PyTorch Lightning在SLURM集群单节点多任务并行训练时的日志记录问题解析

问题背景

在使用PyTorch Lightning框架进行深度学习模型训练时，研究人员经常需要在SLURM集群环境下运行多个训练任务。一个典型场景是在单个节点上并行运行多个独立训练任务，每个任务使用不同的GPU设备。然而，在这种配置下，用户可能会遇到日志记录异常的问题。

问题现象

当在单个SLURM节点上启动8个独立训练任务（每个任务使用1个GPU）时，会出现以下现象：

1. 所有任务都能正常创建日志目录和配置文件
2. 只有任务0（slurm_0）的目录中包含TensorBoard日志文件(events.out)和超参数文件(hparams.yaml)
3. 其他任务的日志目录中仅包含config.yaml文件
4. 调试发现，非0任务的LightningModule.logger._experiment属性为None，而任务0的该属性正常指向SummaryWriter对象

技术分析

根本原因

这个问题源于PyTorch Lightning框架内部的rank零检查机制。在TensorBoardLogger的实现中，框架会检查当前进程是否为全局rank零，只有满足条件才会初始化SummaryWriter。在SLURM环境下，即使使用SingleDeviceStrategy策略，当通过srun启动多个任务时，框架仍会将它们视为分布式训练环境的一部分。

SLURM配置的影响

用户使用的SLURM提交脚本配置如下：

• 1个节点
• 每个节点8个任务(--ntasks-per-node=8)
• 每个任务8个CPU核心和1个GPU

这种配置通常被PyTorch Lightning解释为单个分布式训练作业，而非多个独立作业。因此框架会执行rank检查，导致只有"主"任务能够初始化日志记录器。

解决方案

推荐解决方案

通过显式指定LightningEnvironment插件来覆盖默认的SLURM环境检测：

from lightning.pytorch.plugins import LightningEnvironment

trainer = Trainer(
    plugins=LightningEnvironment(),  # 强制使用非SLURM环境
    strategy="lightning.pytorch.strategies.SingleDeviceStrategy",
    devices=[f"cuda:{slurm_id}"],  # 使用SLURM任务ID指定设备
    logger=TensorBoardLogger(
        save_dir=".",
        name="lightning_logs",
        version=f"job_{slurm_job_id}",
        sub_dir=f"slurm_{slurm_id}"
    )
)

使用LightningCLI时的配置

如果使用LightningCLI，可以通过命令行参数传递插件配置：

--trainer.plugins.class_path=lightning.pytorch.plugins.environments.LightningEnvironment

最佳实践建议

1. 明确区分并行模式：要清楚区分"单节点多GPU分布式训练"和"单节点多个独立训练任务"两种场景
2. 环境隔离：每个独立训练任务应有完全隔离的环境配置
3. 资源分配：确保每个任务有独立的计算资源(CPU、GPU、内存等)
4. 日志管理：为每个任务配置独立的日志目录和版本号

总结

在SLURM集群环境下使用PyTorch Lightning进行多任务并行训练时，理解框架的环境检测机制至关重要。通过正确配置LightningEnvironment插件，可以解决日志记录异常的问题，确保每个独立训练任务都能正确记录训练过程和结果。这种解决方案不仅适用于TensorBoard日志，也适用于其他类型的日志记录器。