LLaMA-Factory多节点训练中CUDA_VISIBLE_DEVICES设置问题解析

在分布式深度学习训练场景中，LLaMA-Factory项目用户报告了一个关于多节点SFT（监督微调）训练时出现的卡顿问题。该问题表现为：当某些节点设置了CUDA_VISIBLE_DEVICES环境变量而其他节点未设置时，模型加载完成后会出现训练进程卡住的现象。

问题本质分析

该问题的根源在于torchrun的对称性假设与实际的GPU设备分配不对称之间的矛盾。torchrun作为PyTorch的分布式训练启动工具，默认假设所有计算节点在硬件配置上是对称的，即每个节点具有相同数量的GPU设备。然而，当部分节点通过CUDA_VISIBLE_DEVICES限制了可见GPU数量时，这种对称性就被打破了。

具体到LLaMA-Factory的实现中，cli.py中的train函数通过nproc_per_node=os.getenv("NPROC_PER_NODE", str(get_device_count()))获取每个节点的进程数。当部分节点设置了CUDA_VISIBLE_DEVICES时，这些节点的get_device_count()返回的是可见GPU数量，而非物理GPU数量，导致不同节点的进程数不一致。

技术背景

在分布式训练中，torchrun/多进程数据并行训练需要满足以下基本条件：

1. 所有节点的进程数必须一致
2. 每个进程对应一个独立的GPU设备
3. 进程间通过NCCL进行通信

当这些条件不满足时，特别是当进程数不一致时，NCCL集体通信操作（如all-reduce）将无法完成，导致训练卡在初始化阶段。

解决方案

针对这一问题，有以下几种解决方案：

1. 统一环境配置：确保所有节点要么都设置CUDA_VISIBLE_DEVICES，要么都不设置，保持环境一致性。

2. 显式指定nproc_per_node：通过NPROC_PER_NODE环境变量明确指定每个节点的进程数，覆盖自动检测逻辑。

3. 修改代码逻辑：在LLaMA-Factory中增加对分布式训练场景下设备可见性的检查，当检测到多节点训练时，强制要求环境配置一致或提供明确的错误提示。

最佳实践建议

对于使用LLaMA-Factory进行多节点训练的用户，建议遵循以下实践：

1. 在启动分布式训练前，检查所有节点的CUDA_VISIBLE_DEVICES设置是否一致
2. 显式通过NPROC_PER_NODE指定进程数，而不是依赖自动检测
3. 在跨节点训练时，考虑使用统一的启动脚本，确保环境配置一致
4. 监控训练日志，注意是否有关于NCCL初始化的警告或错误信息

深入思考

这个问题虽然表现为一个简单的环境配置问题，但背后反映了分布式训练系统设计中的一个重要原则：确定性。在分布式环境中，任何不确定性都可能导致难以排查的问题。因此，良好的实践应该包括：

1. 明确的配置检查
2. 详尽的错误提示
3. 环境隔离和一致性保证
4. 配置的显式声明而非隐式推断

通过这个案例，我们可以更好地理解分布式训练系统的复杂性，以及在设计和部署时需要考虑的各种边界条件。