本文為您介紹如何使用DLC提供的算力健康檢測能力。
功能介紹
在AI訓練情境，可能會遇到以下問題：
資源故障導致任務中斷與GPU資源浪費：在任務花費一定時間載入模型Checkpoint或其他初始化操作後，由於申請的資源存在故障，無法順利開始訓練，需要調查定位故障問題並重新提交任務。該過程中會導致GPU資源的浪費。
效能問題定位與測試手段不足：在任務運行階段，如果發現模型訓練效能下降，可能是慢節點導致的，但缺少快捷有效問題定位方法。此外，資源群組內機器的GPU算力和通訊效能測試也欠缺便捷且可靠的基準程式。
針對上述問題，DLC提供了算力健康檢測（SanityCheck）功能，旨在對分布式訓練任務的算力資源健康度與效能進行檢查。在建立DLC訓練任務時可以開啟該功能，健康檢測會對參與訓練的資源進行全面檢測，自動隔離故障節點，並觸發後台自動化營運流程，有效減少任務訓練初期遇到問題的可能性，提升訓練成功率。此外，在檢測完成後，會給出有關GPU算力以及通訊效能的檢測報告，可以協助識別和定位可能導致任務訓練效能下降的問題因素，整體提升問題診斷的效率。
使用限制
目前，該功能僅支援使用靈駿智算資源建立的PyTorch訓練任務，且要求任務資源的GPU（卡數）為整機配置。靈駿智算資源目前僅對白名單使用者開放，若有需要，請聯絡您的商務經理。
開啟健康檢測
通過控制台
在PAI控制台中建立DLC訓練任務時，通過配置以下關鍵參數，開啟健康檢測功能。任務成功建立後，系統將佔用一定的時間用於檢測資源健康度和可用性，並給出檢測結果。
其中關鍵參數配置說明如下：
資源資訊配置：
參數
描述
资源类型
選擇灵骏智算资源。
资源来源
選擇资源配额。
资源配额
選擇已建立的靈駿智算資源配額。如何建立資源配額，請參見建立資源配額。
框架
選擇PyTorch。
任务资源
GPU（卡數）需要是整機配置。
容錯與診斷配置：開啟健康檢測開關，並配置以下參數：
參數
描述
检测时机
任务运行前（預設）：即任務擷取到資源後，先基於該訓練任務的算力節點進行預先檢測，再執行使用者代碼。
任务重启后：即當任務運行異常，AIMaster自動容錯將任務重啟後，進行算力健康檢測。
說明選擇該配置項時，必須開啟自動容錯功能。更多內容介紹，請參見AIMaster：彈性自動容錯引擎。
检测项
檢測項包括 計算效能檢測、節點通訊檢測、計算通訊交叉檢測，以及模型類比驗證四大類檢測。更多檢測項說明及推薦情境，請參見附錄：檢測項說明。
預設開啟GPU GEMM（用於檢測GPU GEMM效能情況）、All-Reduce（用於檢測節點通訊效能，識別通訊慢節點/故障節點）檢測。
檢測項支援搜尋或勾選。您也可以選擇快捷配置，一鍵快速選定檢測項目範本。
最长检测时间
健康檢測最長已耗用時間，預設為60分鐘。若檢測逾時，會觸發檢測異常處理策略。
检测异常处理策略
當健康檢測未通過時，系統將根據您選擇的處理策略，對任務進行操作：
結束任務：當識別到故障或可疑節點，任務將終止並標記為檢測未通過。
拉黑重跑：當識別到故障或可疑節點，系統將自動拉黑該節點，重啟任務並重跑檢測，直到檢測全部通過。
检测最大重启次数
當檢測處理策略為“拉黑重跑”時，支援配置最大重啟次數，預設為10次。當超過最大重啟次數，任務自動失敗。
其他检测配置
預設為空白，支援進階參數配置。
查看檢測結果
健康檢測狀態說明
DLC任務在健康檢測中的相關狀態項如下：
檢測中：進行中算力健康檢測環節。
檢測未通過：在執行算力健康檢測過程中，如果檢測出異常節點，或檢測逾時，狀態將顯示為檢測未通過。
檢測通過：算力健康檢測全部通過後，任務將直接進入運行中的狀態。
查看健康檢測結果
通過控制台
DLC任務詳情頁，事件頁簽，單擊健康檢測，可以查看檢測進度及檢測結果。
單擊重啟記錄頁簽，可以查看重啟次數、重啟原因、重啟結果等資訊。
配置訊息通知
您可以在PAI工作空間的事件通知配置中建立訊息通知規則，其中事件类型選擇DLC任务>任务自动容错，其他參數配置詳情，請參見訊息通知。當算力健康檢測未通過時，會發送訊息通知。
工作空間建立訊息通知使用說明： 事件通知配置。
附錄：檢測項說明
預估檢測時間長度以2台機器為單位，數值僅供參考，請以實際情況為準。
檢測項 | 含義說明（推薦情境） | 預估檢測時間長度 | |
計算效能檢測 | GPU GEMM | 用於檢測GPU GEMM效能情況，可識別：
| 1 分鐘 |
GPU Kernel Launch | 用於檢測 GPU Kernel 啟動延遲情況，可識別：
| 1 分鐘 | |
節點通訊檢測 | All-Reduce | 用於檢測節點通訊效能，識別通訊慢節點/故障節點。在不同的通訊模式下，可識別：
| 單個集合通訊檢測 5 分鐘 |
All-to-All | |||
All-Gather | |||
Multi-All-Reduce | |||
Network Connectivity | 用於檢測機頭或機尾網路連通性，識別通訊連通異常節點。 | 2 分鐘 | |
計算通訊交叉檢測 | MatMul/All-Reduce Overlap | 用於檢測通訊kernel和計算kernel重疊時單節點的效能情況，可識別：
| 1 分鐘 |
模型類比驗證 | Mini GPT | 使用模型類比驗證AI系統可靠性，可識別：
| 1 分鐘 |
Megatron GPT | 5 分鐘 | ||
ResNet | 2 分鐘 | ||