本文为您介绍如何使用DLC提供的算力健康检测能力。
功能介绍
在执行DLC任务时，可能会遇到以下问题：
资源故障导致任务终端与GPU资源浪费：在任务花费一定时间加载模型Checkpoint或其他初始化操作后，由于申请的资源存在故障，无法顺利开始训练，需要调查定位故障问题并重新提交任务。该过程中会导致GPU资源的浪费。
性能问题定位与测试手段不足：在任务运行阶段，如果发现模型训练性能下降，可能是慢节点导致的，但缺少快捷有效的问题定位方法。此外，资源组内机器的GPU算力和通信性能测试也欠缺便捷且可靠的基准程序。
针对上述问题，DLC提供了算力健康检测（SanityCheck）功能，旨在对分布式训练任务的算力资源健康度与性能进行检查。在创建DLC训练任务时可以开启该功能，健康检测会对参与训练的资源进行全面检测，自动隔离故障节点，并触发后台自动化运维流程，有效减少任务训练初期遇到问题的可能性，提升训练成功率。此外，在检测完成后，会给出有关GPU算力以及通信性能的检测报告，可以帮助识别和定位可能导致任务训练性能下降的问题元素，整体提升问题诊断的效率。
使用限制
目前，该功能仅支持使用灵骏智算资源创建的PyTorch类型的训练任务，且要求任务资源的GPU（卡数）大于0。
开启健康检测
通过控制台
在PAI控制台创建DLC训练任务时，通过配置以下关键参数，开启健康检测功能。任务成功创建后，系统将占用一定的时间用于检测资源健康度和可用性，并给出检测结果。
其中关键参数配置说明如下：
资源信息配置：
参数
描述
参数
描述
资源类型
选择灵骏智算。
资源来源
选择资源配额。
资源配额
选择已创建的灵骏智算资源配额。如何创建资源配额，请参见灵骏智算资源配额。
框架
选择PyTorch。
任务资源
GPU（卡数）必须大于0。
容错与诊断配置：打开健康检测开关，并配置以下参数：
参数
描述
参数
描述
检测时机
任务运行前（默认）：即任务获取到资源后，先基于该训练任务的算力节点进行预先检测，再执行用户代码。
任务重启后：即当任务运行异常，AIMaster自动容错将任务重启后，进行算力健康检测。
选择该配置项时，必须打开自动容错功能。更多内容介绍，请参见AIMaster：弹性自动容错引擎。
检测项
默认开启GPU GEMM（用于检测GPU GEMM性能情况）、All-Reduce（用于检测节点通信性能，识别通信慢节点/故障节点）检测。
支持您选择计算性能检测、节点通信检测、计算通信交叉检测、模型模拟验证。更多检测项说明及推荐场景，请参见附录：检测项说明。
最长检测时间（分钟）
健康检测最长运行时间，默认为30分钟。在检测超时后，会触发预设的处理方法。
检测超时处理
当健康检测运行时间超过设定值时，您可以选择将任务转入以下状态：
结束任务（默认）：任务结束，状态将变为检测未通过。
挂起任务：将任务挂起，任务状态还是检测中，等待进一步的人工干预或系统指导进行下一步操作。
其他检测配置
默认为空。
通过OpenAPI
调用CreateJob接口时，在Settings参数中新增2个参数开启健康检测功能。如下表所示：
参数 | 描述 | 示例 |
参数 | 描述 | 示例 |
EnableSanityCheck | 任务是否打开算力健康检测。取值如下：
|
|
SanityCheckArgs | 算力健康检测的执行参数，取值如下：
|
|
查看检测结果
健康检测状态说明
DLC任务在健康检测中的相关状态项如下：
检测中：正在进行算力健康检测环节，期间的任务状态将显示为检测中。
检测未通过：在执行算力健康检测过程中，如果检测出问题，或检测时间超出设定的最大运行时间，状态将显示为检测未通过。
检测通过：算力健康检测全部通过后，任务将直接进入运行中的状态。
查看健康检测结果
通过控制台
在DLC任务详情页面下方的事件页签，单击健康检测，可以查看对应的检测结果。
通过OpenAPI
GetJobSanityCheckResult：获取DLC作业某次算力健康检测结果。
ListJobSanityCheckResults：获取某个DLC作业的多次算力健康检测结果。
配置消息通知
您可以在PAI工作空间的事件通知配置中创建消息通知规则，其中事件类型选择DLC任务>任务自动容错，其他参数配置详情，请参见消息通知。当算力健康检测未通过时，会发送消息通知。
工作空间创建消息通知使用说明： 事件通知配置。
附录：检测项说明
预估检测时长以2台机器为单位，数值仅供参考，请以实际情况为准。
检测项 | 含义说明（推荐场景） | 预估检测时长 | |
检测项 | 含义说明（推荐场景） | 预估检测时长 | |
计算性能检测 | GPU GEMM | 用于检测GPU GEMM性能情况，可识别：
| 1 分钟 |
GPU Kernel Launch | 用于检测 GPU Kernel 启动延迟情况，可识别：
| 1 分钟 | |
节点通信检测 | All-Reduce | 用于检测节点通信性能，识别通信慢节点/故障节点。在不同的通信模式下，可识别：
| 单个集合通信检测 5 分钟 |
All-to-All | |||
All-Gather | |||
Multi-All-Reduce | |||
Network Connectivity | 用于检测机头或机尾网络连通性，识别通信连通异常节点。 | 2 分钟 | |
计算通信交叉检测 | MatMul/All-Reduce Overlap | 用于检测通信kernel和计算kernel重叠时单节点的性能情况，可识别：
| 1 分钟 |
模型模拟验证 | Mini GPT | 使用模型模拟验证AI系统可靠性，可识别：
| 1 分钟 |
Megatron GPT | 5 分钟 | ||
ResNet | 2 分钟 | ||
- 本页导读 （1）
- 功能介绍
- 使用限制
- 开启健康检测
- 通过控制台
- 通过OpenAPI
- 查看检测结果
- 健康检测状态说明
- 查看健康检测结果
- 配置消息通知
- 附录：检测项说明
