CUDA 语义¶
torch.cuda
用于设置和运行 CUDA 操作。它跟踪当前选定的 GPU,并且您分配的所有 CUDA 张量默认情况下都将在该设备上创建。可以使用 torch.cuda.device
上下文管理器更改选定的设备。
但是,一旦分配了张量,您就可以对其执行操作,而不管选定的设备如何,结果始终放置在与张量相同的设备上。
默认情况下不允许跨 GPU 操作,除了 copy_()
和其他具有类似复制功能的方法,例如 to()
和 cuda()
。除非您启用点对点内存访问,否则任何尝试在跨不同设备的张量上启动操作都会引发错误。
您可以在下面找到一个展示此功能的小示例
cuda = torch.device('cuda') # Default CUDA device
cuda0 = torch.device('cuda:0')
cuda2 = torch.device('cuda:2') # GPU 2 (these are 0-indexed)
x = torch.tensor([1., 2.], device=cuda0)
# x.device is device(type='cuda', index=0)
y = torch.tensor([1., 2.]).cuda()
# y.device is device(type='cuda', index=0)
with torch.cuda.device(1):
# allocates a tensor on GPU 1
a = torch.tensor([1., 2.], device=cuda)
# transfers a tensor from CPU to GPU 1
b = torch.tensor([1., 2.]).cuda()
# a.device and b.device are device(type='cuda', index=1)
# You can also use ``Tensor.to`` to transfer a tensor:
b2 = torch.tensor([1., 2.]).to(device=cuda)
# b.device and b2.device are device(type='cuda', index=1)
c = a + b
# c.device is device(type='cuda', index=1)
z = x + y
# z.device is device(type='cuda', index=0)
# even within a context, you can specify the device
# (or give a GPU index to the .cuda call)
d = torch.randn(2, device=cuda2)
e = torch.randn(2).to(cuda2)
f = torch.randn(2).cuda(cuda2)
# d.device, e.device, and f.device are all device(type='cuda', index=2)
Ampere(及更高版本)设备上的 TensorFloat-32 (TF32)¶
从 PyTorch 1.7 开始,有一个名为 allow_tf32 的新标志。此标志在 PyTorch 1.7 到 PyTorch 1.11 中默认为 True,在 PyTorch 1.12 及更高版本中默认为 False。此标志控制 PyTorch 是否允许在内部使用 TensorFloat32 (TF32) 张量核心(自 Ampere 以来 NVIDIA GPU 上可用)来计算 matmul(矩阵乘法和批处理矩阵乘法)和卷积。
TF32 张量核心旨在通过将输入数据四舍五入为具有 10 位尾数,并以 FP32 精度累积结果,保持 FP32 动态范围,从而在 torch.float32 张量上获得更好的 matmul 和卷积性能。
matmul 和卷积是分别控制的,并且它们相应的标志可以在以下位置访问:
# The flag below controls whether to allow TF32 on matmul. This flag defaults to False
# in PyTorch 1.12 and later.
torch.backends.cuda.matmul.allow_tf32 = True
# The flag below controls whether to allow TF32 on cuDNN. This flag defaults to True.
torch.backends.cudnn.allow_tf32 = True
matmul 的精度也可以更广泛地设置(不仅限于 CUDA),方法是使用 set_float_32_matmul_precision()
。请注意,除了 matmul 和卷积本身之外,内部使用 matmul 或卷积的函数和 nn 模块也会受到影响。这些包括 nn.Linear、nn.Conv*、cdist、tensordot、仿射网格和网格采样、自适应对数 softmax、GRU 和 LSTM。
要了解精度和速度,请参阅下面的示例代码和基准数据(在 A100 上)
a_full = torch.randn(10240, 10240, dtype=torch.double, device='cuda')
b_full = torch.randn(10240, 10240, dtype=torch.double, device='cuda')
ab_full = a_full @ b_full
mean = ab_full.abs().mean() # 80.7277
a = a_full.float()
b = b_full.float()
# Do matmul at TF32 mode.
torch.backends.cuda.matmul.allow_tf32 = True
ab_tf32 = a @ b # takes 0.016s on GA100
error = (ab_tf32 - ab_full).abs().max() # 0.1747
relative_error = error / mean # 0.0022
# Do matmul with TF32 disabled.
torch.backends.cuda.matmul.allow_tf32 = False
ab_fp32 = a @ b # takes 0.11s on GA100
error = (ab_fp32 - ab_full).abs().max() # 0.0031
relative_error = error / mean # 0.000039
从上面的示例中,我们可以看到,在启用 TF32 的情况下,A100 上的速度提高了约 7 倍,并且与双精度相比的相对误差大约大两个数量级。请注意,TF32 与单精度速度的确切比率取决于硬件代,因为内存带宽与计算的比率以及 TF32 与 FP32 matmul 吞吐量的比率等属性可能因代而异或因模型而异。如果需要完整的 FP32 精度,用户可以通过以下方式禁用 TF32:
torch.backends.cuda.matmul.allow_tf32 = False
torch.backends.cudnn.allow_tf32 = False
要在 C++ 中关闭 TF32 标志,您可以执行以下操作:
at::globalContext().setAllowTF32CuBLAS(false);
at::globalContext().setAllowTF32CuDNN(false);
有关 TF32 的更多信息,请参阅:
FP16 GEMM 中的精度降低¶
fp16 GEMM 可能使用一些中间精度降低的缩减(例如,在 fp16 而不是 fp32 中)。这些精度的选择性降低可以提高某些工作负载(特别是那些具有较大 k 维度)和 GPU 架构的性能,但以数值精度和潜在溢出为代价。
在 V100 上的一些示例基准数据
[--------------------------- bench_gemm_transformer --------------------------]
[ m , k , n ] | allow_fp16_reduc=True | allow_fp16_reduc=False
1 threads: --------------------------------------------------------------------
[4096, 4048, 4096] | 1634.6 | 1639.8
[4096, 4056, 4096] | 1670.8 | 1661.9
[4096, 4080, 4096] | 1664.2 | 1658.3
[4096, 4096, 4096] | 1639.4 | 1651.0
[4096, 4104, 4096] | 1677.4 | 1674.9
[4096, 4128, 4096] | 1655.7 | 1646.0
[4096, 4144, 4096] | 1796.8 | 2519.6
[4096, 5096, 4096] | 2094.6 | 3190.0
[4096, 5104, 4096] | 2144.0 | 2663.5
[4096, 5112, 4096] | 2149.1 | 2766.9
[4096, 5120, 4096] | 2142.8 | 2631.0
[4096, 9728, 4096] | 3875.1 | 5779.8
[4096, 16384, 4096] | 6182.9 | 9656.5
(times in microseconds).
