ParallelEnv

class paddle.distributed. ParallelEnv [源代码]

注解

不推荐使用这个 API,如果需要获取 rank 和 world_size,建议使用 paddle.distributed.get_rank()paddle.distributed.get_world_size()

这个类用于获取动态图模型并行执行所需的环境变量值。

动态图并行模式现在需要使用 paddle.distributed.launch 模块或者 paddle.distributed.spawn 方法启动。

代码示例

>>> import paddle
>>> import paddle.distributed as dist

>>> def train():
...     # 1. initialize parallel environment
...     dist.init_parallel_env()
...     # 2. get current ParallelEnv
...     parallel_env = dist.ParallelEnv()
...     print("rank: ", parallel_env.rank)
...     print("world_size: ", parallel_env.world_size)

>>> if __name__ == '__main__':
...     # 1. start by ``paddle.distributed.spawn`` (default)
...     dist.spawn(train, nprocs=2)
...     # 2. start by ``paddle.distributed.launch``
...     train()

# Print result in process 1:
rank: 1
world_size: 2

# Print result in process 2:
rank: 2
world_size: 2

属性

rank

当前训练进程的编号。

此属性的值等于环境变量 PADDLE_TRAINER_ID 的值。默认值是 0。

代码示例

>>> # execute this command in terminal: export PADDLE_TRAINER_ID=0
>>> import paddle.distributed as dist

>>> env = dist.ParallelEnv()
>>> print("The rank is %d" % env.rank)
The rank is 0

world_size

参与训练进程的数量,一般也是训练所使用 GPU 卡的数量。

此属性的值等于环境变量 PADDLE_TRAINERS_NUM 的值。默认值为 1。

代码示例

>>> # execute this command in terminal: export PADDLE_TRAINERS_NUM=4
>>> import paddle.distributed as dist

>>> env = dist.ParallelEnv()
>>> print("The world_size is %d" % env.world_size)
The world_size is 4

device_id

当前用于并行训练的 GPU 的编号。

此属性的值等于环境变量 FLAGS_selected_gpus 的值。默认值是 0。

代码示例

>>> # execute this command in terminal: export FLAGS_selected_gpus=1
>>> import paddle.distributed as dist

>>> env = dist.ParallelEnv()
>>> print("The device id are %d" % env.device_id)
The device id are 1

current_endpoint

当前训练进程的终端节点 IP 与相应端口,形式为(机器节点 IP:端口号)。例如:127.0.0.1:6170。

此属性的值等于环境变量 PADDLE_CURRENT_ENDPOINT 的值。默认值为空字符串""。

代码示例

>>> # execute this command in terminal: export PADDLE_CURRENT_ENDPOINT=127.0.0.1:6170
>>> import paddle.distributed as dist

>>> env = dist.ParallelEnv()
>>> print("The current endpoint are %s" % env.current_endpoint)
The current endpoint are 127.0.0.1:6170

trainer_endpoints

当前任务所有参与训练进程的终端节点 IP 与相应端口,用于在 NCCL2 初始化的时候建立通信,广播 NCCL ID。

此属性的值等于环境变量 PADDLE_TRAINER_ENDPOINTS 的值。默认值为空字符串""。

代码示例

>>> # execute this command in terminal: export PADDLE_TRAINER_ENDPOINTS=127.0.0.1:6170,127.0.0.1:6171
>>> import paddle.distributed as dist

>>> env = dist.ParallelEnv()
>>> print("The trainer endpoints are %s" % env.trainer_endpoints)
The trainer endpoints are ['127.0.0.1:6170', '127.0.0.1:6171']