阿里云 PAI-DLC PyTorchJob 任务提交参数的介绍

PAI-DLC PyTorchJob 参数详解

在使用 dlc submit pytorchjob 命令提交深度学习任务时，参数主要分为两类：一类是DLC平台的控制参数，用来定义任务的基础属性；另一类是Command执行指令，用来定义容器内具体运行的逻辑。下面逐一拆解，看看每个参数到底该怎么用。

1. DLC 平台基础参数

这些参数写在命令的最外层，直接告诉PAI平台“这是一个什么样的任务”“需要多少资源”。简单说，它们是任务的“身份证”和“资源清单”。

参数	说明	示例/备注
--name	任务名称 。用于在控制台标识和搜索该任务。建议使用描述性命名规范（如：项目_日期_用途_版本）。	my_project_train_v1
--data_sources	数据源挂载 ID 。指定任务运行时挂载的云存储（OSS/NAS）ID。容器内通常挂载在 /mnt/data/ 下。	d-xxxxxxxxxxxx
--workspace_id	工作空间 ID 。指定任务所属的PAI工作空间，用于资源隔离和权限管理。	123456
--priority	任务优先级 。数值越大优先级越高。高优先级任务在资源紧张时会优先获得GPU资源。	1 (普通), 10 (高)
--job_max_running_time_minutes	最大运行时长 ，单位为分钟。设置超时时间可以防止任务死循环导致资源浪费，超时后任务会被强制终止。	43200 (即30天)

2. Command 执行指令 (--command)

这是任务的核心——一个Shell脚本，定义了容器启动后具体做什么。通常分三步走：环境准备、模型训练、模型导出。

A. 环境与依赖安装

先看看这段脚本的写法：

pip install 
export ODPS_ENDPOINT=

pip install ...——安装自定义的Python依赖包。DLC提供的镜像不一定包含你需要的业务库，比如推荐算法库tzrec，这时候就得通过URL手动装上。

export ODPS_ENDPOINT=...——设置环境变量。如果你的训练数据存储在MaxCompute (ODPS)中，必须配置这个Endpoint，项目代码才能连上数据服务。

B. 分布式训练启动 (torchrun)

这是启动PyTorch分布式训练的标准姿势。来看具体写法：

torchrun 
  --master_addr=$MASTER_ADDR 
  --master_port=$MASTER_PORT 
  --nnodes=$WORLD_SIZE 
  --nproc_per_node=$NPROC_PER_NODE 
  --node_rank=$RANK 
  -m  
  [业务参数...]

几个关键变量说明：

• $MASTER_ADDR / $MASTER_PORT：PAI自动注入的主节点IP和通信端口，不需要手动修改。
• --nnodes=$WORLD_SIZE：节点数量，由DLC平台的资源配置决定。比如你申请了4台机器，这里就是4。
• --nproc_per_node=$NPROC_PER_NODE：单机上的进程数，通常等于该机器配置的GPU数量（例如每台8卡，这里就是8）。
• --node_rank=$RANK：当前节点编号（从0开始），PAI会自动为每个容器分配唯一的Rank ID。
• -m ：指定要运行的Python模块名，相当于python -m xxx。
• 业务参数（如--pipeline_config_path、--train_input_path）是传递给Python脚本的具体参数，通常包括配置文件路径（指向挂载目录下的模型配置）、输入数据路径（本地路径/mnt/data/...或ODPS表路径）、模型输出路径（Checkpoint保存位置）。

C. 模型导出/评估（可选）

训练结束后，一般还会跟着执行导出或评估脚本：

INPUT_TILE=2
ODPS_ENDPOINT=
torchrun 
  ... (同上分布式参数) ...
  -m  
  --pipeline_config_path  
  --export_dir 

逻辑复用：导出阶段通常也需要分布式环境（尤其是大模型），所以再次调用torchrun并传入相同的分布式环境变量。

--export_dir：指定最终模型文件（如Sa vedModel、TorchScript）的输出目录。

关键提示

• 换行符
  ：Shell脚本中表示换行续写。复制命令时注意后面不要有空格，且紧跟回车。

• 环境变量
  ：$MASTER_ADDR、$WORLD_SIZE、$RANK等变量由PAI-DLC平台在任务启动时自动注入到容器中，千万不要硬编码写死具体的IP或数字，否则多机环境下无法正确组网。

• 路径一致性
  ：--data_sources挂载的路径必须与--command中引用的文件路径（如/mnt/data/deploy/...）保持一致，否则会报“File not found”错误。