MPICH 在 Cluster 上配置 + mxnet分布式命令

#  2018-03-01 ,mxnet distribute training, Ubuntu 16.04 LTS

# 由源码编译安装时根据文档,添加某个标志使其支持分布式训练,

# 本地新建文件,首行为主机 IP,下一行及以后为 从机 IP.

# 命令如下:

export PS_VERBOSE=1

python ../../tools/launch.py -n 2 --launcher mpi -H mpi_file python train_mnist.py --network lenet --kv-store dist_syncINFO:root:Epoch[9] Batch [100] Speed: 155.30 samples/sec

---------------------------------MPICH 在 Cluster 上配置--------------------------------

前言：弃用 openmpi ，在网上很少找到资料，而且它的出错信息对人不友好，选择 mpich，三个通过本机的ThinkPad-T440p（master IP：192.168.1.106）与 VirtualBox 上搭载的Ubuntu 16.04 LTS （node1 IP：192.168.1.109）、远程的Erazer-X310-node（node2 IP：192.168.1.102 ） 构成的集群（Cluster）跑通了程序。总结以下几个过程。

1、安装mpich，通过 apt 安装即可，下载了源码但是没有使用其安装 ，apt 安装的版本是 3.2-6build1

  

sudo apt-get install mpich mpich-doc

2、配置 ssh 免登陆 ，这么做的目的是集群通过ssh通信，避免了频繁的登陆操作 ，首选在每台机器上通过 apt 安装openssh，

   sudo apt-get install openssh-server openssh-client

   在 master 上执行 ssh -v localhost ，输入密码后 ssh 到本地，执行 ssh-keygen -t rsa，在 ~/.ssh 目录下生成 id_rsa 、 id_rsa.pub 两个文件（也可将 rsa 命令替换为 dsa，没试过，是书上附录提供的方法，自己搜索下区别），   将 .pub 文件拷贝到 远程机的 .ssh 目录   　下，命令如下（在此之前 ssh 到目标机，证明可以联通再拷贝，以 node1 为例），本机执行 scp ~/.ssh/id_rsa.pub   192.168.1.109：/home/hanxinle/.ssh/ ，然后在ssh 到目标机的终端窗口进入到 node2 的 .ssh 目录，执行 cat id_rsa.pub >> authorized_keys ，生成了      authorized_keys 后 执行 exit 断开 ssh ，再执行 ssh 命令，看看是否省略了输入密码的过程。

3、配置共享文件夹，使得 代理 可以共享 master 的一个目录，将程序放到这个目录中来执行，代理有查看这么文件夹的权限就好（虚拟机这种情况），程序可以运行。

     3.1、虚拟机通过 共享文件夹功能 实现，安装了虚拟机后，务必到上面菜单栏中找到安装增强功能菜单，增强功能会自动安装，待其装好后，找到已经在本地建好的共享文件夹 cloud ，选择它，并且选择 自动挂载和固定挂载，不必每次开启虚拟机就设置一番，进入虚拟机以后执行 sudo mount -t      　　 vboxsf  cloud （空格） /home/hanxinle/cloud/，即可实现挂载，不要等待，应该马上就就可以挂载好的。

     3.2、node2 通过 nfs 执行，在 master 上执行 sudo apt-get install nfs-kernel-server ，ssh 到node2 上，同样执行 sudo apt-get install nfs-kernel-server nfs-common，然后 在 master 上执行 mkdir -p /home/hanxinle/cloud ，然后执行 sudo vim /etc/exports，在最后一行添加：/home/hanxinle/cloud (此           处有空格) *(rw,sync,no_root_squash,no_subtree_check) ，设置了共享文件夹的权限等，然后执行 exportfs - a，然后 sudo service nfs-kernel-server restart， sudo service portmap restart （这两个命令也可以是 sudo /etc/init.d/xxxx restart,xxxx 换成 nfs-kernel-server 、portmap），在node2                      这里安装好了 nfs-common 后在用户目录下建立一个 cloud 文件夹，然后执行 showmount -e 192.168.1.106 看看有无 可挂载的 路径，有的话就挂载 sudo mount -t nfs 192.168.1.106:/home/hanxinle/cloud  /home/haxinle/cloud，挂载完毕，可以进入到这个cloud目录，看看和 master 的文件是                   否一样。

