当我尝试通过SLURM脚本在具有2个GPU的2个节点的集群上运行一个示例Python文件时，使用torch.distributed.run，我遇到了以下错误：
[W socket.cpp:426] [c10d] 无法在 [::]:16773 上初始化服务器套接字（错误码：97 - 协议不支持的地址族）。[W socket.cpp:601] [c10d] 无法初始化客户端套接字以连接到 [clara06.url.de]:16773（错误码：97 - 协议不支持的地址族）。这是SLURM脚本：
#!/bin/bash#SBATCH --job-name=distribution-test # 名称#SBATCH --nodes=2 # 节点数#SBATCH --ntasks-per-node=1 # 关键 - 每个节点的分布式任务只能有一个！#SBATCH --cpus-per-task=4 # 每个任务的核心数#SBATCH --partition=clara#SBATCH --gres=gpu:v100:2 # GPU数量#SBATCH --time 0:15:00 # 最大执行时间（HH:MM:SS）#SBATCH --output=%x-%j.out # 输出文件名module load Pythonpip install --user -r requirements.txtMASTER_ADDR=$(scontrol show hostnames "$SLURM_JOB_NODELIST" | head -n 1)MASTER_PORT=$(expr 10000 + $(echo -n $SLURM_JOBID | tail -c 4))GPUS_PER_NODE=2LOGLEVEL=INFO python -m torch.distributed.run --rdzv_id=$SLURM_JOBID --rdzv_backend=c10d --rdzv_endpoint=$MASTER_ADDR\:$MASTER_PORT --nproc_per_node $GPUS_PER_NODE --nnodes $SLURM_NNODES torch-distributed-gpu-test.py以及应该运行的Python代码：
import fcntlimport osimport socketimport torchimport torch.distributed as distdef printflock(*msgs): """解决多进程交错打印问题""" with open(__file__, "r") as fh: fcntl.flock(fh, fcntl.LOCK_EX) try: print(*msgs) finally: fcntl.flock(fh, fcntl.LOCK_UN)local_rank = int(os.environ["LOCAL_RANK"])torch.cuda.set_device(local_rank)device = torch.device("cuda", local_rank)hostname = socket.gethostname()gpu = f"[{hostname}-{local_rank}]"try: # 测试分布式 dist.init_process_group("nccl") dist.all_reduce(torch.ones(1).to(device), op=dist.ReduceOp.SUM) dist.barrier() # 测试CUDA是否可用并能分配内存 torch.cuda.is_available() torch.ones(1).cuda(local_rank) # 全局排名 rank = dist.get_rank() world_size = dist.get_world_size() printflock(f"{gpu} is OK (global rank: {rank}/{world_size})") dist.barrier() if rank == 0: printflock(f"pt={torch.__version__}, cuda={torch.version.cuda}, nccl={torch.cuda.nccl.version()}")except Exception: printflock(f"{gpu} is broken") raise我尝试了不同的Python运行方式，如下所示：
LOGLEVEL=INFO python -m torch.distributed.run --master_addr $MASTER_ADDR --master_port $MASTER_PORT --nproc_per_node $GPUS_PER_NODE --nnodes $SLURM_NNODES torch-distributed-gpu-test.pyLOGLEVEL=INFO torchrun --rdzv_id=$SLURM_JOBID --rdzv_backend=c10d --rdzv_endpoint=$MASTER_ADDR\:$MASTER_PORT --nproc_per_node $GPUS_PER_NODE --nnodes $SLURM_NNODES torch-distributed-gpu-test.pyLOGLEVEL=INFO python -m torch.distributed.launch --rdzv_id=$SLURM_JOBID --rdzv_backend=c10d --rdzv_endpoint=$MASTER_ADDR\:$MASTER_PORT --nproc_per_node $GPUS_PER_NODE --nnodes $SLURM_NNODES torch-distributed-gpu-test.py所有这些都导致了相同的错误。
我尝试明确指定IP地址而不是使用MASTER_ADDR
IP_ADDRESS=$(srun hostname --ip-address | head -n 1)- 我检查了开放的端口：1023以上的所有端口都是开放的
- 并检查了
/etc/resolv.conf：主机名映射清晰 - 并ping了节点，同样成功
- 我通过在MASTER_ADDR后添加
.ipv4来指定IP版本，但没有成功
回答：
“地址族未找到”错误与IPv4和IPv6版本有关。由于我的服务在节点之间没有提供IPv6连接，因此出现了这些错误。
但它们可以被理解为警告，通过IPv4的连接仍然建立了。
我没有找到任何禁用IPv6连接的解决方案，但由于它们只是“信息”，所以我忽略了它们
