parallel_executor.cc 8.8 KB
Newer Older
Y
Yang Yang 已提交
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
/* Copyright (c) 2016 PaddlePaddle Authors. All Rights Reserved.

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

    http://www.apache.org/licenses/LICENSE-2.0

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. */

#include "paddle/fluid/framework/parallel_executor.h"
Y
Yu Yang 已提交
16
#include "ThreadPool.h"
Y
Yu Yang 已提交
17 18
#include "lod_tensor.h"
#include "op_registry.h"
Y
Yu Yang 已提交
19
#include "paddle/fluid/framework/details/fetch_op_handle.h"
Y
Yu Yang 已提交
20
#include "paddle/fluid/framework/details/multi_devices_graph_builder.h"
Y
Yu Yang 已提交
21
#include "paddle/fluid/framework/details/ssa_graph.h"
Y
Yu Yang 已提交
22
#include "paddle/fluid/platform/nccl_helper.h"
Y
Yang Yang 已提交
23 24

namespace paddle {
Y
Yu Yang 已提交
25 26 27 28
namespace framework {

class ParallelExecutorPrivate {
 public:
Y
Yu Yang 已提交
29 30 31 32
  explicit ParallelExecutorPrivate(size_t num_threads,
                                   const std::vector<platform::Place> &places)
      : places_(places),
        fetch_dev_ctxs_(places),
Y
Yu Yang 已提交
33
        pool_(num_threads <= 1 ? nullptr : new ThreadPool(num_threads)) {}
Y
Yu Yang 已提交
34

Y
Stash  
Yu Yang 已提交
35
  std::vector<platform::Place> places_;
Y
Yu Yang 已提交
36
  platform::DeviceContextPool fetch_dev_ctxs_;
Y
Yu Yang 已提交
37
  std::vector<Scope *> local_scopes_;
Y
Yu Yang 已提交
38
  Scope *global_scope_;
Y
Yu Yang 已提交
39

Y
Yu Yang 已提交
40
  std::unique_ptr<platform::NCCLContextMap> nccl_ctxs_;
Y
Yu Yang 已提交
41

Y
Yu Yang 已提交
42
  details::SSAGraph graph_;
Y
Yu Yang 已提交
43

Y
Yu Yang 已提交
44
  // Use a simpler thread pool, might be faster.
Y
Yu Yang 已提交
45
  std::unique_ptr<ThreadPool> pool_;
Y
Yu Yang 已提交
46 47

  std::unique_ptr<platform::EnforceNotMet> exception_;
Y
Yu Yang 已提交
48

Y
Yu Yang 已提交
49 50 51 52
  void RunOp(bool use_event,
             std::unordered_map<details::VarHandleBase *, std::atomic<bool>>
                 &pending_vars,
             details::OpHandleBase *op) {
Y
Yu Yang 已提交
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78
    std::vector<std::atomic<bool> *> *ready_buffer =
        new std::vector<std::atomic<bool> *>();
    for (auto *var : op->outputs_) {
      ready_buffer->emplace_back(&pending_vars[var]);
    }

    auto op_run = [ready_buffer, op, this, use_event] {
      try {
        VLOG(10) << op->DebugString();
        op->Run(use_event);
        for (auto *ready : *ready_buffer) {
          ready->store(true, std::memory_order_release);
        }
        delete ready_buffer;
      } catch (platform::EnforceNotMet ex) {
        exception_.reset(new platform::EnforceNotMet(ex));
      } catch (...) {
        LOG(FATAL) << "Unknown exception catched";
      }
    };
    if (pool_) {
      pool_->enqueue(op_run);
    } else {
      op_run();
    }
  }
Y
Yu Yang 已提交
79 80
};