如果需要全精度缩减,用户可以使用以下方法禁用 fp16 GEMM 中的精度降低缩减:
torch.backends.cuda.matmul.allow_fp16_reduced_precision_reduction = False
要在 C++ 中切换精度降低缩减标志,可以执行以下操作:
at::globalContext().setAllowFP16ReductionCuBLAS(false);
BF16 GEMM 中的精度降低¶
BF16 GEMM 存在类似的标志(如上所述)。请注意,如果在工作负载中观察到数值不稳定性,则此开关默认为 True,您可能希望将其设置为 False。
如果不需要精度降低的缩减,用户可以使用以下方法禁用 bf16 GEMM 中的精度降低缩减:
torch.backends.cuda.matmul.allow_bf16_reduced_precision_reduction = False
要在 C++ 中切换精度降低缩减标志,可以执行以下操作:
at::globalContext().setAllowBF16ReductionCuBLAS(true);
异步执行¶
默认情况下,GPU 操作是异步的。当您调用使用 GPU 的函数时,操作将排队到特定设备,但未必会立即执行。这使我们能够并行执行更多计算,包括 CPU 或其他 GPU 上的操作。
通常,异步计算的影响对调用者是不可见的,因为 (1) 每个设备按其排队顺序执行操作,以及 (2) PyTorch 在 CPU 和 GPU 之间或两个 GPU 之间复制数据时会自动执行必要的同步。因此,计算将按每个操作都同步执行的方式进行。
可以通过设置环境变量CUDA_LAUNCH_BLOCKING=1
来强制同步计算。当GPU发生错误时,这可能很有用。(异步执行时,这种错误直到操作实际执行后才会报告,因此堆栈跟踪不会显示请求的位置。)
异步计算的一个结果是,没有同步的时间测量是不准确的。为了获得精确的测量结果,应该在测量之前调用torch.cuda.synchronize()
,或者使用torch.cuda.Event
来记录时间,如下所示
start_event = torch.cuda.Event(enable_timing=True)
end_event = torch.cuda.Event(enable_timing=True)
start_event.record()
# Run some things here
end_event.record()
torch.cuda.synchronize() # Wait for the events to be recorded!
elapsed_time_ms = start_event.elapsed_time(end_event)
作为一个例外,一些函数,如to()
和copy_()
,接受一个显式的non_blocking
参数,允许调用者在不需要时绕过同步。另一个例外是CUDA流,将在下面解释。
CUDA流¶
一个CUDA流是属于特定设备的线性执行序列。通常不需要显式创建:默认情况下,每个设备都使用自己的“默认”流。
每个流内的操作按创建顺序序列化,但来自不同流的操作可以并发执行,且相对顺序任意,除非使用了显式同步函数(如synchronize()
或wait_stream()
)。例如,以下代码是不正确的
cuda = torch.device('cuda')
s = torch.cuda.Stream() # Create a new stream.
A = torch.empty((100, 100), device=cuda).normal_(0.0, 1.0)
with torch.cuda.stream(s):
# sum() may start execution before normal_() finishes!
B = torch.sum(A)
当“当前流”是默认流时,PyTorch会在数据移动时自动执行必要的同步,如上所述。但是,当使用非默认流时,用户有责任确保正确的同步。此示例的修正版本为
cuda = torch.device('cuda')
s = torch.cuda.Stream() # Create a new stream.
A = torch.empty((100, 100), device=cuda).normal_(0.0, 1.0)
s.wait_stream(torch.cuda.default_stream(cuda)) # NEW!
with torch.cuda.stream(s):
B = torch.sum(A)
A.record_stream(s) # NEW!
有两个新的补充。 torch.cuda.Stream.wait_stream()
调用确保normal_()
执行在我们在侧流上开始运行sum(A)
之前完成。 torch.Tensor.record_stream()
(参见更多详细信息)确保我们在sum(A)
完成之前不释放A。您也可以在以后的某个时间点使用torch.cuda.default_stream(cuda).wait_stream(s)
手动等待流(请注意,立即等待毫无意义,因为这会阻止流执行与默认流上的其他工作并行运行)。有关何时使用哪一个的更多详细信息,请参阅torch.Tensor.record_stream()
的文档。
请注意,即使没有读取依赖关系,也需要此同步,例如,如本示例所示
cuda = torch.device('cuda')
s = torch.cuda.Stream() # Create a new stream.
A = torch.empty((100, 100), device=cuda)
s.wait_stream(torch.cuda.default_stream(cuda)) # STILL REQUIRED!
