创建训练任务

1. 智算控制台页面选择“离线训练”，单击“创建AI应用”

2. 在创建详情页根据需要修改任务基本的信息，比如任务名、任务类型（Pytorch/Tensorflow/Minspore）、命名空间等配置

3. 选择多机训练任务

4. 选择框架，这里会根据选择的任务类型筛选出所有对应的框架镜像

说明

这里使用nvidia-pytorch-example框架，此框架内置了用于演示的Mnist训练数据集和代码。

5. 选择框架镜像版本，如下所示此演示镜像支持多架构

6. 选择队列，队列用于限制一组任务所使用的资源

说明

若没有队列则单击去创建，并设置各类资源配额。

7. 配置Master资源及启动参数等信息，如果需要使用RDMA加速训练则将RDMA资源通过自定义方式进行挂载

8. 配置Worker资源及启动参数等信息，如果需要使用RDMA加速训练则将RDMA资源通过自定义方式进行挂载

9. 启动参数及环境变量说明

启动命令如下：可调整对应训练轮次参数，GPU设置backend为nccl

python3 /opt/mnist/src/mnist.py --epochs=5 --backend=nccl

Pytorch任务环境变量设置

PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION:python

设置完成后单击确认创建训练任务。

查看训练任务

1. 待训练任务状态变为“运行中”时进入训练任务详情页查看对应的日志和监控

2. 训练任务正常结束后状态会变为“成功”。