在使用nohup命令后台训练pytorch模型时，关闭ssh窗口导致的训练任务失败解决方法

本文主要是介绍在使用nohup命令后台训练pytorch模型时，关闭ssh窗口导致的训练任务失败解决方法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

下班前使用终端通过SSH登陆服务器，用nohup命令后台训练了一个pytorch模型。第二天来公司上班发现模型训练终止，报如下问题。

WARNING:torch.distributed.elastic.agent.server.api:Received 1 death signal, shutting down workers
WARNING:torch.distributed.elastic.multiprocessing.api:Sending process 2478002 closing signal SIGHUP
WARNING:torch.distributed.elastic.multiprocessing.api:Sending process 2478003 closing signal SIGHUP

一查原来是因为SSH终端与服务器之间建立的是临时的交互会话，如果一段时间没有交互，或者关闭窗口，会话就结束，那么会话内部的进程也终止，所以训练任务就结束了。

知识点补充：

1、 会话与进程

命令行的典型使用方式是，打开一个终端窗口（terminal window，以下简称"窗口"），在里面输入命令。用户与计算机的这种临时的交互，称为一次"会话"（session） 。

会话的一个重要特点是，窗口与其中启动的进程是连在一起的。打开窗口，会话开始；关闭窗口，会话结束，会话内部的进程也会随之终止，不管有没有运行完。

一个典型的例子就是，SSH 登录远程计算机，打开一个远程窗口执行命令。这时，网络突然断线，再次登录的时候，是找不回上一次执行的命令的。因为上一次 SSH 会话已经终止了，里面的进程也随之消失了。

为了解决这个问题，会话与窗口可以"解绑"：窗口关闭时，会话并不终止，而是继续运行，等到以后需要的时候，再让会话"绑定"其他窗口。

2、如何保持SSH会话不结束

How to Keep SSH Session Alive

如何保持 SSH 会话不中断？ - 知乎

我们使用Linux终端的方法来让SSH会话保持足够长的时间，足够保证我们的训练任务进程完成。

2.1 Linux client 配置

对于 Linux client ，我们在home目录下修改 ~/.ssh/config 文件（如果没有就创建）

vim  ~/.ssh/config

下面是配置

Host *
ServerAliveInterval 120
ServerAliveCountMax 720

• Host：配置仅对 “Host” 关键字后面列出的主机生效。由于使用了通配符 （*），因此它们适用于所有主机
• ServerAliveInterval：设置超时间隔(以秒为单位)，如果没有从 server 接收到数据，SSH 将通过加密通道发送消息，请求 server 响应。默认值为 0，表示不会将这些消息发送到 server
• ServerAliveCountMax：设置在 SSH 没有收到任何消息的情况下向 server 发送keepalive 消息的数量。如果达到了该阈值，SSH 将断开与 server 的连接，终止会话（默认值为 3）

表示 client 每 120s 向 server 发送 keepalive 消息，一共发送 720 次，也就是 120 * 720 = 86400 s（24小时），在这24小时内 SSH 会话会一直保持。

2.2 Linux server 配置

上面介绍的是 client 端的配置，我们接下来介绍 server 端的配置

修改 /etc/ssh/sshd_config 文件

sudo vi /etc/ssh/sshd_config

TCPKeepAlive yes
ClientAliveInterval 120 
ClientAliveCountMax 720

• TCPKeepAlive：是否应该向 client 发送 TCP keepalive 信息
• ClientAliveInterval：设置超时间隔(以秒为单位)，如果没有从 client 接收到数据，SSH 将通过加密通道发送消息，请求 client 响应。默认值为 0，表示不会将这些消息发送到 client
• ClientAliveCountMax：设置在 SSH 没有收到任何消息的情况下向 client 发送keepalive 消息的数量。如果达到了该阈值，SSH 将断开与 client 的连接，终止会话（默认值为 3）

与前面讲到的 Linux client 配置一样，server 将保持 SSH 会话24小时（120 * 720 = 86400s）

配置之后重启 SSH 服务

systemctl restart sshd

2.3 使用Tmux

https://www.cnblogs.com/gy77/p/16746769.html

https://www.ruanyifeng.com/blog/2019/10/tmux.html

# Mac安装 tmux
$ brew install tmux

这篇关于在使用nohup命令后台训练pytorch模型时，关闭ssh窗口导致的训练任务失败解决方法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---