Y
Yu Yang 已提交
81
ParallelExecutor::ParallelExecutor(
Y
Yu Yang 已提交
82
    size_t num_threads, const std::vector<platform::Place> &places,
Y
Yu Yang 已提交
83 84 85
    const std::unordered_set<std::string> &params,
    const ProgramDesc &startup_program, const ProgramDesc &main_program,
    const std::string &loss_var_name, Scope *scope)
Y
Yu Yang 已提交
86
    : member_(new ParallelExecutorPrivate(num_threads, places)) {
Y
Yu Yang 已提交
87
  member_->global_scope_ = scope;
Y
Yu Yang 已提交
88

Y
Yu Yang 已提交
89 90 91 92
  // Step 1. RunStartupProgram and Bcast the params to devs.
  Executor exe(places[0]);
  exe.Run(startup_program, scope, 0);
  // Create local scopes
Y
Yu Yang 已提交
93 94
  for (size_t i = 0; i < member_->places_.size(); ++i) {
    member_->local_scopes_.push_back(&scope->NewScope());
Y
Yu Yang 已提交
95 96 97
  }

  // Bcast Parameters to all GPUs
Y
Yu Yang 已提交
98
  BuildNCCLCommunicator();
Y
Yu Yang 已提交
99
  if (platform::is_gpu_place(places[0]) &&
Y
Yu Yang 已提交
100 101
      member_->local_scopes_.size() != 1) {  // Is CUDA
    BCastParamsToGPUs(startup_program);
Y
Yu Yang 已提交
102 103 104 105 106
  }
  // Startup Program has been run. All local scopes has correct parameters.

  // Step 2. Convert main_program to SSA form and dependency graph. Also, insert
  // ncclOp
Y
Yu Yang 已提交
107 108 109
  details::MultiDevSSAGraphBuilder builder(member_->places_, loss_var_name,
                                           params, member_->local_scopes_,
                                           member_->nccl_ctxs_.get());
Y
Yu Yang 已提交
110
  builder.Build(main_program, &member_->graph_);
Y
Yu Yang 已提交
111 112

  // Step 3. Create vars in each scope;
Y
Yu Yang 已提交
113
  for (auto *scope : member_->local_scopes_) {
Y
Yu Yang 已提交
114 115 116 117 118 119 120 121
    for (auto *var : main_program.Block(0).AllVars()) {
      if (scope->FindVar(var->Name()) != nullptr) {
        continue;
      }

      InitializeVariable(scope->Var(var->Name()), var->GetType());
    }
  }
Y
Yu Yang 已提交
122 123 124 125
}

void ParallelExecutor::BCastParamsToGPUs(
    const ProgramDesc &startup_program) const {
Y
Yu Yang 已提交
126
#ifdef PADDLE_WITH_CUDA
Y
Yu Yang 已提交
127
  auto *main_scope = member_->local_scopes_[0];
Y
Yu Yang 已提交
128

Y
Yu Yang 已提交
129 130 131 132
  for (auto *var_desc : startup_program.Block(0).AllVars()) {
    if (var_desc->GetType() == proto::VarType::LOD_TENSOR) {
      auto &main_tensor =
          main_scope->FindVar(var_desc->Name())->Get<LoDTensor>();
Y
Yu Yang 已提交
133
      ncclDataType_t data_type = platform::ToNCCLDataType(main_tensor.type());
Y
Yu Yang 已提交
134 135 136
      auto &dims = main_tensor.dims();
      size_t numel = main_tensor.numel();

Y
Yu Yang 已提交
137
      platform::NCCLGroupGuard guard;
Y
Yu Yang 已提交
138

Y
Update  
Yu Yang 已提交
139 140 141 142 143 144
      for (size_t i = 0; i < member_->places_.size(); ++i) {
        auto place = member_->places_[i];
        void *buffer;
        if (i == 0) {
          buffer = const_cast<void *>(main_tensor.data<void>());
        } else {
Y
Yu Yang 已提交
145
          auto local_scope = member_->local_scopes_[i];
Y
Update  
Yu Yang 已提交
146 147 148 149 150
          auto *t = local_scope->Var(var_desc->Name())->GetMutable<LoDTensor>();
          t->Resize(dims);
          buffer = t->mutable_data(place, main_tensor.type());
        }

