分布式数据并行¶
警告
torch.nn.parallel.DistributedDataParallel
的实现会随着时间推移而发展。此设计说明基于 v1.4 的状态编写。
torch.nn.parallel.DistributedDataParallel
(DDP) 透明地执行分布式数据并行训练。此页面描述了它的工作原理并揭示了实现细节。
示例¶
让我们从一个简单的 torch.nn.parallel.DistributedDataParallel
示例开始。此示例使用 torch.nn.Linear
作为本地模型,用 DDP 包装它,然后在 DDP 模型上运行一次前向传递、一次反向传递和一个优化器步骤。之后,本地模型上的参数将更新,并且不同进程上的所有模型都应该完全相同。
import torch
import torch.distributed as dist
import torch.multiprocessing as mp
import torch.nn as nn
import torch.optim as optim
import os
from torch.nn.parallel import DistributedDataParallel as DDP
def example(rank, world_size):
# create default process group
dist.init_process_group("gloo", rank=rank, world_size=world_size)
# create local model
model = nn.Linear(10, 10).to(rank)
# construct DDP model
ddp_model = DDP(model, device_ids=[rank])
# define loss function and optimizer
loss_fn = nn.MSELoss()
optimizer = optim.SGD(ddp_model.parameters(), lr=0.001)
# forward pass
outputs = ddp_model(torch.randn(20, 10).to(rank))
labels = torch.randn(20, 10).to(rank)
# backward pass
loss_fn(outputs, labels).backward()
# update parameters
optimizer.step()
def main():
world_size = 2
mp.spawn(example,
args=(world_size,),
nprocs=world_size,
join=True)
if __name__=="__main__":
# Environment variables which need to be
# set when using c10d's default "env"
# initialization mode.
os.environ["MASTER_ADDR"] = "localhost"
os.environ["MASTER_PORT"] = "29500"
main()
DDP 与 TorchDynamo 协同工作。当与 TorchDynamo 一起使用时,在编译模型之前应用 DDP 模型包装器,以便 torchdynamo 可以根据 DDP 桶大小应用 DDPOptimizer
(图中断优化)。(有关更多信息,请参阅 TorchDynamo DDPOptimizer。)
ddp_model = DDP(model, device_ids=[rank])
ddp_model = torch.compile(ddp_model)
内部设计¶
本节通过深入探讨每次迭代中每个步骤的细节,揭示了 torch.nn.parallel.DistributedDataParallel
后台的工作原理。
**先决条件**:DDP 依赖于 c10d
ProcessGroup
进行通信。因此,应用程序必须在构建 DDP 之前创建ProcessGroup
实例。**构造**:DDP 构造函数获取对本地模块的引用,并将来自秩为 0 的进程的
state_dict()
广播到组中的所有其他进程,以确保所有模型副本都从完全相同的状态开始。然后,每个 DDP 进程创建一个本地Reducer
,该Reducer
稍后将在反向传递期间负责梯度同步。为了提高通信效率,Reducer
将参数梯度组织成桶,并一次减少一个桶。可以通过在 DDP 构造函数中设置 bucket_cap_mb 参数来配置桶的大小。参数梯度到桶的映射是在构造时确定的,基于桶大小限制和参数大小。模型参数按给定模型的Model.parameters()
的(大致)反序分配到桶中。使用反序的原因是 DDP 预计梯度在反向传递期间将大致按该顺序准备好。下图显示了一个示例。请注意,grad0
和grad1
位于bucket1
中,其他两个梯度位于bucket0
中。当然,此假设可能并不总是正确的,当这种情况发生时,它可能会损害 DDP 反向速度,因为Reducer
无法在最早可能的时间启动通信。除了桶化之外,Reducer
还在构造期间注册自动梯度挂钩,每个参数一个挂钩。当梯度准备好时,这些挂钩将在反向传递期间触发。**前向传递**:DDP 获取输入并将其传递给本地模型,然后如果
