Platform For AI：SanityCheck：算力健康檢測

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
  資源類型	選擇靈駿智算。
  資源來源	選擇資源配額。
  資源配額	選擇已建立的靈駿智算資源配額。如何建立資源配額，請參見靈駿智算資源配額。
  架構	選擇PyTorch。
  任務資源	GPU（卡數）必須大於0。

• 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
  檢測時機	任務運行前（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。 任務重啟後：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。
  檢測項	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。 支援您選擇計算效能檢測、節點通訊檢測、計算通訊交叉檢測、模型類比驗證。更多檢測項說明及推薦情境，請參見附錄：檢測項說明。
  最長檢測時間（分鐘）	健康檢測最長已耗用時間，預設為30分鐘。在檢測逾時後，會觸發預設的處理方法。
  檢測逾時處理	當健康檢測已耗用時間超過設定值時，您可以選擇將任務轉入以下狀態： 結束任務（預設）：任務結束，狀態將變為檢測未通過。 掛起任務：將任務掛起，任務狀態還是檢測中，等待進一步的人工幹預或系統指導進行下一步操作。
  其他檢測配置	預設為空白。