with torch.cuda.stream(s):
A.normal_(0.0, 1.0)
A.record_stream(s)
尽管对s
的计算没有读取A
的内容,也没有其他使用A
,但仍然需要同步,因为A
可能对应于CUDA缓存分配器重新分配的内存,并且有来自旧(已释放)内存的挂起操作。
反向传播的流语义¶
每个反向CUDA操作都在与其对应的正向操作使用的相同流上运行。如果您的正向传递在不同的流上并行运行独立的操作,这将有助于反向传递利用相同的并行性。
关于周围操作的反向调用的流语义与任何其他调用相同。即使反向操作在多个流上运行,反向传递也会插入内部同步以确保这一点,如上一段所述。更具体地说,当调用autograd.backward
、autograd.grad
或tensor.backward
,并可选地提供CUDA张量作为初始梯度(例如,autograd.backward(..., grad_tensors=initial_grads)
、autograd.grad(..., grad_outputs=initial_grads)
或tensor.backward(..., gradient=initial_grad)
),以下操作:
可选填充初始梯度,
调用反向传播,以及
使用梯度
具有与任何操作组相同的流语义关系
s = torch.cuda.Stream()
# Safe, grads are used in the same stream context as backward()
with torch.cuda.stream(s):
loss.backward()
use grads
# Unsafe
with torch.cuda.stream(s):
loss.backward()
use grads
# Safe, with synchronization
with torch.cuda.stream(s):
loss.backward()
torch.cuda.current_stream().wait_stream(s)
use grads
# Safe, populating initial grad and invoking backward are in the same stream context
with torch.cuda.stream(s):
loss.backward(gradient=torch.ones_like(loss))
# Unsafe, populating initial_grad and invoking backward are in different stream contexts,
# without synchronization
initial_grad = torch.ones_like(loss)
with torch.cuda.stream(s):
loss.backward(gradient=initial_grad)
# Safe, with synchronization
initial_grad = torch.ones_like(loss)
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
initial_grad.record_stream(s)
loss.backward(gradient=initial_grad)
向后兼容性说明:在默认流上使用梯度¶
在早期版本的PyTorch(1.9及更早版本)中,autograd引擎始终将默认流与所有反向操作同步,因此以下模式
with torch.cuda.stream(s):
loss.backward()
use grads
只要use grads
发生在默认流上,就是安全的。在当前的PyTorch中,该模式不再安全。如果backward()
和use grads
位于不同的流上下文中,则必须同步流
with torch.cuda.stream(s):
loss.backward()
torch.cuda.current_stream().wait_stream(s)
use grads
即使use grads
在默认流上。
内存管理¶
PyTorch使用缓存内存分配器来加速内存分配。这允许快速内存释放,而无需设备同步。但是,分配器管理的未使用内存仍然会显示在nvidia-smi
中,好像已使用一样。您可以使用memory_allocated()
和max_memory_allocated()
来监控张量占用的内存,并使用memory_reserved()
和max_memory_reserved()
来监控缓存分配器管理的总内存量。调用empty_cache()
会释放PyTorch中所有**未使用**的缓存内存,以便其他GPU应用程序可以使用这些内存。但是,张量占用的GPU内存不会被释放,因此它无法增加PyTorch可用的GPU内存量。
为了更好地理解CUDA内存如何随时间使用,了解CUDA内存使用描述了捕获和可视化内存使用轨迹的工具。
对于更高级的用户,我们通过memory_stats()
提供了更全面的内存基准测试。我们还提供了捕获内存分配器状态的完整快照的功能,通过memory_snapshot()
,这可以帮助您了解代码生成的底层分配模式。
使用PYTORCH_CUDA_ALLOC_CONF
优化内存使用¶
使用缓存分配器可能会干扰内存检查工具(如cuda-memcheck
)。要使用cuda-memcheck
调试内存错误,请在您的环境中设置PYTORCH_NO_CUDA_MEMORY_CACHING=1
以禁用缓存。
可以通过环境变量PYTORCH_CUDA_ALLOC_CONF
控制缓存分配器的行为。格式为PYTORCH_CUDA_ALLOC_CONF=<option>:<value>,<option2>:<value2>...
可用选项
backend
允许选择底层分配器实现。当前,有效选项为native
,它使用PyTorch的原生实现,以及cudaMallocAsync
,它使用CUDA的内置异步分配器。cudaMallocAsync
需要CUDA 11.4或更高版本。默认值为native
。backend
适用于进程使用的所有设备,并且不能在每个设备的基础上指定。max_split_size_mb
阻止原生分配器分割大于此大小(以 MB 为单位)的块。这可以减少碎片,并可能允许一些临界工作负载在不耗尽内存的情况下完成。性能成本可能从“零”到“大量”不等,具体取决于分配模式。默认值为无限制,即所有块都可以分割。memory_stats()
和memory_summary()
方法可用于调整。此选项应作为最后的手段用于因“内存不足”而中止且显示大量非活动分割块的工作负载。max_split_size_mb
仅在backend:native
下有意义。在backend:cudaMallocAsync
下,max_split_size_mb
将被忽略。roundup_power2_divisions
有助于将请求的分配大小舍入到最接近的 2 的幂次方除法,并更好地利用块。在原生 CUDACachingAllocator 中,大小会以 512 的块大小的倍数向上舍入,因此对于较小的大小来说效果很好。但是,对于大型的附近分配,这可能效率低下,因为每个分配都将进入不同大小的块,并且这些块的重复使用最小化。这可能会创建许多未使用的块,并浪费 GPU 内存容量。此选项启用将分配大小舍入到最接近的 2 的幂次方除法。例如,如果我们需要将大小 1200 舍入,并且除法次数为 4,则大小 1200 位于 1024 和 2048 之间,如果我们在它们之间进行 4 次除法,则值为 1024、1280、1536 和 1792。因此,大小为 1200 的分配将舍入到 1280,因为它是 2 的幂次方除法的最近上限。指定一个值以应用于所有分配大小,或指定一系列键值对以分别为每个 2 的幂次方区间设置 2 的幂次方除法。例如,要为所有小于 256MB 的分配设置 1 个除法,为 256MB 到 512MB 之间的分配设置 2 个除法,为 512MB 到 1GB 之间的分配设置 4 个除法,以及为任何更大的分配设置 8 个除法,请将旋钮值设置为:[256:1,512:2,1024:4,>:8]。roundup_power2_divisions
仅在backend:native
下有意义。在backend:cudaMallocAsync