find_unused_parameters
设置为True
,则分析本地模型的输出。此模式允许在模型的子图上运行反向传播,DDP 通过从模型输出遍历自动梯度图并将所有未使用的参数标记为准备好进行归约来找出哪些参数参与了反向传播。在反向传递期间,Reducer
仅等待未准备好的参数,但它仍会减少所有桶。目前,将参数梯度标记为已准备好无助于 DDP 跳过桶,但它将防止 DDP 在反向传递期间永远等待不存在的梯度。请注意,遍历自动梯度图会引入额外的开销,因此应用程序应仅在必要时将find_unused_parameters
设置为True
。反向传播:
backward()
函数直接作用于损失Tensor
,这超出了 DDP 的控制范围。DDP 使用在构造时注册的自动微分钩子来触发梯度同步。当一个梯度准备好时,其在该梯度累加器上的相应 DDP 钩子将被触发,然后 DDP 将标记该参数梯度为准备就绪,等待规约。当一个桶中的所有梯度都准备好时,Reducer
会在该桶上启动一个异步的allreduce
操作来计算所有进程中梯度的平均值。当所有桶都准备好后,Reducer
将阻塞,等待所有allreduce
操作完成。完成后,平均梯度将写入所有参数的param.grad
字段。因此,在反向传播之后,不同 DDP 进程中相同对应参数的 grad 字段应该相同。优化器步骤:从优化器的角度来看,它正在优化一个本地模型。所有 DDP 进程上的模型副本可以保持同步,因为它们都从相同的状态开始,并且在每次迭代中都具有相同的平均梯度。
注意
DDP 要求所有进程上的 Reducer
实例以完全相同的顺序调用 allreduce
,这可以通过始终按桶索引顺序而不是实际的桶就绪顺序运行 allreduce
来实现。进程之间不匹配的 allreduce
顺序可能导致错误的结果或 DDP 反向传播挂起。
实现¶
以下是 DDP 实现组件的指针。堆叠图显示了代码的结构。
进程组¶
ProcessGroup.hpp:包含所有进程组实现的抽象 API。
c10d
库开箱即用地提供了 3 种实现,即 ProcessGroupGloo、ProcessGroupNCCL 和 ProcessGroupMPI。DistributedDataParallel
使用ProcessGroup::broadcast()
在初始化期间将模型状态从秩为 0 的进程发送到其他进程,并使用ProcessGroup::allreduce()
来累加梯度。Store.hpp:协助进程组实例的会合服务找到彼此。
分布式数据并行¶
distributed.py:是 DDP 的 Python 入口点。它实现了初始化步骤和
nn.parallel.DistributedDataParallel
模块的forward
函数,该函数调用 C++ 库。它的_sync_param
函数在单个 DDP 进程处理多个设备时执行进程内参数同步,它还将模型缓冲区从秩为 0 的进程广播到所有其他进程。进程间参数同步发生在Reducer.cpp
中。comm.h:实现了合并广播辅助函数,该函数在初始化期间被调用以广播模型状态并在前向传递之前同步模型缓冲区。
reducer.h:提供了反向传播中梯度同步的核心实现。它有三个入口点函数
Reducer
:构造函数在distributed.py
中调用,它将Reducer::autograd_hook()
注册到梯度累加器。autograd_hook()
函数将在梯度准备好时由自动微分引擎调用。prepare_for_backward()
在distributed.py
中的 DDP 前向传递结束时调用。当 DDP 构造函数中find_unused_parameters
设置为True
时,它会遍历自动微分图以查找未使用的参数。
TorchDynamo DDP优化器¶
DDP 的性能优势来自在反向传播期间将 allreduce 集合与计算重叠。当与 TorchDynamo 一起用于编译整个前向和整个反向图时,AotAutograd 会阻止这种重叠,因为 allreduce 操作是由自动微分钩子在整个优化的反向计算完成后触发的。
TorchDynamo 的 DDPOptimizer 通过在反向传播期间将前向图分解成 DDP 的 allreduce 桶的逻辑边界来提供帮助。注意:目标是在反向传播期间分解图,最简单的实现是分解前向图,然后在每个部分上调用 AotAutograd 和编译。这允许 DDP 的 allreduce 钩子在反向传播的部分之间触发,并安排通信与计算重叠。
请参阅 这篇博文,以获取更深入的解释和实验结果,或阅读 torch/_dynamo/optimizations/distributed.py 中的文档和代码。
要调试 DDPOptimizer,请设置 TORCH_LOGS=’ddp_graphs’ 以获取完整的图转储。对于没有图的日志,请将 ‘dynamo’、‘distributed’ 或 ‘dist_ddp’ 中的任意一个添加到 TORCH_LOGS(有关桶边界的基本信息)。要禁用 DDPOptimizer,请设置 torch._dynamo.config.optimize_ddp=False。DDP 和 TorchDynamo 在没有 DDPOptimizer 的情况下仍然可以正常工作,但性能会下降。