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() 和 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

  1. import paddle
  2. import paddle.distributed as dist
  4. def train():
  5.     # 1. initialize parallel environment
  6.     dist.init_parallel_env()
  8.     # 2. get current ParallelEnv
  9.     parallel_env = dist.ParallelEnv()
  10.     print("rank: ", parallel_env.rank)
  11.     print("world_size: ", parallel_env.world_size)
  13.     # print result in process 1:
  14.     # rank: 1
  15.     # world_size: 2
  16.     # print result in process 2:
  17.     # rank: 2
  18.     # world_size: 2
  20. if __name__ == '__main__':
  21.     # 1. start by ``paddle.distributed.spawn`` (default)
  22.     dist.spawn(train, nprocs=2)
  23.     # 2. start by ``paddle.distributed.launch``
  24.     # train()

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

  1. # execute this command in terminal: export PADDLE_TRAINER_ID=0
  2. import paddle.distributed as dist
  4. env = dist.ParallelEnv()
  5. print("The rank is %d" % env.rank)
  6. # 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

  1. # execute this command in terminal: export PADDLE_TRAINERS_NUM=4
  2. import paddle.distributed as dist
  4. env = dist.ParallelEnv()
  5. print("The world_size is %d" % env.world_size)
  6. # 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

  1. # execute this command in terminal: export FLAGS_selected_gpus=1
  2. import paddle.distributed as dist
  4. env = dist.ParallelEnv()
  5. print("The device id are %d" % env.device_id)
  6. # 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

  1. # execute this command in terminal: export PADDLE_CURRENT_ENDPOINT=127.0.0.1:6170
  2. import paddle.distributed as dist
  4. env = dist.ParallelEnv()
  5. print("The current endpoint are %s" % env.current_endpoint)
  6. # 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

  1. # execute this command in terminal: export PADDLE_TRAINER_ENDPOINTS=127.0.0.1:6170,127.0.0.1:6171
  2. import paddle.distributed as dist
  4. env = dist.ParallelEnv()
  5. print("The trainer endpoints are %s" % env.trainer_endpoints)
  6. # The trainer endpoints are ['127.0.0.1:6170', '127.0.0.1:6171']