自定义

本节介绍如何自定义 TorchElastic 以满足您的需求。

启动器

TorchElastic附带的启动程序应该足以满足大多数用例（参见torchrun (弹性启动)）。您可以通过编程方式创建一个代理并为其传递工作者的规格，如下所示，来实现自定义启动程序。

# my_launcher.py

if __name__ == "__main__":
  args = parse_args(sys.argv[1:])
  rdzv_handler = RendezvousHandler(...)
  spec = WorkerSpec(
      local_world_size=args.nproc_per_node,
      fn=trainer_entrypoint_fn,
      args=(trainer_entrypoint_fn args.fn_args,...),
      rdzv_handler=rdzv_handler,
      max_restarts=args.max_restarts,
      monitor_interval=args.monitor_interval,
  )

  agent = LocalElasticAgent(spec, start_method="spawn")
  try:
      run_result = agent.run()
      if run_result.is_failed():
          print(f"worker 0 failed with: run_result.failures[0]")
      else:
          print(f"worker 0 return value is: run_result.return_values[0]")
  except Exception ex:
      # 处理异常

会合处理器

要实现自己的rendezvous，扩展 torch.distributed.elastic.rendezvous.RendezvousHandler 并实现其方法。

警告

会合处理程序的实现很复杂。在开始之前，请确保您完全理解会合的特性。更多信息请参考会合。

一旦实现，您可以在创建代理时将自定义的rendezvous处理程序传递给worker规范。

spec = WorkerSpec(
    rdzv_handler=MyRendezvousHandler(params),
    ...
)
elastic_agent = LocalElasticAgent(spec, start_method=start_method)
elastic_agent.run(spec.role)

指标处理器

TorchElastic 发出平台级指标（参见 Metrics）。 默认情况下，指标会发送到 /dev/null，因此您将看不到它们。 要将指标推送到基础设施中的指标处理服务， 请实现 torch.distributed.elastic.metrics.MetricHandler 并在您的自定义启动器中进行 配置。

# my_launcher.py

import torch.distributed.elastic.metrics as metrics

class MyMetricHandler(metrics.MetricHandler):
    def emit(self, metric_data: metrics.MetricData):
        # 将 metric_data 推送到您的指标接收器

def main():
  metrics.configure(MyMetricHandler())

  spec = WorkerSpec(...)
  agent = LocalElasticAgent(spec)
  agent.run()

事件处理器

TorchElastic 支持事件记录（参见 事件）。 事件模块定义了允许您记录事件并实现自定义 EventHandler 的 API。EventHandler 用于将 torchelastic 执行期间产生的事件发布到不同的来源，例如 AWS CloudWatch。 默认情况下，它使用 torch.distributed.elastic.events.NullEventHandler，该处理程序会忽略事件。要配置自定义事件处理程序，您需要实现 torch.distributed.elastic.events.EventHandler 接口并在您的自定义启动器中进行 配置。

# my_launcher.py

import torch.distributed.elastic.events as events

class MyEventHandler(events.EventHandler):
    def record(self, event: events.Event):
        # 处理事件

def main():
  events.configure(MyEventHandler())

  spec = WorkerSpec(...)
  agent = LocalElasticAgent(spec)
  agent.run()