问题现象

训练过程中拷贝数据/代码/模型时出现如下报错：

图1 错误日志

原因分析

出现该问题的可能原因如下。

磁盘空间不足。
分布式作业时，有些节点的docker base size配置未生效，容器内“/”根目录空间未达到50G，只有默认的10GB，导致作业训练失败。
实际存储空间足够，却依旧报错“No Space left on device”。

同一目录下创建较多文件，为了加快文件检索速度，内核会创建一个索引表，短时间内创建较多文件时，会导致索引表达到上限，进而报错。

触发条件和下面的因素有关：

文件名越长，文件数量的上限越小
blocksize越小，文件数量的上限越小。（ blocksize，系统默认 4096B。总共有三种大小：1024B、2048B、4096B）
创建文件越快，越容易触发（机制大概是：有一个缓存，这块大小和上面的1和2有关，目录下文件数量比较大时会启动，使用方式是边用边释放）

处理方法

可以参照日志提示”write line error”文档进行修复。
如果是分布式作业有的节点有错误，有的节点正常，建议提工单请求隔离有问题的节点。
如果是触发了欧拉操作系统的限制，有如下建议措施。

分目录处理，减少单个目录文件量。
减慢创建文件的速度。
关闭ext4文件系统的dir_index属性，具体可参考：https://access.redhat.com/solutions/29894，（可能会影响文件检索性能）。

建议与总结

在创建训练作业前，推荐您先使用ModelArts开发环境调试训练代码，避免代码迁移过程中的错误。

直接使用线上notebook环境调试请参考使用JupyterLab开发模型。
配置本地IDE（Pycharm或者VSCode）联接云上环境调试请参考使用本地IDE开发模型。

父主题： 内存限制故障

同意关联代理商云淘科技，购买华为云产品更优惠（QQ 78315851）

内容没看懂？ 不太想学习？想快速解决？ 有偿解决： 联系专家