Slurm：提交到多个节点时出错“slurmstepd: error: execve(): python: No such file or directory”

编程问答 2022-05-28

问题描述

我有一个 bash 脚本 submit.sh 用于将训练作业提交到 Slurm 服务器。它的工作原理如下。做

bash submit.sh p1 8 config_file

将对应于 config_file 的一些任务提交给分区 p1 的 8 个 GPU。 p1 的每个节点有 4 个 GPU，因此该命令请求 2 个节点。

submit.sh的内容可以总结如下，其中我使用sbatch提交一个Slurm脚本（train.slurm）：

#!/bin/bash
# submit.sh

PARTITION=$1
NGPUs=$2
CONfig=$3

NGPUS_PER_NODE=4
NcpuS_PER_TASK=10

sbatch --partition ${PARTITION} \
    --job-name=${CONfig} \
    --output=logs/${CONfig}_%j.log \
    --ntasks=${NGPUs} \
    --ntasks-per-node=${NGPUS_PER_NODE} \
    --cpus-per-task=${NcpuS_PER_TASK} \
    --gres=gpu:${NGPUS_PER_NODE} \
    --hint=nomultithread \
    --time=10:00:00
    --export=CONfig=${CONfig},NGPUs=${NGPUs},NGPUS_PER_NODE=${NGPUS_PER_NODE} \
    train.slurm

现在在 Slurm 脚本 train.slurm 中，我决定是在一个节点还是多个节点上启动训练 Python 脚本（这两种情况下启动它的方式不同）：

#!/bin/bash
# train.slurm
#SBATCH --distribution=block:block

# Load Python environment
module purge
module load pytorch/py3/1.6.0
 
set -x

if [ ${NGPUs} -gt ${NGPUS_PER_NODE} ]; then # Multi-node training
    # Some variables needed for the training script
    export MASTER_PORT=12340
    export WORLD_SIZE=${NGPUs}
    # etc.

    srun python train.py --cfg ${CONfig}
else # Single-node training
    python -u -m torch.distributed.launch --nproc_per_node=${NGPUS_PER_NODE} --use_env train.py --cfg ${CONfig}
fi

现在，如果我在单个节点上提交（例如，bash submit.sh p1 4 config_file），它会按预期工作。但是，在多个节点（例如，bash submit.sh p1 8 config_file）上提交会产生以下错误：

slurmstepd: error: execve(): python: No such file or directory

这意味着在其中一个节点上无法识别 Python 环境。我尝试将 python 替换为 $(which python) 以获取虚拟环境中 Python 二进制文件的完整路径，但随后出现了另一个错误：

OSError: libmpi_cxx.so.40: cannot open shared object file: No such file or directory

如果我不使用 submit.sh 而是将所有 #SBATCH 变量添加到 train.slurm，然后直接从命令行使用 sbatch 提交作业，然后有用。因此，似乎将 sbatch 包装在 bash 脚本中导致了这个问题。

你能帮我解决这个问题吗？

在此先感谢您。

解决方法

请注意，--export 参数会导致 srun 的环境重置为所有 SLURM_* 变量以及明确设置的变量，因此在您的情况下为 CONFIG,NGPUs,NGPUS_PER_NODE。因此，将不会设置 PATH 变量并且 srun 将找不到 python 可执行文件。

请注意，--export 不会改变提交脚本的环境，因此不使用 srun 的单节点情况确实运行良好。

尝试提交

--export=ALL,CONFIG=${CONFIG},NGPUs=${NGPUs},NGPUS_PER_NODE=${NGPUS_PER_NODE} \

注意添加的 ALL 作为列表中的第一项。

另一种选择是简单地完全删除 --export 行并在 submit.sh 脚本中显式导出变量，因为 Slurm 默认将提交环境传播到作业。

export PARTITION=$1
export NGPUs=$2
export CONFIG=$3

export NGPUS_PER_NODE=4
export NCPUS_PER_TASK=10
bashdistributed-computingsbatchslurm