Python环境PyTorch分布式训练初始化失败_检查MASTER_ADDR与端口

PyTorch分布式训练常见错误包括端口被占、MASTER_ADDR配置错误、init_process_group超时及torchrun环境变量冲突；需检查端口占用、使用真实IP、确保WORLD_SIZE与RANK一致、避免手动设置torchrun管理的环境变量。PyTorch分布式训练报错 RuntimeError: Address already in use端口被占是初始化失败最常见原因，不是代码写错了，而是本地已有进程（比如上一次没杀干净的 python 或 torch.distributed 进程）绑定了 MASTER_PORT。实操建议：立即学习“Python免费学习笔记（深入）”；先用 lsof -i :<code>MASTER_PORT（macOS/Linux）或 netstat -ano | findstr :<code>MASTER_PORT（Windows）查占用进程确认无用后直接 kill：kill -9 <code>PID（Linux/macOS）或 taskkill /F /PID <code>PID（Windows）更稳妥的做法：每次启动前换一个随机端口，比如用 export MASTER_PORT=$((10000 + $RANDOM % 1000))别用默认的 29500 —— 它太常见，CI/本地多任务并行时极易冲突MASTER_ADDR 设成本机 localhost 却在多机训练中失败单机多卡能跑不代表多机通，localhost 在每台机器上都指向自己，跨机器根本连不上。实操建议：立即学习“Python免费学习笔记（深入）”；必须设为可被所有节点访问的真实 IP，比如主节点网卡地址（非 127.0.0.1、非 localhost、非 Docker 内网 IP）运行前先手动 ping 测试：ping <code>MASTER_ADDR 从所有 worker 节点执行，不通就别往下试如果走 SSH 登录训练，注意云服务器安全组是否放行了 MASTER_PORT 端口（TCP）Docker 场景下，避免用 --network=host 外还设 localhost —— 容器内 localhost 不等于宿主机网络命名空间init_process_group 调用超时卡死，日志停在 initializing process group这不是程序卡住，是等待其他 rank 连接超时。PyTorch 默认等 300 秒，期间只要有一个 rank 没 join，全部挂起。 稿定AI 拥有线稿上色优化、图片重绘、人物姿势检测、涂鸦完善等功能