昇腾多卡通信教程【配置网络检测对象IP】

无法通信会出现的错误如下

一、网络健康状态报错

命令原型

bash 复制代码
hccn_tool [-i %d] -netdetect -s [address %s]

命令功能

本功能支持用户执行命令获取网络健康状态(本端与所配置的检测IP之间的连通状态),用户可指定上报的状态信息名称。

状态信息:

0:Success;1:Socket fail;2:Receive timeout;3:Unreachable;4:Time exceeded;5:Fault;6:Init;7:Thread error;8:Detect ip set;其它:Unknown。

参数说明

参数 说明
-i 指定设备ID。取值范围:0~7。
-net_health 指定网络健康状态属性。
-g 获取属性。

使用样例

bash 复制代码
hccn_tool -i 1 -net_health -g

报错

bash 复制代码
net health status: Init

二、运行hccl_tools.py报错

根据RANK_TABLE_FILE准备----单机8卡

运行mindformers/tools/hccl_tools.py,生成RANK_TABLE_FILE文件

bash 复制代码
# 运行如下命令,生成当前机器的RANK_TABLE_FILE的json文件
python ./mindformers/tools/hccl_tools.py --device_num "[0,8)"

报错

bash 复制代码
start /home/HwHiAiUser/mindformers/./mindformers/tools/hccl_tools.py
visible_devices:['0', '1', '2', '3', '4', '5', '6', '7']
server_id:127.0.0.1
device_num_list: [0, 1, 2, 3, 4, 5, 6, 7]
Command execute failed!
Failed to call hccn_tool, try to read /etc/hccn.conf instead
Traceback (most recent call last):
  File "/home/HwHiAiUser/mindformers/./mindformers/tools/hccl_tools.py", line 163, in <module>
    main()
  File "/home/HwHiAiUser/mindformers/./mindformers/tools/hccl_tools.py", line 137, in main
    device_ip = device_ips[device_id]
KeyError: '0'

三、多卡推理报错

多卡推理baichuan2-13b,这个时候已经解决了上面的报错,但是这时多卡依然无法通信,报错EI0004,官网论坛以及昇思文档还有gitee都没有解决方案
报错

bash 复制代码
[WARNING] Distributed Communication has not been inited. Use default RANK_SIZE: 1
[WARNING] Distributed Communication has not been inited. Use default RANK_ID: 0
Traceback (most recent call last):
 File "/home/anaconda3/envs/sakura/lib/python3.9/site-packages/mindformers/core/context/build_context.py", line 95, in init_context
   init()
 File "/home/anaconda3/envs/sakura/lib/python3.9/site-packages/mindspore/communication/management.py", line 171, in init
   init_hccl()
RuntimeError: Ascend collective communication initialization failed.

----------------------------------------------------
- Ascend Error Message:
----------------------------------------------------
EI0004: The ranktable or rank is invalid,Reason:[The ranktable config devId is inconsistent with the local devId.]. Please check the configured ranktable. [{"server_count":"1","server_list":[{"device":[{"device_id":"0","device_ip":"192.168.2.60","rank_id":"0"},{"device_id":"1","device_ip":"192.168.3.60","rank_id":"1"},{"device_id":"2","device_ip":"192.168.4.60","rank_id":"2"},{"device_id":"3","device_ip":"192.168.5.60","rank_id":"3"},{"device_id":"4","device_ip":"192.168.6.60","rank_id":"4"},{"device_id":"5","device_ip":"192.168.7.60","rank_id":"5"},{"device_id":"6","device_ip":"192.168.8.60","rank_id":"6"},{"device_id":"7","device_ip":"192.168.9.60","rank_id":"7"}],"host_nic_ip":"reserve","server_id":"127.0.0.1"}],"status":"completed","version":"1.0"}]
       Solution: Try again with a valid cluster configuration in the ranktable file. Ensure that the configuration matches the operating environment.

(Please search "Ascend Error Message" at https://www.mindspore.cn for error code description)

----------------------------------------------------
- Framework Error Message: (For framework developers)
----------------------------------------------------
Init hccl graph adapter failed.
----------------------------------------------------
- C++ Call Stack: (For framework developers)
----------------------------------------------------
mindspore/ccsrc/plugin/device/ascend/hal/hardware/ascend_collective_comm_lib.cc:129 Initialize
mindspore/ccsrc/plugin/device/ascend/hal/hccl_adapter/hccl_adapter.cc:452 InitKernelInfoStore


During handling of the above exception, another exception occurred:

Traceback (most recent call last):
 File "/home/HwHiAiUser/mindformers/research/baichuan2/run_baichuan2_pipeline.py", line 35, in <module>
   build_context(baichuan2_config)
 File "/home/anaconda3/envs/sakura/lib/python3.9/site-packages/mindformers/core/context/build_context.py", line 43, in build_context
   local_rank, device_num = init_context(use_parallel=config.use_parallel,
 File "/home/anaconda3/envs/sakura/lib/python3.9/site-packages/mindformers/core/context/build_context.py", line 97, in init_context
   raise RuntimeError("Notice: if you are trying to run with a single device, please set "
RuntimeError: Notice: if you are trying to run with a single device, please set use_parallel=False. If not, please check the error message above.

