人工智能平台 PAI：DLC常见问题

“exited with code 137”，遇到错误码137怎么办？

当您遇到错误码137时，如“xxx exited with code 137”，您可以尝试更换内存规格更大的实例，或增加worker数量，或修改您的代码中内存申请的数量。

在Linux系统中，错误码137表示进程被SIGKILL信号强制中止了，最常见的原因是内存使用量过高，即OOM（Out Of Memory）错误。您可以结合任务详情中worker的内存水位来进一步判断内存不足的原因，或更换内存规格更大的实例，或增加worker数量，或修改您的代码中内存申请的数量。

当DLC任务执行状态为已失败或已出队时该如何处理？

DLC的任务执行状态顺序为：

• 当任务执行状态为环境准备中时如何处理？

  如果任务长时间处于环境准备中状态，可能是因为您创建的分布式训练任务配置了CPFS类型的数据集，但没有配置专有网络导致的。您需要重新创建分布式训练任务，配置CPFS类型数据集并配置专有网络，且选择的专有网络需要与CPFS一致，详情请参见创建训练任务。

• 当任务执行状态为已失败时如何处理？

  您可以在任务详情页面中，将鼠标悬浮到任务执行状态后的，或者查看实例操作日志，来初步定位任务执行失败的原因，详情请参见查看训练详情。

使用公共资源的DLC任务后期能调整为专属资源吗？

您需要重新创建任务来调整所使用的资源。您可以在原始任务操作列下单击克隆，以创建一个新的任务，该任务将复用原始任务的配置，避免重新输入和配置相同的参数。关于计费详情介绍，请参见分布式训练（DLC）计费说明。

在DLC中使用多机多卡如何设置？

您可以在创建DLC任务时，配置以下启动命令，更多配置详情，请参见创建训练任务。

python -m torch.distributed.launch \ --nproc_per_node=2 \ --master_addr=${MASTER_ADDR} \ --master_port=${MASTER_PORT} \ --nnodes=${WORLD_SIZE} \ --node_rank=${RANK} \ train.py --epochs=100

如何将在PAI-DLC平台训练得到的模型下载到本地？

您可以在提交DLC训练任务时绑定数据集，完成训练后，模型文件会被保存在挂载的数据集目录中。您也可以直接访问相应的文件系统并从中下载模型文件到本地。

• 如何在提交DLC任务时绑定数据集，请参见通过控制台创建。

• 如何将对象存储OSS文件系统中的文件下载到本地，请参见控制台快速入门。

• 如何将NAS文件系统中的文件下载到本地，请参见函数计算挂载文件系统。