Q：基于开发机构建镜像时，开发机可以高频操作吗

A：基于开发机构建镜像过程中请勿对开发机进行任何操作，包括但不限于关机、重启及容器内读写数据等，否则将会导致镜像构建失败。

Q：基于开发机构建镜像失败

A：以下是部分引起失败的报错内容及相应的解决建议供参考。

• BUILD\_FAILED\_NO\_SPACE
  开发机空间不足。请扩容或清理空间后重试。
• CR\_BUILD\_FAILED\_SHUTDOWN
  构建失败，您可能关闭开发机或进行了数据写入。镜像构建过程中，请保证开发机为运行中状态且不要做写入操作。
• BASIC\_CR\_BUILD\_FAILED\_TOO\_LARGE
  构建失败，您可能使用的是 CR 体验版的镜像仓库，该版本限制了镜像单层数据量不得超过10GiB。您可以将镜像保存到标准版镜像仓库，也可以在保存时排除非必要的文件或目录，例如临时数据文件、checkpoint 等。体验版镜像仓库的更多限制详见镜像仓库使用限制。
• BASIC\_CR\_PUSH\_FAILED\_TOO\_LARGE
  推送失败，您可能使用的是 CR 体验版的镜像仓库，该版本限制了镜像单层数据量不得超过10GiB。您可以将镜像保存到标准版镜像仓库，也可以在保存时排除非必要的文件或目录，例如临时数据文件、checkpoint 等。
• BASIC\_CR\_PUSH\_FAILED\_TOO\_MANY\_REQUEST
  推送失败，您可能使用的是 CR 体验版的镜像仓库，该版本限制了镜像请求并发数不得超过20个。请选择标准版命名空间保存镜像。

Q：提交任务进度条显示完成之后还会卡很久

A：当前提交任务可能包含有大文件（日志、模型文件等），需要耐心等待。或者把模型文件托管到共享存储上（如 vePFS、TOS）。

Q：提交任务能否忽略掉一些文件不上传

A：支持在上传目录下配置 .gitignore，volc 工具会根据配置忽略相应的文件。

Q：volc 如何升级

A：可以采用下面两种方法升级，详见命令行工具-使用文档。
方法一：volc upgrade 。
方法二：

sh -c "$(curl -fsSL https://ml-platform-public-examples-cn-beijing.tos-cn-beijing.volces.com/cli-binary/install.sh)"  && export PATH=$HOME/.volc/bin:$PATH

Q：开发机未开启公网配置，怎么通过 volc 上传代码至 TOS

A：首先在 .volc/config 中增加配置，如下：

[ml_platform]
private = True

配置完成后，通过 submit 或者 upload 命令完成上传。详见命令行工具-使用文档。

Q：logging 打印日志出现错误

A：通过 CloudFS 方式挂载 TOS，写不支持 append 模式， 所以 logging 会报错。 解决方案是每次任务重新打开一个日志文件， 往这个新的文件中写日志即可。建议可以使用时间作为日志文件后缀。

Q：ls/rm 文件夹出现出现 “No buffer space available”

A: 在开发机场景下，用户使用 ls/rm 场景很频繁。对于大文件夹（包含大量小文件的目录），ls 等操作需要拉取大量的元数据， 系统压力会非常大导致开发机的 WebIDE 会出现假死现象。 为了保持系统稳定性，限制了大文件夹 ls 等操作，超过 10000 时会出现上述错误。

Q：如何访问 TOS 并进行文件操作

A：查看 TOS 官方文档使用Rclone访问TOS。

Q：程序往 TOS 写报错 “Input/output error”

A: 1. 需要确认打开方式。2. 如果多机 / 多卡同时往同一个文件写，不能保证多进程安全。 当前写相同文件是 CloudFS fuse 模拟 按照 rm，write 这个方式写的。 如果业务侧不能保证多进程安全，可能 A 进程写的文件被 B 进程删了，出现 “Input/output error”。

Q：挂载 TOS 不支持的操作

A：chmod、ln、chown、tuncate。

Q：挂载 TOS 后异常退出

A： 挂载 TOS 对资源量有一定的要求，最好保证容器内存在 8GiB 以上（部分资源将用于文件缓存服务，提升训练效率），这部分的提示信息也在持续优化。

Q：挂载了 TOS 的任务成功拉起之后需要过段时间才能看到挂载的文件内容

A: 不可见时间和挂盘任务的规格有关，高规格容器加载快，不可见时间短。 如果在规格不能改变的情况下， 可以通过 SideCarMemoryRatio（0.05 ～ 0.5）参数适当调整，具体可参考 ml_task submit 的使用方法。

Q：训练任务第一个 epoch 训练慢

A：通过挂载 TOS 训练模型时，第一个 epoch 训练数据需要从远端 TOS 拉取到 CloudFS 本地，从第二个 epoch 开始，所有数据请求通过 CloudFS 本地即可获取，将会有一定的加速效果。

Q：在 TOS 中创建存储桶（Bucket）代码报错 "You have attempted to create more buckets than allowed."

A：当前账号下的 Bucket 数超过 99 个时会出现该错误。此时可以在命令行中通过输入rclone lsd <远程连接名称>: 查看当前账号下的存储桶列表。然后通过输入 rclone purge <远程连接名称>:<待删除 Bucket 的名称> 删除不用的Bucket，再重新创建 Bucket 即可成功。

Q：观察到的网络带宽比真实的业务侧有效带宽要大很多

A：可能是 vePFS 预取导致的读放大，需要结合业务具体分析。常见的场景 mmap 方式打开文件，默认预读机制会造成读放大，并且在 random access 的方式下，这种预读对于业务没有性能帮助，需要关闭。

Q：mmap 性能不及预期，没有云盘性能好

A： vePFS 对于 mmap 的读取方式支持不太好。建议业务侧调整成小文件方式或者其他的打包方式（如 tfrecord、webdataset）。同时需要关注业务侧是否以读写的方式打开，以 r+/w 方式打开，vePFS对访问资源会开启读写锁，导致性能比较低，训练时对于文件尽量做到以只读方式打开。

Q：使用 DALI 加速效果不佳

A： DALI 使用了 mmap 特效， 尝试用 dont_use_mmap 关闭 mmap。