parallel_do_op.cc 13.2 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 Yu 已提交
20
#include "paddle/operators/detail/safe_ref.h"
Y
Yang Yang 已提交
21 22 23 24

namespace paddle {
namespace operators {

Y
Yang Yu 已提交
25 26 27
static constexpr char kInputs[] = "inputs";
static constexpr char kParameters[] = "parameters";
static constexpr char kPlaces[] = "places";
Y
Yang Yang 已提交
28

Y
Yang Yu 已提交
29 30
static constexpr char kOutputs[] = "outputs";
static constexpr char kParallelScopes[] = "parallel_scopes";
Y
Yang Yang 已提交
31

Y
Yang Yu 已提交
32
static constexpr char kParallelBlock[] = "sub_block";
Y
Yang Yang 已提交
33

Y
Yang Yang 已提交
34
using LoDTensor = framework::LoDTensor;
Y
Yang Yang 已提交
35
using SelectedRows = framework::SelectedRows;
Y
Yang Yang 已提交
36

Y
Yu Yang 已提交
37 38
static void SplitTensorAndMoveTensorToScopes(
    const framework::Scope &scope, std::vector<framework::Scope *> *sub_scopes,
Y
Yang Yang 已提交
39 40
    const std::vector<platform::Place> &places,
    const std::vector<std::string> &names) {
Y
Yu Yang 已提交
41
  size_t num_sub_scopes = 0;
Y
Yang Yang 已提交
42
  for (auto &argu : names) {
Y
Yang Yu 已提交
43 44 45 46
    const auto &tensor =
        detail::Ref(scope.FindVar(argu),
                    "Cannot find variable %s in the parent scope", argu)
            .Get<LoDTensor>();
Y
Yang Yang 已提交
47 48 49
    auto lod_tensors = tensor.SplitLoDTensor(places);

    for (auto &lod : lod_tensors) {
Y
Yang Yang 已提交
50
      VLOG(3) << lod.dims();
Y
Yang Yang 已提交
51
    }
Y
Yu Yang 已提交
52 53 54 55 56 57 58 59 60 61 62 63
    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
64

Y
Yu Yang 已提交
65
    for (size_t i = 0; i < lod_tensors.size(); ++i) {
Y
Yang Yu 已提交
66 67 68
      *detail::Ref(sub_scopes->at(i)->Var(argu),
                   "Cannot find variable in the sub-scope", argu)
           .GetMutable<LoDTensor>() = lod_tensors[i];
Y
Yang Yang 已提交
69 70 71 72
    }
  }
}

Y
Yang Yang 已提交
73 74 75
inline void CopyOrShare(const framework::Variable &src,
                        const platform::Place &dst_place,
                        framework::Variable *dst) {
Y
Yang Yang 已提交
76 77 78 79 80 81
  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>());
    }
D
dzhwinter 已提交
82
    dst->GetMutable<LoDTensor>()->set_lod(src.Get<LoDTensor>().lod());
Y
Yang Yang 已提交
83 84 85 86 87
  } 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());
Y
Yang Yang 已提交
88 89 90 91 92
    if (src_sr.value().place() == dst_place) {
      dst_sr->mutable_value()->ShareDataWith(src_sr.value());
    } else {
      Copy(src_sr.value(), dst_place, dst_sr->mutable_value());
    }
D
dzhwinter 已提交
93
    dst_sr->set_rows(src_sr.rows());
Y
Yang Yang 已提交
94 95 96 97 98
  } else {
    PADDLE_THROW("Expect LoDTensor/SelectedRows, get %s", src.Type().name());
  }
}

Y
Yang Yang 已提交
99 100 101 102 103 104
void WaitOnPlace(const platform::Place place) {
  platform::DeviceContextPool &pool = platform::DeviceContextPool::Instance();
  auto &dev_ctx = *pool.Get(place);
  dev_ctx.Wait();
}

105 106 107 108 109 110 111 112 113
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
114
class ParallelDoOp : public framework::OperatorBase {
Y
Yang Yang 已提交
115 116 117 118 119
 public:
  ParallelDoOp(const std::string &type,
               const framework::VariableNameMap &inputs,
               const framework::VariableNameMap &outputs,
               const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
120
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
121 122

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
123 124 125 126 127 128
           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
129
    auto *program = block->Program();
Y
Yang Yang 已提交
130