Y
Yu Yang 已提交
151
        auto &nccl_ctx = member_->nccl_ctxs_->at(place);
Y
Yu Yang 已提交
152 153
        platform::dynload::ncclBcast(buffer, numel, data_type, 0,
                                     nccl_ctx.comm_, nccl_ctx.stream());
Y
Yu Yang 已提交
154
      }
Y
Stash  
Yu Yang 已提交
155
    }
Y
Yu Yang 已提交
156
    member_->nccl_ctxs_->WaitAll();
Y
Stash  
Yu Yang 已提交
157
  }
Y
Yu Yang 已提交
158 159 160 161
#else
  PADDLE_THROW("Not compiled with CUDA");
#endif
}
Y
Yu Yang 已提交
162

Y
Yu Yang 已提交
163 164
void ParallelExecutor::BuildNCCLCommunicator() const {
#ifdef PADDLE_WITH_CUDA
Y
Yu Yang 已提交
165
  member_->nccl_ctxs_.reset(new platform::NCCLContextMap(member_->places_));
Y
Yu Yang 已提交
166
#endif
Y
Yu Yang 已提交
167 168
}

Y
Yu Yang 已提交
169 170
void ParallelExecutor::Run(const std::vector<std::string> &fetch_tensors,
                           const std::string &fetched_var_name) {
Y
Yu Yang 已提交
171
  bool use_event = true;
Y
Debug  
Yu Yang 已提交
172
  FeedFetchList fetched_data(fetch_tensors.size());
Y
Yu Yang 已提交
173
  // Version --> VarHandle
Y
Yu Yang 已提交
174
  member_->exception_.reset();
Y
Yu Yang 已提交
175 176 177
  std::unordered_map<details::VarHandleBase *, std::atomic<bool>> pending_vars;
  std::unordered_map<details::OpHandleBase *, size_t> pending_ops;
  std::vector<details::DummyVarHandle> dummy_vars;
Y
Yu Yang 已提交
178

Y
Yu Yang 已提交
179
  for (auto &var_map : member_->graph_.vars_) {
Y
Yu Yang 已提交
180
    for (auto &name_pair : var_map) {
Y
Yu Yang 已提交
181
      for (auto &version_pair : name_pair.second) {
Y
Yu Yang 已提交
182 183
        pending_vars[&version_pair.second] =
            version_pair.second.generated_op_ == nullptr;
Y
Yu Yang 已提交
184 185 186 187
      }
    }
  }

Y
Yu Yang 已提交
188
  for (auto &var : member_->graph_.dep_vars_) {
Y
Yu Yang 已提交
189
    pending_vars[var.get()] = var->generated_op_ == nullptr;
Y
Yu Yang 已提交
190 191
  }

Y
Yu Yang 已提交
192
  std::vector<details::OpHandleBase *> to_run;
Y
Yu Yang 已提交
193

Y
Yu Yang 已提交
194
  for (auto &op : member_->graph_.ops_) {
Y
Yu Yang 已提交
195 196 197 198 199 200 201
    if (op->inputs_.empty()) {  // Special case, Op has no input.
      to_run.emplace_back(op.get());
    } else {
      pending_ops.insert({op.get(), op->inputs_.size()});
    }
  }

Y
Yu Yang 已提交
202 203
  std::unordered_map<std::string, std::vector<details::VarHandleBase *>>
      fetched_vars;
Y
Yu Yang 已提交
204 205

  for (auto &fetch_var_name : fetch_tensors) {
Y
Yu Yang 已提交
206
    for (auto &var_map : member_->graph_.vars_) {
Y
Yu Yang 已提交
207 208
      auto it = var_map.find(fetch_var_name);
      if (it != var_map.end()) {
Y
Yu Yang 已提交
209 210 211 212 213
        fetched_vars[fetch_var_name].push_back(&it->second.rbegin()->second);
      }
    }
  }

