Pytorch 分布式并行DDP 卡死 挂起

问题描述：

1、使用A30显卡，使用分布式并行Distributed Data Parallel，运行程序时显卡显存充满，卡在设置local_rank处，并未启动进程组
2、如图：

解决方案：

0、最新解决方案，针对Supermicro主板：BIOS->Advanced->NB Configuration->IOMMU->Disabled

==其它型号的主板的BIOS可能还需要禁用ACS：
https://zhuanlan.zhihu.com/p/607203976
https://www.supermicro.com/support/faqs/faq.cfm?faq=20264
https://www.supermicro.com/support/faqs/faq.cfm?faq=22226
后面的1-4可不看了~

1、更换后端为“Gloo”，正常执行shell命令运行程序。

torch.distributed.init_process_group(backend="Gloo")

python -m torch.distributed.launch --nproc_per_node=7 --master_port 8888 main.py

2、仍旧使用“NCCL”后端，但需要更改环境变量，在shell命令前加入禁用P2P。

torch.distributed.init_process_group(backend="NCCL")

NCCL_P2P_DISABLE=1 python -m torch.distributed.launch --nproc_per_node=7 --master_port 8888 main.py

3、仍旧使用“NCCL”后端，但需要更改环境变量，永久更改环境设置，正常执行shell命令运行程序。

torch.distributed.init_process_group(backend="NCCL")

vim ~/.bashrcexport NCCL_P2P_DISABLE=1source ~/.bashrc.

python -m torch.distributed.launch --nproc_per_node=7 --master_port 8888 main.py

4、建议使用第3个方案，据我测试，Gloo后端没有NCCL后端通信速度快，程序运行速度NCCL较快。另外，每次加上修改环境变量的命令也挺烦的，修改bash环境变量一劳永逸。

bug分析：

NCCL_P2P_DISABLE=1将禁用GPU之间直接通信（如使用NVlink或者PCIe），鉴于NVDIA官网显示A30支持NVlink或者PCIe，因此判断可能是硬件故障或者是软件版本不匹配导致P2P通信受阻，使得进程阻塞，程序挂起。

参考：

1：https://zhuanlan.zhihu.com/p/60054075
2：https://github.com/pytorch/pytorch/issues/23074