parallel_do_op.cc 12.3 KB
Newer Older
Y
Yang Yang 已提交
1 2
/* Copyright (c) 2016 PaddlePaddle Authors. All Rights Reserve.

Y
Yang Yang 已提交
3 4 5
Licensed under the Apache License, Version 2.0 (the "License");
you may not use this file except in compliance with the License.
You may obtain a copy of the License at
Y
Yang Yang 已提交
6

Y
Yang Yang 已提交
7
    http://www.apache.org/licenses/LICENSE-2.0
Y
Yang Yang 已提交
8

Y
Yang Yang 已提交
9 10 11 12 13
Unless required by applicable law or agreed to in writing, software
distributed under the License is distributed on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and
limitations under the License. */
Y
Yang Yang 已提交
14 15

#include <vector>
Y
Yang Yang 已提交
16

Y
Yang Yang 已提交
17 18
#include "paddle/framework/executor.h"
#include "paddle/framework/op_registry.h"
Y
Yang Yu 已提交
19
#include "paddle/framework/threadpool.h"
Y
Yang Yang 已提交
20 21 22 23

namespace paddle {
namespace operators {

Y
Yang Yu 已提交
24 25 26
static constexpr char kInputs[] = "inputs";
static constexpr char kParameters[] = "parameters";
static constexpr char kPlaces[] = "places";
Y
Yang Yang 已提交
27

Y
Yang Yu 已提交
28 29
static constexpr char kOutputs[] = "outputs";
static constexpr char kParallelScopes[] = "parallel_scopes";
Y
Yang Yang 已提交
30

Y
Yang Yu 已提交
31
static constexpr char kParallelBlock[] = "sub_block";
Y
Yang Yang 已提交
32

Y
Yang Yang 已提交
33
using LoDTensor = framework::LoDTensor;
Y
Yang Yang 已提交
34
using SelectedRows = framework::SelectedRows;
Y
Yang Yang 已提交
35

Y
Yu Yang 已提交
36 37
static void SplitTensorAndMoveTensorToScopes(
    const framework::Scope &scope, std::vector<framework::Scope *> *sub_scopes,
Y
Yang Yang 已提交
38 39
    const std::vector<platform::Place> &places,
    const std::vector<std::string> &names) {
Y
Yu Yang 已提交
40
  size_t num_sub_scopes = 0;
Y
Yang Yang 已提交
41 42 43 44 45 46
  for (auto &argu : names) {
    auto *var = scope.FindVar(argu);
    const auto &tensor = var->Get<LoDTensor>();
    auto lod_tensors = tensor.SplitLoDTensor(places);

    for (auto &lod : lod_tensors) {
Y
Yang Yang 已提交
47
      VLOG(3) << lod.dims();
Y
Yang Yang 已提交
48
    }
Y
Yu Yang 已提交
49 50 51 52 53 54 55 56 57 58 59 60
    if (num_sub_scopes == 0) {
      num_sub_scopes = lod_tensors.size();
    } else {
      PADDLE_ENFORCE_EQ(num_sub_scopes, lod_tensors.size());
    }
    PADDLE_ENFORCE_NE(num_sub_scopes, 0);
    if (sub_scopes->size() == 0) {
      sub_scopes->reserve(num_sub_scopes);
      for (size_t i = 0; i < num_sub_scopes; ++i) {
        sub_scopes->emplace_back(&scope.NewScope());
      }
    }
Y
Yang Yang 已提交
61

Y
Yu Yang 已提交
62 63
    for (size_t i = 0; i < lod_tensors.size(); ++i) {
      *(*sub_scopes)[i]->Var(argu)->GetMutable<LoDTensor>() = lod_tensors[i];
Y
Yang Yang 已提交
64 65 66 67
    }
  }
}