Y
Yu Yang 已提交
214
  std::vector<details::FetchOpHandle> fetch_ops;
Y
Yu Yang 已提交
215 216 217 218

  for (size_t i = 0; i < fetch_tensors.size(); ++i) {
    auto &var_name = fetch_tensors[i];
    auto &vars = fetched_vars[var_name];
Y
Yu Yang 已提交
219
    fetch_ops.emplace_back(&fetched_data, i, &member_->local_scopes_);
Y
Yu Yang 已提交
220
    details::FetchOpHandle *op = &fetch_ops.back();
Y
Yu Yang 已提交
221 222

    // FIXME: Use new device context
Y
Yu Yang 已提交
223
    for (auto &p : member_->places_) {
Y
Yu Yang 已提交
224
      op->dev_ctx_[p] = member_->fetch_dev_ctxs_.Get(p);
Y
Yu Yang 已提交
225 226 227
    }

    for (auto *var : vars) {
Y
Yu Yang 已提交
228
      op->AddInput(var);
Y
Yu Yang 已提交
229
    }
Y
Yu Yang 已提交
230 231 232

    dummy_vars.emplace_back();
    auto *var = &dummy_vars.back();
Y
Yu Yang 已提交
233
    op->AddOutput(var);
Y
Yu Yang 已提交
234 235
    pending_vars[var] = false;

Y
Yu Yang 已提交
236 237 238
    pending_ops.insert({op, op->inputs_.size()});
  }

Y
Yu Yang 已提交
239
  for (auto *op : to_run) {
Y
Yu Yang 已提交
240
    member_->RunOp(use_event, pending_vars, op);
Y
Yu Yang 已提交
241 242
  }

Y
Yu Yang 已提交
243
  while (!pending_vars.empty()) {
Y
Yu Yang 已提交
244
    details::VarHandleBase *ready_var = nullptr;
Y
Yu Yang 已提交
245
    for (auto &pair : pending_vars) {
Y
Yu Yang 已提交
246
      if (pair.second.load(std::memory_order_acquire)) {
Y
Yu Yang 已提交
247
        ready_var = pair.first;
Y
Yu Yang 已提交
248 249
      }
    }
Y
Yu Yang 已提交
250
    if (ready_var == nullptr) {
Y
Yu Yang 已提交
251 252 253 254
      // FIXME use conditional var instead of busy wait.
      if (member_->exception_) {
        throw * member_->exception_;
      }
Y
Yu Yang 已提交
255
      continue;
Y
Yu Yang 已提交
256
    }
Y
Yu Yang 已提交
257
    pending_vars.erase(ready_var);
Y
Yu Yang 已提交
258
    to_run.clear();
Y
Yu Yang 已提交
259 260 261 262 263
    for (auto *op : ready_var->pending_ops_) {
      auto &deps = pending_ops[op];
      --deps;
      if (deps == 0) {
        to_run.emplace_back(op);
Y
Yu Yang 已提交
264 265 266 267
      }
    }
    for (auto *op : to_run) {
      pending_ops.erase(op);
Y
Yu Yang 已提交
268
      member_->RunOp(use_event, pending_vars, op);
Y
Yu Yang 已提交
269 270
    }
  }
Y
Yu Yang 已提交
271

Y
Debug  
Yu Yang 已提交
272 273 274 275 276 277
  for (auto &fetch_op : fetch_ops) {
    fetch_op.WaitAndMergeCPUTensors();
  }

  *member_->global_scope_->Var(fetched_var_name)->GetMutable<FeedFetchList>() =
      fetched_data;
Y
Yu Yang 已提交
278
}
Y
Yu Yang 已提交
279

Y
Yu Yang 已提交
280
}  // namespace framework
Y
Yang Yang 已提交
281
}  // namespace paddle