parallel_do_op.cc 10.7 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 34
// using ParallelScopeVar = std::vector<framework::Scope *>;
using LoDTensor = framework::LoDTensor;
Y
Yang Yang 已提交
35 36
using OperatorBase = framework::OperatorBase;

Y
Yang Yang 已提交
37 38 39 40 41
void SplitTensorAndMoveTensorToScopes(
    const framework::Scope &scope,
    const std::vector<framework::Scope *> &sub_scopes,
    const std::vector<platform::Place> &places,
    const std::vector<std::string> &names) {
42
  PADDLE_ENFORCE_EQ(sub_scopes.size(), places.size());
Y
Yang Yang 已提交
43 44 45 46 47 48
  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
49
      VLOG(3) << lod.dims();
Y
Yang Yang 已提交
50 51
    }

Y
Yang Yang 已提交
52
    for (size_t i = 0; i < sub_scopes.size(); ++i) {
Y
Yang Yang 已提交
53 54 55 56 57
      *sub_scopes[i]->Var(argu)->GetMutable<LoDTensor>() = lod_tensors[i];
    }
  }
}

58 59 60 61 62 63 64 65 66
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
67
class ParallelDoOp : public framework::OperatorBase {
Y
Yang Yang 已提交
68 69 70 71 72 73 74 75
 public:
  ParallelDoOp(const std::string &type,
               const framework::VariableNameMap &inputs,
               const framework::VariableNameMap &outputs,
               const framework::AttributeMap &attrs)
      : OperatorBase(type, inputs, outputs, attrs) {}

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
76 77 78 79 80 81
           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
82
    auto *program = block->Program();
Y
Yang Yang 已提交
83

84
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
85

Y
Yang Yang 已提交
86 87
    auto &sub_scopes = *scope.FindVar(Output(kParallelScopes))
                            ->GetMutable<std::vector<framework::Scope *>>();
Y
Yang Yang 已提交
88
    for (size_t place_idx = 0; place_idx < places.size(); ++place_idx) {
Y
Yang Yang 已提交
89
      sub_scopes.push_back(&scope.NewScope());
Y
Yang Yang 已提交
90 91
    }

92
    // split input
Y
Yang Yang 已提交
93 94
    SplitTensorAndMoveTensorToScopes(scope, sub_scopes, places,
                                     Inputs(kInputs));
95 96 97 98 99 100 101 102 103 104 105 106 107
    // 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>();
      for (size_t i = 0; i < places.size(); ++i) {
        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
108

Y
Yang Yu 已提交
109 110
    std::vector<std::future<void>> workers;
    workers.reserve(places.size());
Y
Yang Yang 已提交
111
    for (size_t place_idx = 0; place_idx < places.size(); ++place_idx) {
Y
Yang Yang 已提交
112
      VLOG(3) << "Run " << place_idx;
Y
Yang Yang 已提交
113 114 115 116

      auto &place = places[place_idx];
      auto *cur_scope = sub_scopes[place_idx];

Y
Yang Yu 已提交
117 118
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
119 120 121 122 123
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
124
      worker.wait();
Y
Yang Yang 已提交
125
    }
126
    WaitOnPlaces(places);
Y
Yang Yang 已提交
127 128 129 130

    // merge output
    for (auto &o_name : Outputs(kOutputs)) {
      std::vector<const framework::LoDTensor *> lod_tensors;
Y
Yang Yu 已提交
131
      lod_tensors.reserve(sub_scopes.size());
Y
Yang Yang 已提交
132
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yu 已提交
133
        lod_tensors.emplace_back(&sub_scope->FindVar(o_name)->Get<LoDTensor>());
Y
Yang Yang 已提交
134 135 136 137 138 139
      }