Y
Yang Yang 已提交
68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91
inline void CopyOrShare(const framework::Variable& src,
                        const platform::Place& dst_place,
                        framework::Variable* dst) {
  if (src.IsType<LoDTensor>()) {
    if (src.Get<LoDTensor>().place() == dst_place) {
      dst->GetMutable<LoDTensor>()->ShareDataWith(src.Get<LoDTensor>());
    } else {
      Copy(src.Get<LoDTensor>(), dst_place, dst->GetMutable<LoDTensor>());
    }
  } else if (src.IsType<SelectedRows>()) {
    auto &src_sr = src.Get<SelectedRows>();
    auto *dst_sr = dst->GetMutable<SelectedRows>();
    dst_sr->set_rows(src_sr.rows());
    dst_sr->set_height(src_sr.height());
    Copy(src_sr.value(), dst_place, dst_sr->mutable_value());
//    if (src_sr.value().place() == dst_place) {
//      dst_sr->mutable_value()->ShareDataWith(src_sr.value());
//    } else {
//    }
  } else {
    PADDLE_THROW("Expect LoDTensor/SelectedRows, get %s", src.Type().name());
  }
}

Y
Yang Yang 已提交
92 93 94 95 96 97
void WaitOnPlace(const platform::Place place) {
  platform::DeviceContextPool &pool = platform::DeviceContextPool::Instance();
  auto &dev_ctx = *pool.Get(place);
  dev_ctx.Wait();
}

98 99 100 101 102 103 104 105 106
void WaitOnPlaces(const std::vector<platform::Place> places) {
  platform::DeviceContextPool &pool = platform::DeviceContextPool::Instance();

  for (auto &place : places) {
    auto &dev_ctx = *pool.Get(place);
    dev_ctx.Wait();
  }
}

Y
Yang Yang 已提交
107
class ParallelDoOp : public framework::OperatorBase {
Y
Yang Yang 已提交
108 109 110 111 112
 public:
  ParallelDoOp(const std::string &type,
               const framework::VariableNameMap &inputs,
               const framework::VariableNameMap &outputs,
               const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
113
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
114 115

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
116 117 118 119 120 121
           const platform::Place &place) const override {
    // get device context from pool
    platform::DeviceContextPool &pool = platform::DeviceContextPool::Instance();
    auto &dev_ctx = *pool.Get(place);

    auto *block = Attr<framework::BlockDesc *>(kParallelBlock);
Y
Yang Yang 已提交
122
    auto *program = block->Program();
Y
Yang Yang 已提交
123

124
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
125

Y
Yang Yang 已提交
126 127 128
    auto &sub_scopes = *scope.FindVar(Output(kParallelScopes))
                            ->GetMutable<std::vector<framework::Scope *>>();

129
    // split input
Y
Yu Yang 已提交
130
    SplitTensorAndMoveTensorToScopes(scope, &sub_scopes, places,
Y
Yang Yang 已提交
131
                                     Inputs(kInputs));
Y
Yu Yang 已提交
132

133 134 135 136 137
    // copy parameter
    for (auto &param : Inputs(kParameters)) {
      PADDLE_ENFORCE(scope.FindVar(param)->IsType<LoDTensor>(),
                     "Only support parameter type as LoDTensor");
      auto &src = scope.FindVar(param)->Get<LoDTensor>();
Y
Yu Yang 已提交
138
      for (size_t i = 0; i < sub_scopes.size(); ++i) {
139 140 141 142 143 144 145
        auto &place = places[i];
        auto *sub_scope = sub_scopes[i];
        auto *dst = sub_scope->Var(param)->GetMutable<LoDTensor>();
        framework::Copy(src, place, dst);
      }
    }
    WaitOnPlaces(places);
Y
Yang Yang 已提交
146

Y
Yang Yu 已提交
147 148
    std::vector<std::future<void>> workers;
    workers.reserve(places.size());
Y
Yu Yang 已提交
149
    for (size_t place_idx = 0; place_idx < sub_scopes.size(); ++place_idx) {
Y
Yang Yang 已提交
150 151 152
      auto &place = places[place_idx];
      auto *cur_scope = sub_scopes[place_idx];

Y
Yang Yu 已提交
153 154
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
155 156 157 158 159
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
160
      worker.wait();
Y
Yang Yang 已提交
161
    }
162
    WaitOnPlaces(places);
Y
Yang Yang 已提交
163 164 165 166