4、 在 master 编辑  /etc/hosts文件， master 的 /etc/hosts 内容是（主机的命名和设备名称是一致的，不然有时候会遇到无法解析、找到 host 的问题，为了简便下次重新装机的过程可以将设备名称直接设置为 master :)

　127.0.0.1 localhost

    # MPI SETUP

   192.168.1.106  ThinkPad-T440p

   192.168.1.109   hanxinle-VirtualBox

   192.168.1.102   Erazer-X310-node

 node1 的 /etc/hosts 内容是

    127.0.0.1 localhost

   # MPI SETUP

   192.168.1.106  ThinkPad-T440p

   192.168.1.109   hanxinle-VirtualBox

node2 的 /etc/hosts的内容是

     127.0.0.1 localhost

     # MPI SETUP

     192.168.1.106  ThinkPad-T440p

     192.168.1.102   Erazer-X310-node

5、运行程序的过程中，可能会遇到 node1、node2 无法 ssh 到master，提示检查防火墙设置，在 master 上执行 sduo ufw disable，关闭防火墙问题解决。

6、 编写测试程序

#include <mpi.h>
#include <stdio.h>

int main(int argc, char** argv) {
  // Initialize the MPI environment. The two arguments to MPI Init are not
  // currently used by MPI implementations, but are there in case future
  // implementations might need the arguments.
  MPI_Init(NULL, NULL);

  // Get the number of processes
  int world_size;
  MPI_Comm_size(MPI_COMM_WORLD, &world_size);

  // Get the rank of the process
  int world_rank;
  MPI_Comm_rank(MPI_COMM_WORLD, &world_rank);

  // Get the name of the processor
  char processor_name[MPI_MAX_PROCESSOR_NAME];
  int name_len;
  MPI_Get_processor_name(processor_name, &name_len);

  // Print off a hello world message
  printf("Hello world from processor %s, rank %d out of %d processors
",
         processor_name, world_rank, world_size);

  // Finalize the MPI environment. No more MPI calls can be made after this
  MPI_Finalize();
}

在 master 上保存为 hellompi.c，放到 cloud ，此时 node1、node2 是能在本地cloud 文件看到这个目录里的内容的，编译程序， mpicc hellompi.c -o a，单机执行 mpirun -np 4 ./a ，在master、node1、node2 执行，mpirun -np 10 --hosts ThinkPad-T440p,Erazer-X310-node,hanxinle-VirtualBox ./a  ，

注意，编译程序在所有环境配置无误后再执行程序，除了 用--hosts 制定 master + 代理的形式，还可以 新建立一个 mpi_file 文件，首行 master 的ip ，第二行是 node1 的ip，第三行是node2 的 ip ，执行命令式 mpirun -np 10 --hostfile mpi_file ./a。也就是说 执行程序 依赖 /etc/hosts 或者 本地写满 ip 的 hostfile 文件，且mpi 程序执行过程中必须有主机参与，可以单主机，但不可缺少主机。

------------------------------------------------------------------------------------------------------------------------------

2017.11.20  -- 这段时间尝试 caffe-mpi 和 caffe 等安装，装上了 openmpi，再次编译运行程序提示找不到 libmpi.so.12 ，sudo apt-get remove openmpi-*，重新编译、运行程序，程序回复正常，此外ssh 出现问题，卸载了 openssh-server openssh-client 后安装，将id_rsa.pub 重新拷贝到远程主机，重新制作 验证文件就好了。

参考链接

 1 、mpi tutorials - LAN  (with mpich)，http://mpitutorial.com/tutorials/running-an-mpi-cluster-within-a-lan/

 2、 mpi tutorials 的 GitHub ， https://github.com/wesleykendall/mpitutorial  

3 、 靠谱的 nfs 文件夹设置方法， blog.csdn.net/zpf336/article/details/50825847