使用前须知

开发者跨多个进程执行分布式训练时，首先需要配置参与分布式训练的昇腾AI处理器的资源信息，然后再拉起训练进程。当前有配置文件和环境变量两种配置资源信息的方式，开发者可以选择其中任一方式，但两种方式不能混合使用。

• 通过配置文件的方式，此资源配置文件称为ranktable文件，并配合环境变量RANK_TABLE_FILE、RANK_ID等使用。

  此种方式下配置资源信息、拉起训练进程的详细说明可参见训练执行（配置文件方式设置资源信息）。

• 通过环境变量的方式。

  此种方式下配置资源信息、拉起训练进程的详细说明可参见训练执行（环境变量方式设置资源信息）。

执行分布式训练前，请了解如下注意事项：

1. 针对Atlas 训练系列产品，如果使用1台训练服务器（Server），要求实际参与集合通信的昇腾AI处理器数目只能为1/2/4/8，且0-3卡和4-7卡各为一个组网。使用2张卡或4张卡训练时，不支持跨组网创建设备集群。
2. 针对Atlas 训练系列产品，Server集群场景下（即由集群管理主节点和一组训练服务器组成训练服务器集群），要求参与集合通信的昇腾AI处理器数目只能为1*n、2*n、4*n、8*n（其中n为参与训练的Server个数，上限为512）。且n为2的指数倍情况下，集群性能最好，建议用户优先采用此种方式进行集群组网。
3. 针对Atlas A2 训练系列产品，如果单Server中昇腾AI处理器的数量是8，Server集群场景（即由集群管理主节点和一组训练服务器组成训练服务器集群）下要求参与集合通信的昇腾AI处理器数目为（1~8）*n（其中n为参与训练的Server个数，上限为1024），其中，n为2的指数倍情况下，集群性能最好，建议用户优先采用此种方式进行集群组网，注意每个Sever中参与集合通信的昇腾AI处理器数量保持一致。
4. 一个Device对应执行一个训练进程，当前不支持多进程在同一个Device上进行训练。
5. 分布式训练场景下，HCCL会使用Host服务器的部分端口进行集群信息收集，需要操作系统预留该部分端口。默认情况下，HCCL使用60000-60015端口，若通过环境变量HCCL_IF_BASE_PORT指定了Host网卡起始端口，则需要预留以该端口起始的16个端口。

   操作系统端口号预留示例：sysctl -w net.ipv4.ip_local_reserved_ports=60000-60015