下,roundup_power2_divisions
将被忽略。garbage_collection_threshold
有助于主动回收未使用的 GPU 内存,以避免触发代价高昂的同步和全部回收操作 (release_cached_blocks),这可能不利于对延迟敏感的 GPU 应用程序(例如,服务器)。设置此阈值后(例如,0.8),如果 GPU 内存容量使用量超过阈值(即 GPU 应用程序分配的总内存的 80%),分配器将开始回收 GPU 内存块。该算法优先释放旧的和未使用的块,以避免释放正在积极重用的块。阈值应大于 0.0 且小于 1.0。garbage_collection_threshold
仅在backend:native
下有意义。在backend:cudaMallocAsync
下,garbage_collection_threshold
将被忽略。expandable_segments
(实验性,默认值:False)如果设置为 True,则此设置指示分配器创建稍后可以扩展的 CUDA 分配,以更好地处理作业频繁更改分配大小的情况,例如具有变化的批次大小。通常对于大型(>2MB)分配,分配器会调用 cudaMalloc 以获取与用户请求大小相同的分配。将来,如果这些分配的部分是空闲的,则可以将其重用于其他请求。当程序发出许多完全相同大小或大小为该大小的偶数倍的请求时,这效果很好。许多深度学习模型遵循此行为。但是,一个常见的例外是当批次大小从一次迭代到下一次略有变化时,例如在批处理推理中。当程序最初以批次大小 N 运行时,它将进行适合该大小的分配。如果将来以大小 N - 1 运行,则现有分配仍然足够大。但是,如果它以大小 N + 1 运行,则它将必须进行略微更大的新分配。并非所有张量的大小都相同。有些可能是 (N + 1)*A,而其他可能是 (N + 1)*A*B,其中 A 和 B 是模型中的一些非批次维度。因为分配器在现有分配足够大时会重用它们,所以一些 (N + 1)*A 分配实际上将适合已经存在的 N*B*A 段中,尽管不完美。随着模型的运行,它将部分填充所有这些段,并在这些段的末尾留下无法使用的空闲内存切片。分配器在某个时候需要 cudaMalloc 一个新的 (N + 1)*A*B 段。如果没有足够的内存,现在就无法恢复现有段末尾的空闲内存切片。对于深度超过 50 层的模型,这种模式可能会重复 50 多次,从而创建许多碎片。expandable_segments 允许分配器最初创建一个段,然后在需要更多内存时扩展其大小。它不是为每个分配创建一个段,而是尝试创建一个(每个流)随着需要而增长的段。现在,当 N + 1 案例运行时,分配将很好地平铺到一个大型段中,直到它填满。然后请求更多内存并将其附加到段的末尾。此过程不会创建许多无法使用的内存碎片,因此更有可能成功找到此内存。
pinned_use_cuda_host_register 选项是一个布尔标志,用于确定是否使用 CUDA API 的 cudaHostRegister 函数来分配固定内存,而不是默认的 cudaHostAlloc。当设置为 True 时,将使用常规 malloc 分配内存,然后在调用 cudaHostRegister 之前将页面映射到内存。页面的预映射有助于减少 cudaHostRegister 执行期间的锁定时间。
pinned_num_register_threads 选项仅在 pinned_use_cuda_host_register 设置为 True 时有效。默认情况下,使用一个线程来映射页面。此选项允许使用更多线程来并行化页面映射操作,以减少固定内存的整体分配时间。根据基准测试结果,此选项的良好值为 8。
注意
CUDA 内存管理 API 报告的一些统计信息特定于 backend:native
,在 backend:cudaMallocAsync
下没有意义。有关详细信息,请参阅每个函数的文档字符串。
为 CUDA 使用自定义内存分配器¶
可以将分配器定义为 C/C++ 中的简单函数,并将其编译为共享库,以下代码显示了一个仅跟踪所有内存操作的基本分配器。
#include <sys/types.h>
#include <cuda_runtime_api.h>
#include <iostream>
// Compile with g++ alloc.cc -o alloc.so -I/usr/local/cuda/include -shared -fPIC
extern "C" {
void* my_malloc(ssize_t size, int device, cudaStream_t stream) {
void *ptr;
cudaMalloc(&ptr, size);
std::cout<<"alloc "<<ptr<<size<<std::endl;
return ptr;
}
void my_free(void* ptr, ssize_t size, int device, cudaStream_t stream) {
std::cout<<"free "<<ptr<< " "<<stream<<std::endl;
cudaFree(ptr);
}
}
这可以通过 torch.cuda.memory.CUDAPluggableAllocator
在 Python 中使用。用户负责提供 .so 文件的路径以及与上面指定的签名匹配的 alloc/free 函数的名称。
import torch
# Load the allocator
new_alloc = torch.cuda.memory.CUDAPluggableAllocator(
'alloc.so', 'my_malloc', 'my_free')
# Swap the current allocator
torch.cuda.memory.change_current_allocator(new_alloc)
# This will allocate memory in the device using the new allocator
b = torch.zeros(10, device='cuda')
import torch
# Do an initial memory allocator
b = torch.zeros(10, device='cuda')
# Load the allocator
new_alloc = torch.cuda.memory.CUDAPluggableAllocator(
'alloc.so', 'my_malloc', 'my_free')
# This will error since the current allocator was already instantiated
torch.cuda.memory.change_current_allocator(new_alloc)
cuBLAS 工作区¶
对于 cuBLAS 处理程序和 CUDA 流的每个组合,如果该处理程序和流组合执行需要工作区的 cuBLAS 内核,则将分配一个 cuBLAS 工作区。为了避免重复分配工作区,除非调用 torch._C._cuda_clearCublasWorkspaces()
,否则不会释放这些工作区。每次分配的工作区大小可以通过环境变量 CUBLAS_WORKSPACE_CONFIG
以格式 :[SIZE]:[COUNT]
指定。例如,每次分配的默认工作区大小为 CUBLAS_WORKSPACE_CONFIG=:4096:2:16:8
,它指定了 2 * 4096 + 8 * 16 KiB
的总大小。要强制 cuBLAS 避免使用工作区,请设置 CUBLAS_WORKSPACE_CONFIG=:0:0
。
cuFFT 计划缓存¶
对于每个 CUDA 设备,都使用 cuFFT 计划的 LRU 缓存来加快对具有相同配置的相同几何形状的 CUDA 张量重复运行 FFT 方法(例如,torch.fft.fft()
)的速度。因为某些 cuFFT 计划可能会分配 GPU 内存,所以这些缓存具有最大容量。
您可以使用以下 API 控制和查询当前设备的缓存属性
torch.backends.cuda.cufft_plan_cache.max_size
提供缓存的容量(在 CUDA 10 及更高版本上默认为 4096,在较旧的 CUDA 版本上默认为 1023)。直接设置此值会修改容量。torch.backends.cuda.cufft_plan_cache.size
