# 自动并行
🏷 sec_auto_para
深度学习框架（例如，MxNet、飞桨和 PyTorch）会在后端自动构建计算图。利用计算图，系统可以了解所有依赖关系，并且可以选择性地并行执行多个不相互依赖的任务以提高速度。例如， :numref: sec_async 中的 :numref: fig_asyncgraph 独立初始化两个变量。因此，系统可以选择并行执行它们。
通常情况下单个操作符将使用所有 CPU 或单个 GPU 上的所有计算资源。例如，即使在一台机器上有多个 CPU 处理器， dot 操作符也将使用所有 CPU 上的所有核心（和线程）。这样的行为同样适用于单个 GPU。因此，并行化对单设备计算机来说并不是很有用，而并行化对于多个设备就很重要了。虽然并行化通常应用在多个 GPU 之间，但增加本地 CPU 以后还将提高少许性能。例如， :cite: Hadjis.Zhang.Mitliagkas.ea.2016 则把结合 GPU 和 CPU 的训练应用到计算机视觉模型中。借助自动并行化框架的便利性，我们可以依靠几行 Python 代码实现相同的目标。对自动并行计算的讨论主要集中在使用 CPU 和 GPU 的并行计算上，以及计算和通信的并行化内容。
请注意，本节中的实验至少需要两个 GPU 来运行。
import torch | |
from d2l import torch as d2l |
# 基于 GPU 的并行计算
从定义一个具有参考性的用于测试的工作负载开始：下面的 run 函数将执行 次矩阵－矩阵乘法时需要使用的数据分配到两个变量（ x_gpu1 和 x_gpu2 ）中，这两个变量分别位于选择的不同设备上。
devices = d2l.try_all_gpus() | |
def run(x): | |
return [x.mm(x) for _ in range(50)] | |
x_gpu1 = torch.rand(size=(4000, 4000), device=devices[0]) | |
x_gpu2 = torch.rand(size=(4000, 4000), device=devices[1]) |
现在使用函数来处理数据。通过在测量之前需要预热设备（对设备执行一次传递）来确保缓存的作用不影响最终的结果。 torch.cuda.synchronize() 函数将会等待一个 CUDA 设备上的所有流中的所有核心的计算完成。函数接受一个 device 参数，代表是哪个设备需要同步。如果 device 参数是 None （默认值），它将使用 current_device() 找出的当前设备。
run(x_gpu1) | |
run(x_gpu2) # 预热设备 | |
torch.cuda.synchronize(devices[0]) | |
torch.cuda.synchronize(devices[1]) | |
with d2l.Benchmark('GPU1 time'): | |
run(x_gpu1) | |
torch.cuda.synchronize(devices[0]) | |
with d2l.Benchmark('GPU2 time'): | |
run(x_gpu2) | |
torch.cuda.synchronize(devices[1]) |
GPU1 time: 0.4970 sec
GPU2 time: 0.4988 sec
如果删除两个任务之间的 synchronize 语句，系统就可以在两个设备上自动实现并行计算。
with d2l.Benchmark('GPU1 & GPU2'): | |
run(x_gpu1) | |
run(x_gpu2) | |
torch.cuda.synchronize() |
GPU1 & GPU2: 0.4983 sec
在上述情况下，总执行时间小于两个部分执行时间的总和，因为深度学习框架自动调度两个 GPU 设备上的计算，而不需要用户编写复杂的代码。
# 并行计算与通信
在许多情况下，我们需要在不同的设备之间移动数据，比如在 CPU 和 GPU 之间，或者在不同的 GPU 之间。例如，当执行分布式优化时，就需要移动数据来聚合多个加速卡上的梯度。让我们通过在 GPU 上计算，然后将结果复制回 CPU 来模拟这个过程。
def copy_to_cpu(x, non_blocking=False): | |
return [y.to('cpu', non_blocking=non_blocking) for y in x] | |
with d2l.Benchmark('在GPU1上运行'): | |
y = run(x_gpu1) | |
torch.cuda.synchronize() | |
with d2l.Benchmark('复制到CPU'): | |
y_cpu = copy_to_cpu(y) | |
torch.cuda.synchronize() |
在GPU1上运行: 0.5010 sec
复制到CPU: 2.3848 sec
这种方式效率不高。注意到当列表中的其余部分还在计算时，我们可能就已经开始将 y 的部分复制到 CPU 了。例如，当计算一个小批量的（反传）梯度时。某些参数的梯度将比其他参数的梯度更早可用。因此，在 GPU 仍在运行时就开始使用 PCI-Express 总线带宽来移动数据是有利的。在 PyTorch 中， to() 和 copy_() 等函数都允许显式的 non_blocking 参数，这允许在不需要同步时调用方可以绕过同步。设置 non_blocking=True 以模拟这个场景。
with d2l.Benchmark('在GPU1上运行并复制到CPU'): | |
y = run(x_gpu1) | |
y_cpu = copy_to_cpu(y, True) | |
torch.cuda.synchronize() |
在GPU1上运行并复制到CPU: 2.1558 sec
两个操作所需的总时间少于它们各部分操作所需时间的总和。请注意，与并行计算的区别是通信操作使用的资源：CPU 和 GPU 之间的总线。事实上，我们可以在两个设备上同时进行计算和通信。如上所述，计算和通信之间存在的依赖关系是必须先计算 y[i] ，然后才能将其复制到 CPU。幸运的是，系统可以在计算 y[i] 的同时复制 y[i-1] ，以减少总的运行时间。
最后，本节给出了一个简单的两层多层感知机在 CPU 和两个 GPU 上训练时的计算图及其依赖关系的例子，如 :numref: fig_twogpu 所示。手动调度由此产生的并行程序将是相当痛苦的。这就是基于图的计算后端进行优化的优势所在。
🏷 fig_twogpu
# 小结
- 现代系统拥有多种设备，如多个 GPU 和多个 CPU，还可以并行地、异步地使用它们。
- 现代系统还拥有各种通信资源，如 PCI Express、存储（通常是固态硬盘或网络存储）和网络带宽，为了达到最高效率可以并行使用它们。
- 后端可以通过自动化地并行计算和通信来提高性能。
# 练习
- 在本节定义的
run函数中执行了八个操作，并且操作之间没有依赖关系。设计一个实验，看看深度学习框架是否会自动地并行地执行它们。 - 当单个操作符的工作量足够小，即使在单个 CPU 或 GPU 上，并行化也会有所帮助。设计一个实验来验证这一点。
- 设计一个实验，在 CPU 和 GPU 这两种设备上使用并行计算和通信。
- 使用诸如 NVIDIA 的 Nsight 之类的调试器来验证代码是否有效。
- 设计并实验具有更加复杂的数据依赖关系的计算任务，以查看是否可以在提高性能的同时获得正确的结果。
Discussions