131
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
132

Y
Yang Yang 已提交
133 134 135
    auto &sub_scopes = *scope.FindVar(Output(kParallelScopes))
                            ->GetMutable<std::vector<framework::Scope *>>();

136
    // split input
Y
Yu Yang 已提交
137
    SplitTensorAndMoveTensorToScopes(scope, &sub_scopes, places,
Y
Yang Yang 已提交
138
                                     Inputs(kInputs));
Y
Yu Yang 已提交
139

140 141 142 143 144
    // 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
145
      for (size_t i = 0; i < sub_scopes.size(); ++i) {
146 147 148 149
        auto &place = places[i];
        auto *sub_scope = sub_scopes[i];
        auto *dst = sub_scope->Var(param)->GetMutable<LoDTensor>();
        framework::Copy(src, place, dst);
D
dzhwinter 已提交
150
        dst->set_lod(src.lod());
151 152 153
      }
    }
    WaitOnPlaces(places);
Y
Yang Yang 已提交
154

Y
Yang Yu 已提交
155 156
    std::vector<std::future<void>> workers;
    workers.reserve(places.size());
Y
Yu Yang 已提交
157
    for (size_t place_idx = 0; place_idx < sub_scopes.size(); ++place_idx) {
Y
Yang Yang 已提交
158 159 160
      auto &place = places[place_idx];
      auto *cur_scope = sub_scopes[place_idx];

Y
Yang Yu 已提交
161 162
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
163 164 165 166 167
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
168
      worker.wait();
Y
Yang Yang 已提交
169
    }
170
    WaitOnPlaces(places);
Y
Yang Yang 已提交
171 172 173 174

    // merge output
    for (auto &o_name : Outputs(kOutputs)) {
      std::vector<const framework::LoDTensor *> lod_tensors;
Y
Yang Yu 已提交
175
      lod_tensors.reserve(sub_scopes.size());
Y
Yang Yang 已提交
176
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yu 已提交
177
        lod_tensors.emplace_back(&sub_scope->FindVar(o_name)->Get<LoDTensor>());
Y
Yang Yang 已提交
178 179 180 181 182 183
      }

      auto *lod_tensor_to_be_merged =
          scope.FindVar(o_name)->GetMutable<LoDTensor>();
      lod_tensor_to_be_merged->MergeLoDTensor(lod_tensors, dev_ctx.GetPlace());
    }
184
    WaitOnPlaces(places);
Y
Yang Yang 已提交
185
  }
Y
Yang Yang 已提交
186 187 188 189
};

class ParallelDoOpProtoMaker : public framework::OpProtoAndCheckerMaker {
 public:
Y
Yang Yang 已提交
190
  ParallelDoOpProtoMaker(OpProto *proto, framework::OpAttrChecker *op_checker)
Y
Yang Yang 已提交
191 192 193 194 195 196
      : OpProtoAndCheckerMaker(proto, op_checker) {
    AddInput(kInputs, "").AsDuplicable();
    AddInput(kParameters, "").AsDuplicable();
    AddInput(kPlaces, "");
    AddOutput(kOutputs, "").AsDuplicable();
    AddOutput(kParallelScopes, "");
Y
Yang Yang 已提交
197
    AddAttr<framework::BlockDesc *>(kParallelBlock, "");
Y
Yang Yang 已提交
198 199 200 201 202 203
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yu Yang 已提交
204
class ParallelDoGradOp : public framework::OperatorBase {
Y
Yang Yang 已提交
205 206 207 208 209
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
210
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
211 212

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
213 214
           const platform::Place &place) const override {
    auto *block = Attr<framework::BlockDesc *>(kParallelBlock);
Y
Yang Yang 已提交
215 216 217 218 219
    auto *program = block->Program();

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

220
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
221 222

    // feed output@grad
Y
Yu Yang 已提交
223 224 225
    SplitTensorAndMoveTensorToScopes(
        scope, const_cast<std::vector<framework::Scope *> *>(&sub_scopes),
        places, Inputs(framework::GradVarName(kOutputs)));
226
    WaitOnPlaces(places);
Y
Yang Yang 已提交
227 228

    // exe run
Y
Yang Yu 已提交
229
    std::vector<std::future<void>> workers;
Y
Yu Yang 已提交
230 231 232
    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
233 234

      // execute
Y
Yang Yu 已提交
235 236
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
237 238 239 240 241
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
242
      worker.wait();
Y
Yang Yang 已提交
243
    }
244
    WaitOnPlaces(places);
Y
Yang Yang 已提交
245

