3.1 KiB
Linux GPU/CPU 多机多卡训练推理测试
Linux GPU/CPU 多机多卡训练推理测试的主程序为test_train_inference_python.sh，可以测试基于Python的模型训练、评估、推理等基本功能。
1. 测试结论汇总
- 训练相关：
| 算法名称 | 模型名称 | 多机多卡 |
|---|---|---|
| PP-OCRv3 | ch_PP-OCRv3_rec | 分布式训练 |
2. 测试流程
运行环境配置请参考文档的内容配置TIPC的运行环境。
2.1 功能测试
2.1.1 修改配置文件
首先，修改配置文件中的ip设置: 假设两台机器的ip地址分别为192.168.0.1和192.168.0.2，则对应的配置文件gpu_list字段需要修改为gpu_list:192.168.0.1,192.168.0.2;0,1； ip地址查看命令为ifconfig。
2.1.2 准备数据
运行prepare.sh准备数据和模型，以配置文件test_tipc/configs/ch_PP-OCRv3_rec/train_linux_gpu_fleet_normal_infer_python_linux_gpu_cpu.txt为例，数据准备命令如下所示。
bash test_tipc/prepare.sh test_tipc/configs/ch_PP-OCRv3_rec/train_linux_gpu_fleet_normal_infer_python_linux_gpu_cpu.txt lite_train_lite_infer
注意： 由于是多机训练，这里需要在所有的节点上均运行启动上述命令，准备数据。
2.1.3 修改起始端口并开始测试
在多机的节点上使用下面的命令设置分布式的起始端口（否则后面运行的时候会由于无法找到运行端口而hang住），一般建议设置在10000~20000之间。
export FLAGS_START_PORT=17000
以配置文件test_tipc/configs/ch_PP-OCRv3_rec/train_linux_gpu_fleet_normal_infer_python_linux_gpu_cpu.txt为例，测试方法如下所示。
bash test_tipc/test_train_inference_python.sh test_tipc/configs/ch_PP-OCRv3_rec/train_linux_gpu_fleet_normal_infer_python_linux_gpu_cpu.txt lite_train_lite_infer
注意： 由于是多机训练，这里需要在所有的节点上均运行启动上述命令进行测试。
2.1.4 输出结果
输出结果如下，表示命令运行成功。
Run successfully with command - ch_PP-OCRv3_rec - python3.7 -m paddle.distributed.launch --ips=192.168.0.1,192.168.0.2 --gpus=0,1 tools/train.py -c test_tipc/configs/ch_PP-OCRv3_rec/ch_PP-OCRv3_rec_distillation.yml -o Global.use_gpu=True Global.save_model_dir=./test_tipc/output/ch_PP-OCRv3_rec/lite_train_lite_infer/norm_train_gpus_0,1_autocast_fp32_nodes_2 Global.epoch_num=3 Global.auto_cast=fp32 Train.loader.batch_size_per_card=16 !
该信息可以在运行log中查看，以上面的ch_PP-OCRv3_rec为例，log位置在./test_tipc/output/ch_PP-OCRv3_rec/lite_train_lite_infer/results_python.log。
如果运行失败，也会在终端中输出运行失败的日志信息以及对应的运行命令。可以基于该命令，分析运行失败的原因。
注意： 由于分布式训练时，仅在trainer_id=0所在的节点中保存模型，因此如果测试多机的推理过程，其他的节点中在运行模型导出与推理时会报错，为正常现象。