    // merge output
    for (auto &o_name : Outputs(kOutputs)) {
      std::vector<const framework::LoDTensor *> lod_tensors;
Y
Yang Yu 已提交
167
      lod_tensors.reserve(sub_scopes.size());
Y
Yang Yang 已提交
168
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yu 已提交
169
        lod_tensors.emplace_back(&sub_scope->FindVar(o_name)->Get<LoDTensor>());
Y
Yang Yang 已提交
170 171 172 173 174 175
      }

      auto *lod_tensor_to_be_merged =
          scope.FindVar(o_name)->GetMutable<LoDTensor>();
      lod_tensor_to_be_merged->MergeLoDTensor(lod_tensors, dev_ctx.GetPlace());
    }
176
    WaitOnPlaces(places);
Y
Yang Yang 已提交
177
    LOG(INFO) << "End of ParallelGradDo";
Y
Yang Yang 已提交
178
  }
Y
Yang Yang 已提交
179 180 181 182
};

class ParallelDoOpProtoMaker : public framework::OpProtoAndCheckerMaker {
 public:
Y
Yang Yang 已提交
183
  ParallelDoOpProtoMaker(OpProto *proto, framework::OpAttrChecker *op_checker)
Y
Yang Yang 已提交
184 185 186 187 188 189
      : OpProtoAndCheckerMaker(proto, op_checker) {
    AddInput(kInputs, "").AsDuplicable();
    AddInput(kParameters, "").AsDuplicable();
    AddInput(kPlaces, "");
    AddOutput(kOutputs, "").AsDuplicable();
    AddOutput(kParallelScopes, "");
Y
Yang Yang 已提交
190
    AddAttr<framework::BlockDesc *>(kParallelBlock, "");
Y
Yang Yang 已提交
191 192 193 194 195 196
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yu Yang 已提交
197
class ParallelDoGradOp : public framework::OperatorBase {
Y
Yang Yang 已提交
198 199 200 201 202
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
203
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
204 205

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
206 207
           const platform::Place &place) const override {
    auto *block = Attr<framework::BlockDesc *>(kParallelBlock);
Y
Yang Yang 已提交
208 209 210 211 212
    auto *program = block->Program();

    auto &sub_scopes = scope.FindVar(Input(kParallelScopes))
                           ->Get<std::vector<framework::Scope *>>();

213
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
214 215

    // feed output@grad
Y
Yu Yang 已提交
216 217 218
    SplitTensorAndMoveTensorToScopes(
        scope, const_cast<std::vector<framework::Scope *> *>(&sub_scopes),
        places, Inputs(framework::GradVarName(kOutputs)));
219
    WaitOnPlaces(places);
Y
Yang Yang 已提交
220 221

    // exe run
Y
Yang Yu 已提交
222
    std::vector<std::future<void>> workers;
Y
Yu Yang 已提交
223 224 225
    for (size_t i = 0; i < sub_scopes.size(); ++i) {
      auto &place = places[i];
      auto *cur_scope = sub_scopes[i];
Y
Yang Yang 已提交
226 227

      // execute
Y
Yang Yu 已提交
228 229
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
230 231 232 233 234
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
235
      worker.wait();
Y
Yang Yang 已提交
236
    }
237
    WaitOnPlaces(places);
Y
Yang Yang 已提交
238

Y
Yang Yang 已提交
239 240 241 242 243 244 245 246
    AccumulateGrad(scope, place, sub_scopes, places);
    LOG(INFO) << "End of ParallelDoGrad";
  }

  void AccumulateGrad(const framework::Scope &scope,
                      const platform::Place &place,
                      const std::vector<framework::Scope *> &sub_scopes,
                      const platform::PlaceList &places) const {
Y
Yang Yang 已提交
247
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
Y
Yang Yang 已提交
248 249
      std::__cxx11::string tmp_name;
      auto *tmp = sub_scopes[0]->Var(&tmp_name);
Y
Yu Yang 已提交
250

Y
Yang Yang 已提交
251
      LOG(INFO) << "---" << s;
Y
Yu Yang 已提交
252 253
      for (size_t i = 1; i < sub_scopes.size(); ++i) {
        if (!(places[i] == places[0])) {
Y
Yang Yang 已提交
254 255
          LOG(INFO) << "---";
          CopyOrShare(*sub_scopes[i]->FindVar(s), places[0], tmp);
Y
Yang Yang 已提交
256
          WaitOnPlace(places[0]);
Y
Yu Yang 已提交
257
        }
Y
Yang Yang 已提交
258

