分布式训练初始化失败或卡住时，如何定位进程、设备和通信问题？

DeepSpeed概述与故障排查 「京东、字节跳动、腾讯混元、阿里巴巴、阿里通义」

• deepspeed训练过程，报找不到主机。
• 多机训练不通，DeepSpeed配置问题。

• 【分布式训练故障排查】分布式训练卡住了怎么排查？请列出分布式训练故障排查的步骤和方法。 「美团」