在进行模型分布式训练时遇到报错“host not found.”

问题描述

• 报错截图

  

• 报错文本

  ……
  Process process 6:
  Traceback (most recent call last):
  ……
  ValueError: host not found: Name or service not known
  Process process 7:
  ……

问题分析

对模型进行分布式训练时，会调用集合通信模块HCCL，需要根据实际情况设置IP和端口信息。根据报错信息，确定是IP地址设置错误。

处理方法

在运行脚本中设置正确的IP地址，对于单机情况，设置为本机的IP地址即可；对于多机情况，每个服务器上脚本中的IP需要设置为master节点的IP。