HCCL_ASYNC_ERROR_HANDLING

功能描述

当使用HCCL作为通信后端时，通过此环境变量可控制是否开启异步错误处理。

• 0：不开启异步错误处理。
• 1：开启异步错误处理。

当PyTorch版本为1.11.0时，默认值为0；当PyTorch版本大于等于2.1.0时，默认值为1。

当前版本，开启异步处理时，若出现ERROR CQE错误，进程会终止；其他错误信息，仅打屏提示，不会终止进程。

配置示例

export HCCL_ASYNC_ERROR_HANDLING=1

使用约束

• 此环境变量仅适用于基于PyTorch框架构建的神经网络，且使用HCCL作为通信后端的场景。
• 通过此环境变量开启异步错误处理时，为了更好地明确HCCL超时原因，建议init_process_group传参的timeout时间大于HCCL_CONNECT_TIMEOUT和HCCL_EXEC_TIMEOUT环境变量配置的时间，HCCL_CONNECT_TIMEOUT具体参考《CANN 环境变量参考》中的“HCCL_CONNECT_TIMEOUT”章节，HCCL_EXEC_TIMEOUT具体请参考《CANN 环境变量参考》中的“HCCL_EXEC_TIMEOUT”章节。

支持的型号

• Atlas 训练系列产品
• Atlas A2 训练系列产品
• Atlas A3 训练系列产品