Issues with pretraining the model in multiple GPU multiple nodes

Aperta
  • Qualcosa non va?
#16 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
4/5
Tempo stimato
3-5 giorni
Idoneità per principianti
35/100
Tipo di issue
Bug
Chiarezza
Abbastanza chiara
Stato di attività
Ferma
Stack tecnologico
python
Ambito
distributed-systems, machine-learning

Direzione di ricerca

Inizia con train_pubchem_light.py e con la configurazione distribuita mostrata nel log, in particolare MASTER_ADDR, MASTER_PORT, NODE_RANK, NCCL_SOCKET_IFNAME e i messaggi di inizializzazione di DDP. Riproduci l’esecuzione su due nodi e due GPU e verifica dove si arresta l’esecuzione dopo l’inizializzazione di NCCL; il lavoro è completato quando l’addestramento procede e vengono riportate le loss.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

I am trying to pretraining the model using the train_pubchem_light.py on multiple GPUs across multiple nodes. When I run the code (with some modification for LSF to SLURM). For a multinode mullgpu run I am getting the following log:

fused_weight_gradient_mlp_cuda module not found. gradient accumulation fusion with weight gradient computation disabled.
Using custom data configuration default-aa670d5a2f66e342
Reusing dataset pub_chem (/tmp/silabrata.93/pubchem/pub_chem/default-aa670d5a2f66e342/0.0.0/a6cf7324273df2f2ba223646cb9ecbb36c120aab97c28e8378a3afe9dca94289)
['g073.cluster', 'g074.cluster']
g073.cluster
['g073.cluster']
g073.cluster MASTER_ADDR: g073.cluster
g073.cluster MASTER_PORT: 54966
g073.cluster NODE_RANK 0
g073.cluster NCCL_SOCKET_IFNAME: ib0
g073.cluster NCCL_DEBUG: INFO
g073.cluster NCCL_IB_CUDA_SUPPORT: 1
Using 2 Nodes---------------------------------------------------------------------
Using 2 GPUs---------------------------------------------------------------------
{'batch_size': 500, 'num_workers': 4, 'pin_memory': True}
../data/ZINC/CCEA.smi
../data/ZINC/BIBD.smi
../data/ZINC/DDCD.smi
../data/ZINC/DAEA.smi
../data/ZINC/CBCB.smi
../data/ZINC/BICA.smi
../data/ZINC/CKCA.smi
../data/ZINC/CACA.smi
../data/ZINC/AGAB.smi
../data/ZINC/BAEA.smi
../data/ZINC/BECB.smi
../data/ZINC/CEAA.smi
../data/ZINC/BJEA.smi
../data/ZINC/BKEB.smi
../data/ZINC/AKEA.smi
a configuration default-8780d85d721ae806
Reusing dataset zinc (/tmp/silabrata.93/zinc/zinc/default-8780d85d721ae806/0.0.0/81866737128724210ed5dd6e7ce0e6a97d5dca6bdcee21f0d8ab6d3e1fa68ac5)
Global seed set to 12345
GPU available: True, used: True
TPU available: None, using: 0 TPU cores
Using environment variable NODE_RANK for node rank (0).
LOCAL_RANK: 0 - CUDA_VISIBLE_DEVICES: [0,1]
fused_weight_gradient_mlp_cuda module not found. gradient accumulation fusion with weight gradient computation disabled.
Using custom data configuration default-aa670d5a2f66e342
Reusing dataset pub_chem (/tmp/silabrata.93/pubchem/pub_chem/default-aa670d5a2f66e342/0.0.0/a6cf7324273df2f2ba223646cb9ecbb36c120aab97c28e8378a3afe9dca94289)
['g073.cluster', 'g074.cluster']
g073.cluster
['g073.cluster']
g073.cluster MASTER_ADDR: g073.cluster
g073.cluster MASTER_PORT: 54966
g073.cluster NODE_RANK 0
g073.cluster NCCL_SOCKET_IFNAME: ib0
g073.cluster NCCL_DEBUG: INFO
g073.cluster NCCL_IB_CUDA_SUPPORT: 1
Using 2 Nodes---------------------------------------------------------------------
Using 2 GPUs---------------------------------------------------------------------
{'batch_size': 500, 'num_workers': 4, 'pin_memory': True}
../data/ZINC/CCEA.smi
../data/ZINC/BIBD.smi
../data/ZINC/DDCD.smi
../data/ZINC/DAEA.smi
../data/ZINC/CBCB.smi
../data/ZINC/BICA.smi
Using custom data configuration default-8780d85d721ae806
Reusing dataset zinc (/tmp/silabrata.93/zinc/zinc/default-8780d85d721ae806/0.0.0/81866737128724210ed5dd6e7ce0e6a97d5dca6bdcee21f0d8ab6d3e1fa68ac5)
Global seed set to 12345
LOCAL_RANK: 1 - CUDA_VISIBLE_DEVICES: [0,1]
Global seed set to 12345
initializing ddp: GLOBAL_RANK: 1, MEMBER: 2/4
Global seed set to 12345
initializing ddp: GLOBAL_RANK: 0, MEMBER: 1/4
g073:190341:190341 [0] NCCL INFO Bootstrap : Using [0]ib0:10.73.133.90<0>
g073:190341:190341 [0] NCCL INFO NET/Plugin : No plugin found (libnccl-net.so), using internal implementation
g073:190341:190341 [0] NCCL INFO NET/IB : Using [0]mlx5_0:1/IB ; OOB ib0:10.73.133.90<0>
g073:190341:190341 [0] NCCL INFO Using network IB
NCCL version 2.7.8+cuda11.0
g073:190541:190541 [1] NCCL INFO Bootstrap : Using [0]ib0:10.73.133.90<0>
g073:190541:190541 [1] NCCL INFO NET/Plugin : No plugin found (libnccl-net.so), using internal implementation
g073:190541:190541 [1] NCCL INFO NET/IB : Using [0]mlx5_0:1/IB ; OOB ib0:10.73.133.90<0>
073:190541:190541 [1] NCCL INFO Using network IB

However, the training doe does not start and the code kind of hangs here, Although the code continues to run but fails to propagate and show the losses. Can someone help me out with why it is getting stuck. It seems that master address, nodes and gpus are getting detected properly.

Lingua principale
Jupyter Notebook
Stelle
422
Fork
61
Nessuna PR unita negli ultimi 30g

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di IBM/molformer

Tutte le issue di IBM/molformer

Issue simili

Altre issue su Distributed Systems

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.