Open deepllz opened 1 day ago
Auto Parallel
Bug fixes
修复由于通信组创建顺序不同导致的hang的问题。此问题首次出现在调试allgather moe动转静测试中,具体原因如下: 目前动转静通信组的建立是在静半reshard模块中,例如:nd_mesh_reshard_func.py,创建通信组之后所有进程都要同步一次,用以避免其他的问题。所以要求全部rank创建通信组的顺序必须严格一致,否则可能导致hang。例如有4个进程[0, 1, 2, 3],有的进程创建了[0, 2]通信组,有的进程没有,就会导致hang,moe场景恰好触发了这个case。 Pcard-73145
你的PR提交成功,感谢你对开源项目的贡献! 请关注后续CI自动化测试结果,详情请参考Paddle-CI手册。 Your PR has been submitted. Thanks for your contribution! Please wait for the result of CI firstly. See Paddle CI Manual for details.
PR Category
Auto Parallel
PR Types
Bug fixes
Description
修复由于通信组创建顺序不同导致的hang的问题。此问题首次出现在调试allgather moe动转静测试中,具体原因如下: 目前动转静通信组的建立是在静半reshard模块中,例如:nd_mesh_reshard_func.py,创建通信组之后所有进程都要同步一次,用以避免其他的问题。所以要求全部rank创建通信组的顺序必须严格一致,否则可能导致hang。例如有4个进程[0, 1, 2, 3],有的进程创建了[0, 2]通信组,有的进程没有,就会导致hang,moe场景恰好触发了这个case。 Pcard-73145