提供当前驻留在缓存中的计划数量。torch.backends.cuda.cufft_plan_cache.clear()
清除缓存。
要控制和查询非默认设备的计划缓存,您可以使用 torch.device
对象或设备索引索引 torch.backends.cuda.cufft_plan_cache
对象,并访问上述属性之一。例如,要设置设备 1
的缓存容量,可以编写 torch.backends.cuda.cufft_plan_cache[1].max_size = 10
。
即时编译¶
PyTorch 会在对 CUDA 张量执行某些操作(如 torch.special.zeta)时对其进行即时编译。此编译可能非常耗时(根据您的硬件和软件最多可能需要几秒钟),并且可能对单个运算符多次发生,因为许多 PyTorch 运算符实际上是从各种内核中选择,每个内核都必须编译一次,具体取决于它们的输入。此编译在每个进程中仅发生一次,或者如果使用内核缓存则仅发生一次。
默认情况下,PyTorch 在 $XDG_CACHE_HOME/torch/kernels 中创建内核缓存(如果定义了 XDG_CACHE_HOME)以及在 $HOME/.cache/torch/kernels 中创建内核缓存(如果没有定义 XDG_CACHE_HOME)(除了 Windows,在 Windows 上尚不支持内核缓存)。缓存行为可以通过两个环境变量直接控制。如果将 USE_PYTORCH_KERNEL_CACHE 设置为 0,则不使用缓存,如果设置了 PYTORCH_KERNEL_CACHE_PATH,则该路径将用作内核缓存,而不是默认位置。
最佳实践¶
与设备无关的代码¶
由于 PyTorch 的结构,您可能需要显式地编写设备无关(CPU 或 GPU)的代码;例如,可以创建一个新的张量作为循环神经网络的初始隐藏状态。
第一步是确定是否应该使用 GPU。一种常见的模式是使用 Python 的 argparse
模块读取用户参数,并设置一个可以用来禁用 CUDA 的标志,并结合 is_available()
。在下面,args.device
会生成一个 torch.device
对象,可用于将张量移动到 CPU 或 CUDA。
import argparse
import torch
parser = argparse.ArgumentParser(description='PyTorch Example')
parser.add_argument('--disable-cuda', action='store_true',
help='Disable CUDA')
args = parser.parse_args()
args.device = None
if not args.disable_cuda and torch.cuda.is_available():
args.device = torch.device('cuda')
else:
args.device = torch.device('cpu')
注意
在评估给定环境中 CUDA 的可用性(is_available()
)时,PyTorch 的默认行为是调用 CUDA 运行时 API 方法 cudaGetDeviceCount。因为此调用反过来会初始化 CUDA 驱动程序 API(通过 cuInit)(如果尚未初始化),则已运行 is_available()
的进程的后续 fork 将因 CUDA 初始化错误而失败。
可以在导入执行 is_available()
的 PyTorch 模块(或在直接执行它之前)之前,在您的环境中设置 PYTORCH_NVML_BASED_CUDA_CHECK=1
,以便将 is_available()
指向尝试基于 NVML 的评估(nvmlDeviceGetCount_v2)。如果基于 NVML 的评估成功(即 NVML 发现/初始化未失败),则 is_available()
调用不会影响后续的 fork。
如果 NVML 发现/初始化失败,则 is_available()
将回退到标准 CUDA 运行时 API 评估,并且上述 fork 约束将适用。
请注意,上述基于 NVML 的 CUDA 可用性评估提供的保证比默认的 CUDA 运行时 API 方法(需要 CUDA 初始化成功)弱。在某些情况下,基于 NVML 的检查可能会成功,但随后的 CUDA 初始化会失败。
现在我们有了 args.device
,我们可以用它在所需的设备上创建张量。
x = torch.empty((8, 42), device=args.device)
net = Network().to(device=args.device)
这可以在许多情况下用于生成设备无关的代码。下面是在使用数据加载器时的示例。
cuda0 = torch.device('cuda:0') # CUDA GPU 0
for i, x in enumerate(train_loader):
x = x.to(cuda0)
在系统上使用多个 GPU 时,可以使用 CUDA_VISIBLE_DEVICES
环境标志来管理哪些 GPU 可用于 PyTorch。如上所述,要手动控制在哪个 GPU 上创建张量,最佳实践是使用 torch.cuda.device
上下文管理器。
print("Outside device is 0") # On device 0 (default in most scenarios)
with torch.cuda.device(1):
print("Inside device is 1") # On device 1
print("Outside device is still 0") # On device 0
如果您有一个张量,并且想要在同一设备上创建一个相同类型的新张量,那么您可以使用 torch.Tensor.new_*
方法(请参阅 torch.Tensor
)。虽然前面提到的 torch.*
工厂函数(Creation Ops)依赖于当前的 GPU 上下文和您传入的属性参数,但 torch.Tensor.new_*
方法保留了张量的设备和其他属性。
在创建模块时,如果需要在正向传递过程中在内部创建新的张量,建议采用这种做法。
cuda = torch.device('cuda')
x_cpu = torch.empty(2)
x_gpu = torch.empty(2, device=cuda)
x_cpu_long = torch.empty(2, dtype=torch.int64)
y_cpu = x_cpu.new_full([3, 2], fill_value=0.3)
print(y_cpu)
tensor([[ 0.3000, 0.3000],
[ 0.3000, 0.3000],
[ 0.3000, 0.3000]])
y_gpu = x_gpu.new_full([3, 2], fill_value=-5)
print(y_gpu)
tensor([[-5.0000, -5.0000],
[-5.0000, -5.0000],
[-5.0000, -5.0000]], device='cuda:0')
y_cpu_long = x_cpu_long.new_tensor([[1, 2, 3]])
print(y_cpu_long)
tensor([[ 1, 2, 3]])
如果您想创建一个与另一个张量类型和大小相同的张量,并用 1 或 0 填充它,则提供 ones_like()
或 zeros_like()
作为方便的辅助函数(它们也保留了 torch.device
和 torch.dtype
张量)。
x_cpu = torch.empty(2, 3)
x_gpu = torch.empty(2, 3)
y_cpu = torch.ones_like(x_cpu)
y_gpu = torch.zeros_like(x_gpu)
使用固定内存缓冲区¶
警告
这是一个高级技巧。如果过度使用固定内存,当内存不足时可能会导致严重问题,并且您应该知道固定通常是一个昂贵的操作。
当主机到 GPU 的复制源自固定(页面锁定)内存时,速度会快得多。CPU 张量和存储公开了一个 pin_memory()
方法,该方法返回对象的副本,并将数据放入固定区域。
