分布式訓練

需求

Databricks運行時ML。

使用Horovod

下麵的文章提供了關於使用Horovod進行分布式深度學習的一般信息，並舉例說明如何使用HorovodRunner和horovod.spark包中。

安裝不同版本的Horovod

要從ML集群中的預安裝版本升級或降級Horovod，必須按照以下步驟重新編譯Horovod:

1. 卸載當前版本的Horovod。

％皮普卸載-yhorovod

2. 如果在Databricks Runtime 8.1 ML或以上版本上使用gpu加速集群，請安裝編譯Horovod所需的CUDA開發庫。為了保證兼容性，請保持包版本不變。

％上海wgethttps：//開發人員．下載．英偉達．com/計算/cuda/回購/ubuntu1804/x86_64/cuda-ubuntu1804．銷mvcuda-ubuntu1804．銷/等/恰當的/首選項．d/cuda-存儲庫-銷-600恰當的-關鍵阿德--獲取-鍵https：//開發人員．下載．英偉達．com/計算/cuda/回購/ubuntu1804/x86_64/7fa2af80．酒吧添加-恰當的-存儲庫"deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/ /"wgethttps：//開發人員．下載．英偉達．com/計算/機-學習/回購/ubuntu1804/x86_64/英偉達-機-學習-回購-ubuntu1804_1.0.0-1_amd64．黛比dpkg-我。/英偉達-機-學習-回購-ubuntu1804_1.0.0-1_amd64．黛比恰當的-得到更新恰當的-得到安裝--允許-降級--沒有-安裝-建議-y＼cuda-nvml-dev-11-0＝11.0.167-1＼cuda-學校網站-11-0＝11.0.221-1＼cuda-cudart-dev-11-0＝11.0.221-1＼cuda-庫-dev-11-0＝11.0.3-1＼libnccl-dev＝2.7.8-1+cuda11．0＼libcusparse-dev-11-0＝11.1.1.245-1

3. 下載所需版本的Horovod源代碼，並使用適當的標記進行編譯。如果您不需要任何擴展(例如HOROVOD_WITH_PYTORCH)，你可以移除這些標誌。

%sh HOROVOD_VERSION=v0.21.3 #根據需要更改git clone——recursive https://github.com/horovod/horovod.git——branch ${HOROVOD_VERSION} cd horovod rm -rf build/ dist/ HOROVOD_WITH_MPI=1 HOROVOD_WITH_TENSORFLOW=1 HOROVOD_WITH_PYTORCH=1 \ #對於Databricks Runtime 8.4 ML及以下，替換為/ Databricks /conda/envs/ Databricks - ML /bin/python sudo / Databricks /python3/bin/python setup.py bdist_wheel readlink -f dist/horovod-*.whl

% sh HOROVOD_VERSION = v0.21.3 #在必要時改變git克隆——遞歸https://github.com/horovod/horovod.git分支$ {HOROVOD_VERSION} cd horovod rm射頻構建/ dist / HOROVOD_GPU_ALLREDUCE = NCCL HOROVOD_CUDA_HOME = / usr /地方/ cuda HOROVOD_WITH_MPI = 1 HOROVOD_WITH_TENSORFLOW = 1 HOROVOD_WITH_PYTORCH = 1 \ #磚運行時的8.4毫升和下麵,替換為/磚/ conda / env / databricks-ml-gpu / bin / python sudo /磚/ python3 / bin / python setup . py bdist_wheel指向- f dist / horovod - * .whl

4. 使用%皮普通過從上一個命令的輸出中指定車輪路徑來重新安裝Horovod。0.21.3如本例所示。

％皮普安裝--沒有-緩存-dir/磚/司機/horovod/經銷/horovod-0.21.3-cp38-cp38-linux_x86_64．whl

排除Horovod安裝故障

問題:進口horovod。{火炬| tensorflow}提出了ImportError:擴展horovod。{火炬| tensorflow}有不被建

解決方案: Horovod是在Databricks Runtime ML上預安裝的，因此如果更新環境出錯，通常會出現此錯誤。該錯誤指示Horovod安裝在所需的庫(PyTorch或TensorFlow)之前。由於Horovod是在安裝過程中編譯的，horovod。{火炬| tensorflow}如果這些包在安裝Horovod期間不存在，則不會被編譯。要解決這個問題，請遵循以下步驟:

1. 驗證您是在Databricks Runtime ML集群上。

2. 確保PyTorch或TensorFlow包已經安裝。

3. 卸載Horovod (%皮普卸載可能是horovod）.

4. 安裝cmake（%皮普安裝cmake）.

5. 重新安裝horovod．