Запуск распределенного Pytorch с OpenMPI на узлах локальной сети и виртуальной локальной сети

Question

Запуск распределенного Pytorch с OpenMPI на узлах локальной сети и виртуальной локальной сети

У меня есть два узла Ubuntu, с установленным из исходников распределенным PyTorch и гетерогенным OpenMPI. Они оба могут подключаться друг к другу через SSH без пароля и имеют общий каталог NFS (home/nvidia/shared), который содержит простой скрипт PyTorch (distmpi.py) для выполнения через OpenMPI.

Узел-1 (xpa): настольный ПК с IP-адресом 192.168.201.23 на сетевом интерфейсе локальной сети enp4s0 (IP-адрес) Узел-2 (гетеро): виртуальная машина в OpenStack с виртуальным IP-адресом 11.11.11.21 на интерфейсе vLAN ens3 и плавающим IP-адресом 192.168.200.151 (IP-адрес,ifconfig)

Следующая ошибка возникает при запуске mpirun для запуска 2 процессов из XPS (1 на 192.168.201.23 и другой на 192.168.200.151)

(torch) nvidia@xps:~$ mpirun -v -np 2 -H 192.168.201.23:1,192.168.200.151 torch/bin/python shared/distmpi.py
--------------------------------------------------------------------------
Open MPI detected an inbound MPI TCP connection request from a peer
that appears to be part of this MPI job (i.e., it identified itself as
part of this Open MPI job), but it is from an IP address that is
unexpected.  This is highly unusual.

The inbound connection has been dropped, and the peer should simply
try again with a different IP interface (i.e., the job should
hopefully be able to continue).

  Local host:          xps
  Local PID:           7113
  Peer hostname:       192.168.200.151 ([[55343,1],1])
  Source IP of socket: 192.168.200.151
  Known IPs of peer:   
    11.11.11.21
--------------------------------------------------------------------------
[xps][[55343,1],0][btl_tcp_endpoint.c:796:mca_btl_tcp_endpoint_complete_connect] connect() to 11.11.11.21 failed: Connection timed out (110)

Пожалуйста, взгляните на скрипт Python, например distmpi.py, для справки:

#!/usr/bin/env python
import os
import socket
import torch
import torch.distributed as dist
from torch.multiprocessing import Process


def run(rank, size):
    tensor = torch.zeros(size)
    print(f"I am {rank} of {size} with tensor {tensor}")

    # incrementing the old tensor
    tensor += 1

    # sending tensor to next rank
    if rank == size-1:
       dist.send(tensor=tensor, dst=0)
    else:
       dist.send(tensor=tensor, dst=rank+1)

    # receiving tensor from previous rank
    if rank == 0:
        dist.recv(tensor=tensor, src=size-1)
    else:
        dist.recv(tensor=tensor, src=rank-1)

    print('Rank ', rank, ' has data ', tensor[0])
    pass


def init_processes(rank, size, hostname, fn, backend='mpi'):
    """ Initialize the distributed environment. """
    dist.init_process_group(backend, rank=rank, world_size=size)
    fn(rank, size)


if __name__ == "__main__":
    world_size = int(os.environ['OMPI_COMM_WORLD_SIZE'])
    world_rank = int(os.environ['OMPI_COMM_WORLD_RANK'])
    hostname = socket.gethostname()
    init_processes(world_rank, world_size, hostname, run, backend='mpi')

С уважением.