import torch crashes or hangs with spindle
还没有人认领这个 Issue。
评估
- 难度
- 4/5
- 预计耗时
- 3-5 天
- 新手友好度
- 25/100
- Issue 类型
- 缺陷
- 描述清晰度
- 需要澄清
- 活跃度
- 停滞
- 技术栈
- python, pytorch
调研方向
首先，使用提供的 spindle 和 mpiexec 命令在 128 个节点上复现间歇性故障，然后检查发生 traceback 的 torch/init.py 和 torch/torch_version.py。确定 spindle 是否将 null 字节引入了导入的源代码，并记录这种行为是否是一个已知问题，最终应得到可靠的复现或解释。
由索引模型根据 Issue 内容生成。
描述
import torch sometimes works and sometimes crashes randomly with the following error on 128 nodes.
Could you tag if its an already known issue?
I used commits till 92bda828efcef13e3b2f83e0c01b8280665c290c on devel branch
pytorch 2.5
kaushikvelusamy@node_name:lustre_dir_location/kaushik> mpiexec --spindle=python-prefix=${CONDA_DIR} --np 24 --ppn 12 --genvall --genv=PYTHONPATH=${CONDA_DIR} --cpu-bind=list:4:9:14:19:20:25:56:61:66:71:74:79 ${APP_LOC}
spindle-bin/bin/spindle --location=/tmp/kaushik/spindle-test/spindle-temp-dir mpiexec --genvall --genv TMPDIR=/tmp/kaushik/spindle-test/spindle-temp-dir --genv=PYTHONPATH=lustre_dir_location/kaushik/spindle/spindle_tests_apps/torch-with-spindle/lus_pip_torch_2.3_env_128/ --np 1536 --ppn 12 --cpu-bind=list:4:9:14:19:20:25:56:61:66:71:74:79 spindlemarker lustre_dir_location/kaushik/spindle/spindle_tests_apps/torch-with-spindle/app_3.sh
Traceback (most recent call last):
File "<string>", line 1, in <module>
Traceback (most recent call last):
File "<string>", line 1, in <module>
File "lustre_dir_location/kaushik/spindle/spindle_tests_apps/torch-with-spindle/lus_pip_torch_2.3_env_2/torch/__init__.py", line 36, in <module>
from .torch_version import __version__ as __version__
File "lustre_dir_location/kaushik/spindle/spindle_tests_apps/torch-with-spindle/lus_pip_torch_2.3_env_2/torch/torch_version.py", line 5, in <module>
Traceback (most recent call last):
File "<string>", line 1, in <module>
File "lustre_dir_location/kaushik/spindle/spindle_tests_apps/torch-with-spindle/lus_pip_torch_2.3_env_2/torch/__init__.py", line 36, in <module>
from .torch_version import __version__ as __version__
File "lustre_dir_location/kaushik/spindle/spindle_tests_apps/torch-with-spindle/lus_pip_torch_2.3_env_2/torch/torch_version.py", line 5, in <module>
from ._vendor.packaging.version import Version, InvalidVersion
ValueError: source code string cannot contain null bytes
node_name.hostmgmt2611.cm.system_name.: rank 6 exited with code 1
node_name.hostmgmt2611.cm.system_name.: rank 1 died from signal 15
kaushikvelusamy@node_name:lustre_dir_location/kaushik>
- 主要语言
- C
- 星标
- 110
- 派生
- 35
- 平均合并
- 2 天 9 小时
- 30 天内合并 PR
- 2
环境准备
这个项目没有提供开发容器、Dockerfile 或贡献指南，环境需要你自己搭建：先看它的 README，通用步骤见我们的新手贡献指南。
从这里开始
- 先读完整个 Issue，再读项目的贡献指南。
- 在 Issue 下留言说明你要接手 —— 这能避免两个人做同样的事。
- Fork 仓库，在一个分支上完成修改。
- 提交 Pull Request，并在描述里引用这个 Issue 编号。
llnl/Spindle 的其他 Issue
-
难度 1/5 1 小时以内 新手友好度 95/100
-
难度 2/5 1-3 小时 新手友好度 76/100
-
难度 2/5 1-3 小时 新手友好度 72/100
-
难度 4/5 3-5 天 新手友好度 42/100
-
Create executable to create/validate Spindle configure scripts可能已有人在做 @rountree 于 17 天前认领。 未关闭enhancement
相似的 Issue
-
难度 1/5 1 小时以内 新手友好度 78/100
ly05010419/MacNativeGames#1949 ·
维护者通常 1 天内回复
-
severity: low
难度 1/5 1 小时以内 新手友好度 92/100
luainkernel/lunatik#2391 ·
维护者通常 1 天内回复
-
LLVM versions未关闭
难度 2/5 1-3 小时 新手友好度 67/100
维护者通常 1 天内回复
-
bug good first issue help wanted
难度 1/5 1 小时以内 新手友好度 86/100
-
难度 2/5 1-3 小时 新手友好度 68/100
维护者通常 1 天内回复