使用 TensorPipe CUDA RPC 的直接设备到设备通信

创建于：2021 年 3 月 19 日 | 最后更新：2021 年 3 月 19 日 | 最后验证：2024 年 11 月 05 日

注意

直接设备到设备 RPC (CUDA RPC) 在 PyTorch 1.8 中作为原型功能引入。此 API 可能会发生变化。

在本食谱中，您将学习

• CUDA RPC 的高级概念。

• 如何使用 CUDA RPC。

要求

• PyTorch 1.8+

• 分布式 RPC 框架入门

什么是 CUDA RPC？

CUDA RPC 支持直接将张量从本地 CUDA 内存发送到远程 CUDA 内存。在 v1.8 版本之前，PyTorch RPC 仅接受 CPU 张量。因此，当应用程序需要通过 RPC 发送 CUDA 张量时，它必须首先将张量移动到调用方的 CPU，通过 RPC 发送它，然后在被调用方将其移动到目标设备，这会导致不必要的同步以及 D2H 和 H2D 副本。自 v1.8 起，RPC 允许用户使用 set_device_map API 配置每个进程的全局设备映射，指定如何将本地设备映射到远程设备。更具体地说，如果 worker0 的设备映射有一个条目 "worker1" : {"cuda:0" : "cuda:1"}，则来自 worker0 的 "cuda:0" 上的所有 RPC 参数将直接发送到 worker1 上的 "cuda:1"。RPC 的响应将使用调用方设备映射的逆映射，即，如果 worker1 返回 "cuda:1" 上的张量，它将直接发送到 worker0 上的 "cuda:0"。所有预期的设备到设备直接通信都必须在每个进程的设备映射中指定。否则，仅允许使用 CPU 张量。

在底层，PyTorch RPC 依赖于 TensorPipe 作为通信后端。PyTorch RPC 将每个请求或响应中的所有张量提取到一个列表中，并将所有其他内容打包到二进制有效负载中。然后，TensorPipe 将根据张量设备类型以及调用方和被调用方上的通道可用性自动为每个张量选择通信通道。现有的 TensorPipe 通道涵盖 NVLink、InfiniBand、SHM、CMA、TCP 等。

如何使用 CUDA RPC？

以下代码显示了如何使用 CUDA RPC。该模型包含两个线性层，并分为两个分片。这两个分片分别放置在 worker0 和 worker1 上，worker0 充当驱动前向和后向传递的主节点。请注意，我们有意跳过了 DistributedOptimizer，以突出显示使用 CUDA RPC 时的性能改进。该实验重复前向和后向传递 10 次，并测量总执行时间。它比较了使用 CUDA RPC 与手动暂存到 CPU 内存和使用 CPU RPC 的情况。

import torch
import torch.distributed.autograd as autograd
import torch.distributed.rpc as rpc
import torch.multiprocessing as mp
import torch.nn as nn

import os
import time


class MyModule(nn.Module):
    def __init__(self, device, comm_mode):
        super().__init__()
        self.device = device
        self.linear = nn.Linear(1000, 1000).to(device)
        self.comm_mode = comm_mode

    def forward(self, x):
        # x.to() is a no-op if x is already on self.device
        y = self.linear(x.to(self.device))
        return y.cpu() if self.comm_mode == "cpu" else y

    def parameter_rrefs(self):
        return [rpc.RRef(p) for p in self.parameters()]


def measure(comm_mode):
    # local module on "worker0/cuda:0"
    lm = MyModule("cuda:0", comm_mode)
    # remote module on "worker1/cuda:1"
    rm = rpc.remote("worker1", MyModule, args=("cuda:1", comm_mode))
    # prepare random inputs
    x = torch.randn(1000, 1000).cuda(0)

    tik = time.time()
    for _ in range(10):
        with autograd.context() as ctx:
            y = rm.rpc_sync().forward(lm(x))
            autograd.backward(ctx, [y.sum()])
    # synchronize on "cuda:0" to make sure that all pending CUDA ops are
    # included in the measurements
    torch.cuda.current_stream("cuda:0").synchronize()
    tok = time.time()
    print(f"{comm_mode} RPC total execution time: {tok - tik}")


def run_worker(rank):
    os.environ['MASTER_ADDR'] = 'localhost'
    os.environ['MASTER_PORT'] = '29500'
    options = rpc.TensorPipeRpcBackendOptions(num_worker_threads=128)

    if rank == 0:
        options.set_device_map("worker1", {0: 1})
        rpc.init_rpc(
            f"worker{rank}",
            rank=rank,
            world_size=2,
            rpc_backend_options=options
        )
        measure(comm_mode="cpu")
        measure(comm_mode="cuda")
    else:
        rpc.init_rpc(
            f"worker{rank}",
            rank=rank,
            world_size=2,
            rpc_backend_options=options
        )

    # block until all rpcs finish
    rpc.shutdown()


if __name__=="__main__":
    world_size = 2
    mp.spawn(run_worker, nprocs=world_size, join=True)

下面显示了输出，这表明在此实验中，与 CPU RPC 相比，CUDA RPC 可以帮助实现 34 倍的加速。

cpu RPC total execution time: 2.3145179748535156 Seconds
cuda RPC total execution time: 0.06867480278015137 Seconds