此外,一旦固定张量或存储,就可以使用异步 GPU 复制。只需将额外的 non_blocking=True
参数传递给 to()
或 cuda()
调用即可。这可以用来将数据传输与计算重叠。
您可以通过将 pin_memory=True
传递给其构造函数,使 DataLoader
返回放置在固定内存中的批次。
使用 nn.parallel.DistributedDataParallel 代替 multiprocessing 或 nn.DataParallel¶
大多数涉及批处理输入和多个 GPU 的用例都应该默认使用 DistributedDataParallel
来利用多个 GPU。
使用 CUDA 模型与 multiprocessing
存在重大注意事项;除非小心谨慎地完全满足数据处理要求,否则您的程序很可能出现错误或未定义的行为。
建议使用 DistributedDataParallel
,而不是 DataParallel
来进行多 GPU 训练,即使只有一个节点也是如此。
DistributedDataParallel
和 DataParallel
之间的区别是:DistributedDataParallel
使用多进程,为每个 GPU 创建一个进程,而 DataParallel
使用多线程。通过使用多进程,每个 GPU 都有其专用的进程,这避免了由 Python 解释器的 GIL 引起的性能开销。
如果使用 DistributedDataParallel
,可以使用 torch.distributed.launch 实用程序启动程序,请参阅 Third-party backends。
CUDA 图¶
CUDA 图是 CUDA 流及其相关流执行的工作(主要是内核及其参数)的记录。有关底层 CUDA API 的一般原理和详细信息,请参阅 CUDA 图入门 和 CUDA C 编程指南的 图部分。
PyTorch 支持使用 流捕获 来构建 CUDA 图,这会将 CUDA 流置于捕获模式。发出到捕获流的 CUDA 工作实际上不会在 GPU 上运行。相反,工作将记录在图中。
捕获后,可以启动该图以根据需要运行 GPU 工作多次。每次重放都会使用相同的参数运行相同的内核。对于指针参数,这意味着使用相同的内存地址。通过在每次重放之前用新数据(例如,来自新批次的数据)填充输入内存,可以在新数据上重新运行相同的工作。
为什么要使用 CUDA 图?¶
重放图以牺牲典型急切执行的动态灵活性的代价换取**大幅降低的 CPU 开销**。图的参数和内核是固定的,因此图重放跳过所有参数设置和内核分派的层级,包括 Python、C++ 和 CUDA 驱动程序的开销。在后台,重放通过对 cudaGraphLaunch 的单次调用将整个图的工作提交到 GPU。重放中的内核在 GPU 上的执行速度也略有提升,但消除 CPU 开销是主要优势。
如果您的网络全部或部分是图安全的(通常这意味着静态形状和静态控制流,但请参阅其他约束条件),并且您怀疑其运行时至少在某种程度上受 CPU 限制,则应尝试使用 CUDA 图。
PyTorch API¶
警告
此 API 处于测试阶段,可能会在将来的版本中更改。
PyTorch 通过原始的 torch.cuda.CUDAGraph
类和两个便捷包装器 torch.cuda.graph
和 torch.cuda.make_graphed_callables
公开图。
torch.cuda.graph
是一个简单且通用的上下文管理器,可在其上下文中捕获 CUDA 工作。在捕获之前,通过运行一些急切迭代来预热要捕获的工作负载。预热必须在辅助流上进行。由于图在每次重放中都读取和写入相同的内存地址,因此在捕获期间,您必须维护对保存输入和输出数据的张量的长期引用。要在新的输入数据上运行图,请将新数据复制到捕获的输入张量,重放图,然后从捕获的输出张量读取新的输出。示例
g = torch.cuda.CUDAGraph()
# Placeholder input used for capture
static_input = torch.empty((5,), device="cuda")
# Warmup before capture
s = torch.cuda.Stream()
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
for _ in range(3):
static_output = static_input * 2
torch.cuda.current_stream().wait_stream(s)
# Captures the graph
# To allow capture, automatically sets a side stream as the current stream in the context
with torch.cuda.graph(g):
static_output = static_input * 2
# Fills the graph's input memory with new data to compute on
static_input.copy_(torch.full((5,), 3, device="cuda"))
g.replay()
# static_output holds the results
print(static_output) # full of 3 * 2 = 6
# Fills the graph's input memory with more data to compute on
static_input.copy_(torch.full((5,), 4, device="cuda"))
g.replay()
print(static_output) # full of 4 * 2 = 8
请参阅 整个网络捕获、与 torch.cuda.amp 一起使用 和 与多个流一起使用,了解现实和高级模式。
make_graphed_callables
更加复杂。make_graphed_callables
接受 Python 函数和 torch.nn.Module
。对于每个传递的函数或模块,它会分别创建前向传递和后向传递工作的图。请参阅 部分网络捕获。
约束条件¶
如果一组操作不违反以下任何约束条件,则该组操作是可捕获的。
约束条件适用于 torch.cuda.graph
上下文中的所有工作以及传递给 torch.cuda.make_graphed_callables()
的任何可调用的前向和后向传递中的所有工作。
违反任何这些约束条件可能会导致运行时错误。
捕获必须在非默认流上进行。(只有在您使用原始的
CUDAGraph.capture_begin
和CUDAGraph.capture_end
调用时,这才是需要考虑的问题。graph
和make_graphed_callables()
会为您设置辅助流。)禁止使用使 CPU 与 GPU 同步的操作(例如,
.item()
调用)。允许使用 CUDA RNG 操作,在图中使用多个
torch.Generator
实例时,必须在图捕获之前使用CUDAGraph.register_generator_state
注册它们。在捕获期间避免使用Generator.get_state
和Generator.set_state
;而应使用Generator.graphsafe_set_state
和Generator.graphsafe_get_state
安全地管理图上下文中的生成器状态。这可确保在 CUDA 图中正确执行 RNG 操作和生成器管理。
违反任何这些约束条件可能会导致静默数值错误或未定义的行为。
在一个进程中,一次只能进行一个捕获。
在捕获过程中,此进程中(在任何线程上)都不能运行任何未捕获的 CUDA 工作。
CPU 工作不会被捕获。如果捕获的操作包括 CPU 工作,则在重放期间将省略该工作。
每次重放都读取和写入相同的(虚拟)内存地址。
禁止使用动态控制流(基于 CPU 或 GPU 数据)。
禁止使用动态形状。图假定捕获的操作序列中的每个张量在每次重放中都具有相同的大小和布局。
允许在捕获中使用多个流,但存在限制。
非约束条件¶
捕获后,可以在任何流上重放图。
整个网络捕获¶
如果您的整个网络都可捕获,则可以捕获并重放整个迭代。
N, D_in, H, D_out = 640, 4096, 2048, 1024
