*** Received signal 11 *** subprocess.CalledProcessError Segmentation fault

在使用PyTorch DDP进行分布式训练时,遇到了信号11错误,通过逐步排查,发现Apex库中的FusedLayerNorm模块是导致问题的根源。卸载Apex并替换为自定义的PyTorch BertLayerNorm模块后,成功解决了DDP训练崩溃的问题。
部署运行你感兴趣的模型镜像

跑pytorch DDP时遇到下列错误:

*** Received signal 11 ***
*** BEGIN MANGLED STACK TRACE ***
/home/sanshuai.lj/software/anaconda3/envs/vilbert/lib/python3.6/site-packages/tensorflow/python/../libtensorflow_framework.so(+0x76833b)[0x7f00f344333b]
/lib64/libpthread.so.0(+0xf5f0)[0x7f01288ae5f0]
/home/sanshuai.lj/software/anaconda3/envs/vilbert/lib/python3.6/site-packages/apex_C.cpython-36m-x86_64-linux-gnu.so(+0x107cc)[0x7f00ee33a7cc]
/home/sanshuai.lj/software/anaconda3/envs/vilbert/bin/python(_PyCFunction_FastCallDict+0x154)[0x7f0128df0744]
/home/sanshuai.lj/software/anaconda3/envs/vilbert/bin/python(+0x19842c)[0x7f0128e7742c]
......
*** End stack trace ***
Traceback (most recent call last):
  File "/home/sanshuai.lj/software/anaconda3/envs/vilbert/lib/python3.6/runpy.py", line 193, in _run_module_as_main
    "__main__", mod_spec)
  File "/home/sanshuai.lj/software/anaconda3/envs/vilbert/lib/python3.6/runpy.py", line 85, in _run_code
    exec(code, run_globals)
  File "/home/sanshuai.lj/software/anaconda3/envs/vilbert/lib/python3.6/site-packages/torch/distributed/launch.py", line 235, in <module>
    main()
  File "/home/sanshuai.lj/software/anaconda3/envs/vilbert/lib/python3.6/site-packages/torch/distributed/launch.py", line 231, in main
    cmd=process.args)
subprocess.CalledProcessError: Command '['/home/sanshuai.lj/software/anaconda3/envs/vilbert/bin/python', '-u', 'train_concap.py', '--local_rank=0', '--from_pretrained', '/mnt/xuesheng_1/bert-base-uncased', '--bert_model', '/mnt/xuesheng_1/bert-base-uncased', '--config_file', 'config/bert_base_6layer_6conect.json', '--learning_rate', '1e-4', '--train_batch_size', '64', '--save_name', 'pretrained', '--distributed']' died with <Signals.SIGABRT: 6>.

换用单卡train时遇到下列错误:

*** Received signal 11 ***
*** BEGIN MANGLED STACK TRACE ***
/home/sanshuai.lj/software/anaconda3/envs/vilbert/lib/python3.6/site-packages/tensorflow/python/../libtensorflow_framework.so(+0x76833b)[0x7f4560e8333b]
/lib64/libpthread.so.0(+0xf5f0)[0x7f45eb3105f0]
/home/sanshuai.lj/software/anaconda3/envs/vilbert/lib/python3.6/site-packages/fused_layer_norm_cuda.cpython-36m-x86_64-linux-gnu.so(+0x172cc)[0x7d44dc7932cc]
python(_PyCFunction_FastCallDict+0x154)[0x7f45eb852744]
python(+0x19842c)[0x7f45eb8d942c]
......
*** End stack trace ***
Aborted

pip uninstall tensorflow后单卡train遇到下列错误:

Segmentation fault

pip uninstall apex后单卡train成功。

应该是from apex.normalization.fused_layer_norm import FusedLayerNorm as BertLayerNorm模块出了问题,将其换成手写的pytorch BertLayerNorm模块就可以正常DDP训练了。

您可能感兴趣的与本文相关的镜像

PyTorch 2.8

PyTorch 2.8

PyTorch
Cuda

PyTorch 是一个开源的 Python 机器学习库,基于 Torch 库,底层由 C++ 实现,应用于人工智能领域,如计算机视觉和自然语言处理

`subprocess.Popen(*args, **kwargs)` 是 Python 中 `subprocess` 模块提供的一个类,用于创建和管理子进程。通过这个类,你可以启动一个新的进程,并与它进行交互(例如,发送输入、读取输出等)。 以下是 `subprocess.Popen` 的一些主要功能和参数: 1. **启动新进程**: - `args`: 这是一个列表或字符串,表示要执行的命令及其参数。例如,`['ls', '-l']` 或 `'ls -l'`。 - `shell`: 如果设置为 `True`,命令将在 shell 中执行。默认为 `False`。 2. **标准输入/输出/错误流重定向**: - `stdin`, `stdout`, `stderr`: 这些参数可以分别指定子进程的标准输入、标准输出和标准错误的处理方式。可以是 `subprocess.PIPE`(创建一个管道)、一个文件对象或者 `None`(使用父进程的对应流)。 3. **工作目录**: - `cwd`: 设置子进程的工作目录。 4. **环境变量**: - `env`: 一个字典,用于指定子进程的环境变量。如果未指定,子进程将继承父进程的环境变量。 5. **超时控制**: - `timeout`: 设置子进程的超时时间(以秒为单位)。如果子进程在指定时间内没有完成,将会被终止。 6. **其他选项**: - `preexec_fn`: 一个可调用对象,在子进程执行之前会被调用。 - `startupinfo` 和 `creationflags`: 仅在 Windows 上有效,用于配置子进程的启动信息和创建标志。 ### 示例代码 ```python import subprocess # 启动一个简单的子进程并获取其输出 process = subprocess.Popen(['ls', '-l'], stdout=subprocess.PIPE, stderr=subprocess.PIPE) stdout, stderr = process.communicate() print("Standard Output:") print(stdout.decode()) print("Standard Error:") print(stderr.decode()) ``` 在这个示例中,我们使用 `subprocess.Popen` 启动了一个 `ls -l` 命令,并通过管道捕获了它的标准输出和标准错误。然后,我们使用 `communicate()` 方法来读取这些输出。 ###
评论 6
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值