Y
Yang Yang 已提交
259
        LOG(INFO) << "---";
Y
Yang Yang 已提交
260
        auto sum_op = framework::OpRegistry::CreateOp(
Y
Yu Yang 已提交
261
            "sum", {{"X", {s, tmp_name}}}, {{"Out", {s}}},
Y
Yang Yang 已提交
262
            framework::AttributeMap{});
263
        sum_op->Run(*sub_scopes[0], places[0]);
Y
Yang Yang 已提交
264
        WaitOnPlace(places[0]);
Y
Yang Yang 已提交
265 266
      }

Y
Yang Yang 已提交
267 268
      LOG(INFO) << "---";
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
Y
Yang Yang 已提交
269
    }
Y
Yang Yang 已提交
270
    WaitOnPlaces(places);
Y
Yang Yang 已提交
271
  }
Y
Yang Yang 已提交
272 273
};

Y
Yu Yang 已提交
274 275 276 277 278 279 280
std::ostream &operator<<(std::ostream &sout,
                         const std::vector<std::string> &strs) {
  std::copy(strs.begin(), strs.end(),
            std::ostream_iterator<std::string>(sout, ","));
  return sout;
}

Y
Yang Yang 已提交
281 282 283 284 285
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
286 287
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
288
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
289
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
290
      VLOG(3) << input_param;
Y
Yang Yang 已提交
291
      grad->SetInput(input_param, this->Input(input_param));
292 293 294 295
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311
    }

    for (auto &output_param : this->OutputNames()) {
      if (output_param == kParallelScopes) {
        grad->SetInput(output_param, this->Output(output_param));
        grad->SetInput(framework::GradVarName(output_param),
                       this->Output(output_param));
      } else {
        grad->SetInput(output_param, this->Output(output_param));
        grad->SetInput(framework::GradVarName(output_param),
                       this->OutputGrad(output_param));
      }
    }
    grad->SetAttrMap(this->Attrs());
    grad->SetBlockAttr(kParallelBlock, *grad_block_[0]);

Y
Yang Yang 已提交
312
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
313 314 315 316 317 318
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yang Yang 已提交
319 320
    std::vector<std::string> input{kParameters, kInputs};
    std::vector<std::string> output{kOutputs};
Y
Yu Yang 已提交
321 322 323

    PADDLE_ENFORCE(ctx->HasInputs(kParameters));
    PADDLE_ENFORCE(ctx->HasOutputs(framework::GradVarName(kParameters)));
Y
Yang Yang 已提交
324
    PADDLE_ENFORCE(ctx->HasInputs(kInputs));
Y
Yu Yang 已提交
325

Y
Yang Yang 已提交
326 327 328
    for (auto &s : output) {
      PADDLE_ENFORCE(ctx->HasInputs(s));
    }
Y
Yu Yang 已提交
329 330 331 332 333 334 335 336 337 338 339 340 341 342

    ctx->SetOutputsDim(framework::GradVarName(kParameters),
                       ctx->GetInputsDim(kParameters));

    auto i_dims = ctx->GetInputsDim(kInputs);
    auto ig_names = ctx->Outputs(framework::GradVarName(kInputs));

    for (size_t i = 0; i < ig_names.size(); ++i) {
      auto &ig_name = ig_names[i];
      if (ig_name == framework::kEmptyVarName) {
        continue;
      }

      ctx->SetDims({ig_name}, {i_dims[i]});
Y
Yang Yang 已提交
343
    }
Y
Yu Yang 已提交
344

Y
Yang Yang 已提交
345 346 347 348 349
    if (ctx->HasInputs(kParameters)) {
      PADDLE_ENFORCE(ctx->HasOutputs(framework::GradVarName(kParameters)));
      ctx->SetOutputsDim(framework::GradVarName(kParameters),
                         ctx->GetInputsDim(kParameters));
    }
Y
Yang Yang 已提交
350 351 352 353 354 355 356 357 358 359 360
  }
};

}  // namespace operators
}  // namespace paddle

REGISTER_OPERATOR(parallel_do, paddle::operators::ParallelDoOp,
                  paddle::operators::ParallelDoOpProtoMaker,
                  paddle::operators::ParallelDoGradOpDescMaker);
REGISTER_OPERATOR(parallel_do_grad, paddle::operators::ParallelDoGradOp,
                  paddle::operators::ParallelDoGradOpShapeInference);