model = torch.nn.Sequential(torch.nn.Linear(D_in, H),
torch.nn.Dropout(p=0.2),
torch.nn.Linear(H, D_out),
torch.nn.Dropout(p=0.1)).cuda()
loss_fn = torch.nn.MSELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
# Placeholders used for capture
static_input = torch.randn(N, D_in, device='cuda')
static_target = torch.randn(N, D_out, device='cuda')
# warmup
# Uses static_input and static_target here for convenience,
# but in a real setting, because the warmup includes optimizer.step()
# you must use a few batches of real data.
s = torch.cuda.Stream()
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
for i in range(3):
optimizer.zero_grad(set_to_none=True)
y_pred = model(static_input)
loss = loss_fn(y_pred, static_target)
loss.backward()
optimizer.step()
torch.cuda.current_stream().wait_stream(s)
# capture
g = torch.cuda.CUDAGraph()
# Sets grads to None before capture, so backward() will create
# .grad attributes with allocations from the graph's private pool
optimizer.zero_grad(set_to_none=True)
with torch.cuda.graph(g):
static_y_pred = model(static_input)
static_loss = loss_fn(static_y_pred, static_target)
static_loss.backward()
optimizer.step()
real_inputs = [torch.rand_like(static_input) for _ in range(10)]
real_targets = [torch.rand_like(static_target) for _ in range(10)]
for data, target in zip(real_inputs, real_targets):
# Fills the graph's input memory with new data to compute on
static_input.copy_(data)
static_target.copy_(target)
# replay() includes forward, backward, and step.
# You don't even need to call optimizer.zero_grad() between iterations
# because the captured backward refills static .grad tensors in place.
g.replay()
# Params have been updated. static_y_pred, static_loss, and .grad
# attributes hold values from computing on this iteration's data.
部分网络捕获¶
如果您的网络的某些部分不安全捕获(例如,由于动态控制流、动态形状、CPU 同步或必要的 CPU 端逻辑),您可以急切地运行不安全部分,并使用 torch.cuda.make_graphed_callables()
仅捕获安全捕获的部分。
默认情况下,make_graphed_callables()
返回的可调用对象是自动微分感知的,可以在训练循环中用作您传递的函数或 nn.Module
的直接替代。
make_graphed_callables()
在内部创建 CUDAGraph
对象,运行预热迭代,并根据需要维护静态输入和输出。因此(与 torch.cuda.graph
不同),您无需手动处理这些操作。
在以下示例中,数据相关的动态控制流意味着网络无法端到端捕获,但 make_graphed_callables()
允许我们无论如何都将安全捕获的部分捕获并作为图运行。
N, D_in, H, D_out = 640, 4096, 2048, 1024
module1 = torch.nn.Linear(D_in, H).cuda()
module2 = torch.nn.Linear(H, D_out).cuda()
module3 = torch.nn.Linear(H, D_out).cuda()
loss_fn = torch.nn.MSELoss()
optimizer = torch.optim.SGD(chain(module1.parameters(),
module2.parameters(),
module3.parameters()),
lr=0.1)
# Sample inputs used for capture
# requires_grad state of sample inputs must match
# requires_grad state of real inputs each callable will see.
x = torch.randn(N, D_in, device='cuda')
h = torch.randn(N, H, device='cuda', requires_grad=True)
module1 = torch.cuda.make_graphed_callables(module1, (x,))
module2 = torch.cuda.make_graphed_callables(module2, (h,))
module3 = torch.cuda.make_graphed_callables(module3, (h,))
real_inputs = [torch.rand_like(x) for _ in range(10)]
real_targets = [torch.randn(N, D_out, device="cuda") for _ in range(10)]
for data, target in zip(real_inputs, real_targets):
optimizer.zero_grad(set_to_none=True)
tmp = module1(data) # forward ops run as a graph
if tmp.sum().item() > 0:
tmp = module2(tmp) # forward ops run as a graph
else:
tmp = module3(tmp) # forward ops run as a graph
loss = loss_fn(tmp, target)
# module2's or module3's (whichever was chosen) backward ops,
# as well as module1's backward ops, run as graphs
loss.backward()
optimizer.step()
与 torch.cuda.amp 一起使用¶
对于典型的优化器,GradScaler.step
会使 CPU 与 GPU 同步,这在捕获期间是被禁止的。为避免错误,请使用 部分网络捕获,或者(如果前向、损失和反向传播是安全捕获的),则捕获前向、损失和反向传播,但不捕获优化器步骤。
