通用 Join 上下文管理器

通用 Join 上下文管理器用于简化对不均匀输入的分布式训练。此页面概述了相关类的 API：Join、Joinable 和 JoinHook。有关教程，请参阅使用 Join 上下文管理器进行不均匀输入的分布式训练.

class torch.distributed.algorithms.Join(joinables, enable=True, throw_on_early_termination=False, **kwargs)

此类定义了通用 Join 上下文管理器，它允许在进程加入后调用自定义钩子。

这些钩子应该覆盖未加入进程的集体通信，以防止挂起和出错，并确保算法正确性。请参阅 JoinHook 以了解钩子定义的详细信息。

警告

上下文管理器要求每个参与的 Joinable 在其自己的每次迭代集体通信之前调用方法 notify_join_context()，以确保正确性。

警告

上下文管理器要求所有 process_group 属性在 JoinHook 对象中相同。如果有多个 JoinHook 对象，则使用第一个的 device。进程组和设备信息用于检查未加入的进程，并在启用 throw_on_early_termination 时通知进程抛出异常，这两种方法都使用全简化操作。

参数

• joinables (List[Joinable]) – 参与的 Joinable 的列表；它们的钩子按给定顺序进行迭代。

• enable (bool) – 用于启用不均匀输入检测的标志；设置为 False 会禁用上下文管理器的功能，并且仅在用户知道输入不会不均匀时才应设置（默认值：True）。

• throw_on_early_termination (bool) – 控制是否在检测到不均匀输入时抛出异常的标志（默认值：False）。

示例

>>> import os
>>> import torch
>>> import torch.distributed as dist
>>> import torch.multiprocessing as mp
>>> import torch.nn.parallel.DistributedDataParallel as DDP
>>> import torch.distributed.optim.ZeroRedundancyOptimizer as ZeRO
>>> from torch.distributed.algorithms.join import Join
>>>
>>> # On each spawned worker
>>> def worker(rank):
>>>     dist.init_process_group("nccl", rank=rank, world_size=2)
>>>     model = DDP(torch.nn.Linear(1, 1).to(rank), device_ids=[rank])
>>>     optim = ZeRO(model.parameters(), torch.optim.Adam, lr=0.01)
>>>     # Rank 1 gets one more input than rank 0
>>>     inputs = [torch.tensor([1.]).to(rank) for _ in range(10 + rank)]
>>>     with Join([model, optim]):
>>>         for input in inputs:
>>>             loss = model(input).sum()
>>>             loss.backward()
>>>             optim.step()
>>>     # All ranks reach here without hanging/erroring

static notify_join_context(joinable)

通知 Join 上下文管理器，调用进程尚未加入。

然后，如果 throw_on_early_termination=True，则检查是否检测到不均匀输入（即一个进程是否已经加入），如果检测到，则抛出异常。

此方法应从 Joinable 对象中调用，在其每次迭代集体通信之前。例如，这应在 DistributedDataParallel 的正向传递开始时调用。

仅将第一个传递到上下文管理器的 Joinable 对象执行此方法中的集体通信，对于其他对象，此方法是空的。

参数

joinable (Joinable) – 调用此方法的 Joinable 对象。

返回

如果 joinable 是第一个传递到上下文管理器的对象，则返回用于所有归约的异步工作句柄，用于通知上下文管理器进程尚未加入；否则返回 None。

class torch.distributed.algorithms.Joinable

这定义了可加入类的抽象基类。

可加入类（继承自 Joinable）应该实现 join_hook()，它返回 JoinHook 实例，此外还包括 join_device() 和 join_process_group()，它们分别返回设备和进程组信息。

abstract property join_device: device

返回用于执行加入上下文管理器所需的集体通信的设备。

abstract join_hook(**kwargs)

为给定的 Joinable 返回 JoinHook 实例。

参数

kwargs (dict) – 包含任何关键字参数的 dict，用于在运行时修改加入挂钩的行为；所有共享相同加入上下文管理器的 Joinable 实例都将转发相同的 kwargs 值。

返回类型

JoinHook

abstract property join_process_group: Any

返回加入上下文管理器本身所需的集体通信的进程组。

class torch.distributed.algorithms.JoinHook

这定义了加入挂钩，它在加入上下文管理器中提供两个入口点。

入口点：主挂钩，当存在未加入的进程时，它会被重复调用；后挂钩，当所有进程都已加入时，它会被调用一次。

要为通用加入上下文管理器实现加入挂钩，请定义一个继承自 JoinHook 的类，并根据需要覆盖 main_hook() 和 post_hook()。

main_hook()

当存在未加入的进程时，调用此挂钩来为训练迭代中的集体通信提供阴影。

训练迭代，即在一个前向传递、反向传递和优化器步骤中。

post_hook(is_last_joiner)

所有进程都已加入后，调用挂钩。

它会传递一个额外的 bool 参数 is_last_joiner，它指示排名是否为最后加入的排名之一。

参数

is_last_joiner (bool) – 如果排名是最后加入的排名之一，则为 True；否则为 False。