBUG=INFO查看详细信息mpiexec -np 4 -x NCCL_DEBUG=INFO python test.py
...
0db89117f3b2:87:87 [2] include/shm.h:28 NCCL WARN Call to posix_fallocate failed : No space left on device
0db89117f3b2:87:87 [2] NCCL INFO include/shm.h:41 -> 2
0db89117f3b2:87:87 [2] include/shm.h:48 NCCL WARN Error while creating shared memory segment nccl-shm-recv-6d2dacd576938b74-0-3-2 (size 9637888)
...
可以看到没有多余的共享内存，但是使用nvidia-smi查看GPU情况，发现内存并没有过多使用。
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 450.36.06 Driver Version: 450.36.06 CUDA Version: 11.0 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
| | | MIG M. |
|===============================+======================+======================|
| 0 GeForce GTX 1080 On | 00000000:01:00.0 Off | N/A |
| 27% 30C P8 5W / 180W | 815MiB / 8119MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 1 GeForce GTX 1080 On | 00000000:02:00.0 Off | N/A |
| 27% 33C P8 6W / 180W | 4MiB / 8119MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 2 GeForce GTX 1080 On | 00000000:03:00.0 Off | N/A |
| 28% 35C P8 5W / 180W | 4MiB / 8119MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
| 3 GeForce GTX 1080 On | 00000000:04:00.0 On | N/A |
| 28% 34C P8 6W / 180W | 4MiB / 8118MiB | 0% Default |
| | | N/A |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: |
| GPU GI CI PID Type Process name GPU Memory |
| ID ID Usage |
|=============================================================================|
+-----------------------------------------------------------------------------+
原因
异常原因是NCCL不能在/dev/shm创建共享内存文件。因为docker默认的/dev/shm文件的大小为64MB太小了，所以当使用GPU数大于2时，会显示内存不够。
之前版本不出现这个错误，原因是nccl从2.6升级到2.7后，GPU之间的通信方式从p2p改为使用共享内存片段，所以如果使用nccl2.7以下版本将不会出现这个问题。
解决
有3中方式：
- 在
/etc/nccl.conf或~/.nncd.conf文件中，添加配置NCCL_SHM_DISABLE=1。不适用共享内存，但是使用运行效率会降低。 - 可以映射宿主机上的
/dev/shm，即docker run -v /dev/shm:/dev/shm ...，但是这样会在宿主机上留下脏文件。 - 运行时，修改容器共享内存的大小，即
docker run --shm-size=256m ...。
参考
- NCCL配置
- https://github.com/NVIDIA/nccl/issues/290
- https://github.com/PaddlePaddle/Paddle/pull/28484
- https://github.com/horovod/horovod/issues/2395
- https://github.com/NVIDIA/nccl/issues/406（使用
NCCL_SHM_DISABLED=1可能会降低效率）
最新文章
- git上传文件出错的时候
- keepalived mariadb 主主
- Spring+Mybatis多数据源配置
- 表单验证 jQuery Validate
- C#连接、访问MySQL数据库
- V9 二次开发技术篇之 模型数据库
- 杭州电acm理工大舞台版
- MySQL data路径为空解决方法
- SqlServer查询优化方法
- elasticsearch系列八：ES 集群管理（集群规划、集群搭建、集群管理）
- 非旋 treap 结构体数组版（无指针）详解，有图有真相
- ionic iphone下的问题
- cadence 17.2 安装破解
- python中for循环的三种遍历方式
- 超详细的Web前端开发规范文档
- linux 断网 扫描基本命令
- [Go] 单元测试/性能测试 (go test)
- AsyncHttpClient的连接池使用逻辑
- 试着用React写项目-利用styled-components解决样式问题
- Android短信发送器（2）