# warmup
# In a real setting, use a few batches of real data.
s = torch.cuda.Stream()
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
for i in range(3):
optimizer.zero_grad(set_to_none=True)
with torch.cuda.amp.autocast():
y_pred = model(static_input)
loss = loss_fn(y_pred, static_target)
scaler.scale(loss).backward()
scaler.step(optimizer)
scaler.update()
torch.cuda.current_stream().wait_stream(s)
# capture
g = torch.cuda.CUDAGraph()
optimizer.zero_grad(set_to_none=True)
with torch.cuda.graph(g):
with torch.cuda.amp.autocast():
static_y_pred = model(static_input)
static_loss = loss_fn(static_y_pred, static_target)
scaler.scale(static_loss).backward()
# don't capture scaler.step(optimizer) or scaler.update()
real_inputs = [torch.rand_like(static_input) for _ in range(10)]
real_targets = [torch.rand_like(static_target) for _ in range(10)]
for data, target in zip(real_inputs, real_targets):
static_input.copy_(data)
static_target.copy_(target)
g.replay()
# Runs scaler.step and scaler.update eagerly
scaler.step(optimizer)
scaler.update()
与多个流一起使用¶
捕获模式会自动传播到与捕获流同步的任何流。在捕获过程中,您可以通过对不同流发出调用来公开并行性,但整个流依赖关系 DAG 必须在捕获开始后从初始捕获流分支出来,并在捕获结束前重新加入初始流。
with torch.cuda.graph(g):
# at context manager entrance, torch.cuda.current_stream()
# is the initial capturing stream
# INCORRECT (does not branch out from or rejoin initial stream)
with torch.cuda.stream(s):
cuda_work()
# CORRECT:
# branches out from initial stream
s.wait_stream(torch.cuda.current_stream())
with torch.cuda.stream(s):
cuda_work()
# rejoins initial stream before capture ends
torch.cuda.current_stream().wait_stream(s)
注意
为避免在 nsight systems 或 nvprof 中查看重放的高级用户产生混淆:与急切执行不同,图将捕获中的非平凡流 DAG 解释为提示,而不是命令。在重放期间,图可能会将独立操作重新组织到不同的流上,或者以不同的顺序将其排队(同时尊重原始 DAG 的整体依赖关系)。
与 DistributedDataParallel 一起使用¶
NCCL < 2.9.6¶
早于 2.9.6 的 NCCL 版本不允许捕获集体操作。您必须使用 部分网络捕获,它会将所有归约推迟到反向传播的图化部分之外发生。
在用 DDP 包装网络之前,对可图化网络部分调用 make_graphed_callables()
。
NCCL >= 2.9.6¶
2.9.6 或更高版本的 NCCL 允许图中的集体操作。捕获 整个反向传播过程 的方法是一种可行的选择,但需要三个设置步骤。
禁用 DDP 的内部异步错误处理。
os.environ["NCCL_ASYNC_ERROR_HANDLING"] = "0" torch.distributed.init_process_group(...)
在完整反向传播捕获之前,必须在辅助流上下文中构建 DDP。
with torch.cuda.stream(s): model = DistributedDataParallel(model)
您的预热必须在捕获之前运行至少 11 个启用 DDP 的急切迭代。
图内存管理¶
捕获的图在每次回放时都会作用于相同的虚拟地址。如果 PyTorch 释放了内存,后续的回放可能会遇到非法内存访问。如果 PyTorch 将内存重新分配给新的张量,则回放可能会破坏这些张量所看到的值。因此,图使用的虚拟地址必须在整个回放过程中为图保留。PyTorch 缓存分配器通过检测捕获何时正在进行,并从图专用内存池中满足捕获的分配来实现这一点。私有池会一直存在,直到其CUDAGraph
对象和捕获期间创建的所有张量超出作用域。
私有池会自动维护。默认情况下,分配器为每次捕获创建一个单独的私有池。如果您捕获多个图,这种保守的方法可以确保图回放永远不会破坏彼此的值,但有时会不必要地浪费内存。
跨捕获共享内存¶
为了节省存储在私有池中的内存,torch.cuda.graph
和 torch.cuda.make_graphed_callables()
可选地允许不同的捕获共享相同的私有池。如果知道一组图将始终以捕获的相同顺序回放,并且永远不会并发回放,则它们共享一个私有池是安全的。
torch.cuda.graph
的 pool
参数是使用特定私有池的提示,可用于跨图共享内存,如所示
g1 = torch.cuda.CUDAGraph()
g2 = torch.cuda.CUDAGraph()
# (create static inputs for g1 and g2, run warmups of their workloads...)
# Captures g1
with torch.cuda.graph(g1):
static_out_1 = g1_workload(static_in_1)
# Captures g2, hinting that g2 may share a memory pool with g1
with torch.cuda.graph(g2, pool=g1.pool()):
static_out_2 = g2_workload(static_in_2)
static_in_1.copy_(real_data_1)
static_in_2.copy_(real_data_2)
g1.replay()
g2.replay()
对于 torch.cuda.make_graphed_callables()
,如果您想对多个可调用对象进行建图,并且知道它们将始终以相同的顺序运行(并且永远不会并发运行),请按它们在实际工作负载中的运行顺序将它们作为元组传递,并且 make_graphed_callables()
将使用共享的私有池捕获它们的图。
如果在实际工作负载中,可调用对象的运行顺序偶尔会发生变化,或者如果它们将并发运行,则不允许将它们作为元组传递给 make_graphed_callables()
的单个调用。相反,您必须为每个可调用对象分别调用 make_graphed_callables()
。