解决方案

第一步:配置RoCE网卡IP地址和子网掩码

命令原型

bash 复制代码
hccn_tool [-i %d] -ip -s [address %s] [netmask %s]

命令功能

配置RoCE网卡的IP地址、子网掩码。

参数说明

参数 说明
-i 指定设备ID。取值范围:0~7。
-ip 指定IP属性。
-s 设置属性。
address IP地址。
netmask 子网掩码。

约束说明

该命令仅支持在物理机root用户下运行。

使用样例

bash 复制代码
hccn_tool -i 0 -ip -s address 192.168.2.60 netmask 255.255.255.0
hccn_tool -i 1 -ip -s address 192.168.3.60 netmask 255.255.255.0
hccn_tool -i 2 -ip -s address 192.168.4.60 netmask 255.255.255.0
hccn_tool -i 3 -ip -s address 192.168.5.60 netmask 255.255.255.0
hccn_tool -i 4 -ip -s address 192.168.6.60 netmask 255.255.255.0
hccn_tool -i 5 -ip -s address 192.168.7.60 netmask 255.255.255.0
hccn_tool -i 6 -ip -s address 192.168.8.60 netmask 255.255.255.0
hccn_tool -i 7 -ip -s address 192.168.9.60 netmask 255.255.255.0

注意事项

针对AI Server上每个Device侧OS管理8块昇腾AI处理器,需要为每个OS上的8块网卡配置不同的IP。

首次配置IP时会出现15秒后link状态变为down,然后恢复up状态的情况。

192.168.1.X、192.168.2.192、192.168.2.196、192.168.3.193、192.168.3.197、192.168.4.194、192.168.4.198、192.168.5.195和192.168.5.199用于板内网络通信使用,不支持配置。

设置完成后运行hccl_tools.py

bash 复制代码
start /home/HwHiAiUser/mindformers/./mindformers/tools/hccl_tools.py
visible_devices:['0', '1', '2', '3', '4', '5', '6', '7']
server_id:127.0.0.1
device_num_list: [0, 1, 2, 3, 4, 5, 6, 7]
rank_id:0, device_id:0, device_ip:192.168.2.60
rank_id:1, device_id:1, device_ip:192.168.3.60
rank_id:2, device_id:2, device_ip:192.168.4.60
rank_id:3, device_id:3, device_ip:192.168.5.60
rank_id:4, device_id:4, device_ip:192.168.6.60
rank_id:5, device_id:5, device_ip:192.168.7.60
rank_id:6, device_id:6, device_ip:192.168.8.60
rank_id:7, device_id:7, device_ip:192.168.9.60
Completed: hccl file was save in : /home/HwHiAiUser/mindformers/hccl_8p_01234567_127.0.0.1.json

这样就算是成功了,bug-2就解决了

第二步:配置网络检测对象IP

命令原型

bash 复制代码
hccn_tool [-i %d] -netdetect -s [address %s]

命令功能

配置网络检测对象IP。该功能主要用于检测网络状态,当多台服务器进行分布式训练时,可将检测对象IP配置为网段内的网关地址,服务器会定时检测和网关地址通信是否正常,从而实现检测服务器参数面网络状态是否正常的效果。该功能需配合获取网络健康状态使用。

参数说明

参数 说明
-i 指定设备ID。取值范围:0~7。
-netdetect 指定网络检测对象IP属性。
-s 设置属性。
address IP地址。

约束说明

该命令仅支持在物理机的root用户下运行。

使用样例

bash 复制代码
hccn_tool -i 0 -netdetect -s address 192.168.2.60
hccn_tool -i 1 -netdetect -s address 192.168.3.60
hccn_tool -i 2 -netdetect -s address 192.168.4.60
hccn_tool -i 3 -netdetect -s address 192.168.5.60
hccn_tool -i 4 -netdetect -s address 192.168.6.60
hccn_tool -i 5 -netdetect -s address 192.168.7.60
hccn_tool -i 6 -netdetect -s address 192.168.8.60
hccn_tool -i 7 -netdetect -s address 192.168.9.60

设置完成后随意检查一块显卡的健康状态

bash 复制代码
hccn_tool -i 7 -net_health -g

返回Success即为成功,这样就解决了bug-1和bug-3

bash 复制代码
net health status: Success

以上BUG在昇腾社区、华为官网、gitee中都找不到解决方案

相关推荐
做萤石二次开发的哈哈1 小时前
连锁门店、园区、交通枢纽的视频如何统一汇集?应用模板的接入与分权管理详解
人工智能·物联网·音视频·二次开发·视频监控·蓝海aiot一站式工作台·萤石云开放平台
老金带你玩AI1 小时前
全程拿着手机,我让dot准备了一场AI分享
人工智能
nvd111 小时前
Flink 批处理驱动的湖仓 AI 财务研报流水线:从双流广播汇聚到 Agent 智能决策与原生 Iceberg 落盘全景实战
大数据·人工智能·flink
snhna2 小时前
向量数据库深度实战:从 HNSW 到 pgvector、Milvus 选型与 RAG 落地
数据库·人工智能·python·postgresql·milvus
架构技术专栏2 小时前
Agent 工具调用:从工具声明到执行反馈
前端·人工智能·后端
点云-激光雷达-Slam-三维牙齿2 小时前
100,000 Records CSV File - India Traffic Accident Analysis Dataset.7z
人工智能·数据集
TechWayfarer2 小时前
精度极限的突破:AI与IPv6如何重塑高精度IP查询
人工智能·网络协议·tcp/ip·transformer
七十二时9562 小时前
视频掉帧怎么用AI补帧
人工智能
可达智灵2 小时前
信创适配|织灵 Coda Loom 2.0 完成银河麒麟服务器操作系统 V10、V11 适配认证
人工智能·可达智灵
天行健,君子而铎2 小时前
数据分类分级的范式转换:从规则匹配到场景化高准确率一键部署
网络·数据库·安全