Y
Yang Yang 已提交
246 247 248 249 250 251 252
    AccumulateGrad(scope, place, sub_scopes, places);
  }

  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
253
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
Y
Yang Yang 已提交
254
      std::string tmp_name;
Y
Yang Yang 已提交
255
      auto *tmp = sub_scopes[0]->Var(&tmp_name);
Y
Yu Yang 已提交
256 257

      for (size_t i = 1; i < sub_scopes.size(); ++i) {
Y
Yang Yang 已提交
258 259
        CopyOrShare(*sub_scopes[i]->FindVar(s), places[0], tmp);
        WaitOnPlace(places[0]);
Y
Yang Yang 已提交
260

Y
Yang Yang 已提交
261
        auto sum_op = framework::OpRegistry::CreateOp(
Y
Yu Yang 已提交
262
            "sum", {{"X", {s, tmp_name}}}, {{"Out", {s}}},
Y
Yang Yang 已提交
263
            framework::AttributeMap{});
Y
Yang Yang 已提交
264
        VLOG(3) << sum_op->DebugStringEx(sub_scopes[0]);
265
        sum_op->Run(*sub_scopes[0], places[0]);
Y
Yang Yang 已提交
266
        WaitOnPlace(places[0]);
Y
Yang Yang 已提交
267 268
      }

Y
Yang Yang 已提交
269
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
Y
Yang Yang 已提交
270
    }
Y
Yang Yang 已提交
271
    WaitOnPlaces(places);
Y
Yang Yang 已提交
272
  }
Y
Yang Yang 已提交
273 274
};

Y
Yu Yang 已提交
275 276 277 278 279 280 281
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
282 283 284 285 286
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
287 288
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
289
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
290
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
291
      VLOG(3) << input_param;
Y
Yang Yang 已提交
292
      grad->SetInput(input_param, this->Input(input_param));
293 294 295 296
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
297
    }
Y
Yang Yu 已提交
298 299 300 301 302 303 304 305 306 307 308
    auto *g_block = this->grad_block_[0];

    // All variable name that needed by gradient operators
    std::unordered_set<std::string> all_inputs_in_grad_blocks;

    for (size_t i = 0; i < g_block->OpSize(); ++i) {
      auto *op = g_block->Op(i);
      for (auto &var_name : op->InputArgumentNames()) {
        all_inputs_in_grad_blocks.insert(var_name);
      }
    }
Y
Yang Yang 已提交
309 310 311 312 313 314 315 316

    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));
Y
Yang Yu 已提交
317 318 319
        std::vector<std::string> og_names;
        for (auto &og_name : this->OutputGrad(output_param)) {
          if (all_inputs_in_grad_blocks.count(og_name) != 0) {
Y
Yang Yu 已提交
320 321
            // there are some gradient operators who need the OG. So make this
            // OG as an input of parallel.do
Y
Yang Yu 已提交
322 323
            og_names.push_back(og_name);
          }
Y
Yang Yu 已提交
324 325
          // else, there is no operator who need the OG. Do not use this OG as
          // an input
Y
Yang Yu 已提交
326 327
        }
        grad->SetInput(framework::GradVarName(output_param), og_names);
Y
Yang Yang 已提交
328 329 330 331 332
      }
    }
    grad->SetAttrMap(this->Attrs());
    grad->SetBlockAttr(kParallelBlock, *grad_block_[0]);

Y
Yang Yang 已提交
333
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
334 335 336 337 338 339
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yang Yang 已提交
340 341
    std::vector<std::string> input{kParameters, kInputs};
    std::vector<std::string> output{kOutputs};
Y
Yu Yang 已提交
342 343 344

    PADDLE_ENFORCE(ctx->HasInputs(kParameters));
    PADDLE_ENFORCE(ctx->HasOutputs(framework::GradVarName(kParameters)));
Y
Yang Yang 已提交
345
    PADDLE_ENFORCE(ctx->HasInputs(kInputs));
Y
Yu Yang 已提交
346

Y
Yang Yang 已提交
347 348 349
    for (auto &s : output) {
      PADDLE_ENFORCE(ctx->HasInputs(s));
    }
Y
Yu Yang 已提交
350 351 352 353 354 355 356 357 358 359 360 361 362 363

    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
364
    }
Y
Yu Yang 已提交
365

Y
Yang Yang 已提交
366 367 368 369 370
    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
371 372 373 374 375 376 377 378 379 380 381
  }
};

}  // 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);