      auto *lod_tensor_to_be_merged =
          scope.FindVar(o_name)->GetMutable<LoDTensor>();
      lod_tensor_to_be_merged->MergeLoDTensor(lod_tensors, dev_ctx.GetPlace());
    }
140
    WaitOnPlaces(places);
Y
Yang Yang 已提交
141
  }
Y
Yang Yang 已提交
142 143 144 145
};

class ParallelDoOpProtoMaker : public framework::OpProtoAndCheckerMaker {
 public:
Y
Yang Yang 已提交
146
  ParallelDoOpProtoMaker(OpProto *proto, framework::OpAttrChecker *op_checker)
Y
Yang Yang 已提交
147 148 149 150 151 152
      : OpProtoAndCheckerMaker(proto, op_checker) {
    AddInput(kInputs, "").AsDuplicable();
    AddInput(kParameters, "").AsDuplicable();
    AddInput(kPlaces, "");
    AddOutput(kOutputs, "").AsDuplicable();
    AddOutput(kParallelScopes, "");
Y
Yang Yang 已提交
153
    AddAttr<framework::BlockDesc *>(kParallelBlock, "");
Y
Yang Yang 已提交
154 155 156 157 158 159
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yang Yang 已提交
160 161 162 163 164 165 166 167 168
class ParallelDoGradOp : public OperatorBase {
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
      : OperatorBase(type, inputs, outputs, attrs) {}

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
169 170 171 172 173 174 175
           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
176 177 178 179 180
    auto *program = block->Program();

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

181
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
182 183 184 185

    // feed output@grad
    SplitTensorAndMoveTensorToScopes(scope, sub_scopes, places,
                                     Inputs(framework::GradVarName(kOutputs)));
186
    WaitOnPlaces(places);
Y
Yang Yang 已提交
187

188
    // for debugging
Y
Yang Yang 已提交
189
    for (auto &s : Inputs(framework::GradVarName(kOutputs))) {
Y
Yang Yang 已提交
190 191
      VLOG(3) << s;
      VLOG(3) << scope.FindVar(s)->Get<LoDTensor>();
Y
Yang Yang 已提交
192
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yang 已提交
193
        VLOG(3) << sub_scope->FindVar(s)->Get<LoDTensor>();
Y
Yang Yang 已提交
194 195
      }
    }
Y
Yang Yang 已提交
196

Y
Yang Yang 已提交
197
    // exe run
Y
Yang Yu 已提交
198
    std::vector<std::future<void>> workers;
Y
Yang Yang 已提交
199
    for (size_t place_idx = 0; place_idx < places.size(); ++place_idx) {
Y
Yang Yang 已提交
200 201 202 203 204 205
      VLOG(3) << "Run " << place_idx;

      auto &place = places[place_idx];
      auto *cur_scope = sub_scopes[place_idx];

      // execute
Y
Yang Yu 已提交
206 207
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
208 209 210 211 212
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
213
      worker.wait();
Y
Yang Yang 已提交
214
    }
215
    WaitOnPlaces(places);
Y
Yang Yang 已提交
216 217

    // merge grad
Y
Yang Yang 已提交
218
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
219
      VLOG(3) << "merge grad " << s;
Y
Yang Yang 已提交
220 221

      auto &t = sub_scopes[0]->FindVar(s)->Get<LoDTensor>();
Y
Yang Yang 已提交
222
      VLOG(3) << t;
Y
Yang Yang 已提交
223 224 225 226

      std::string s_buf = s + "@BUF";
      auto *t_buf = sub_scopes[0]->Var(s_buf)->GetMutable<LoDTensor>();

Y
Yang Yang 已提交
227
      for (size_t place_idx = 1; place_idx < places.size(); ++place_idx) {
Y
Yang Yang 已提交
228
        auto &tt = sub_scopes[place_idx]->FindVar(s)->Get<LoDTensor>();
Y
Yang Yang 已提交
229 230
        VLOG(3) << place_idx;
        VLOG(3) << tt;
231
        framework::Copy(tt, places[0], t_buf);
Y
Yang Yang 已提交
232

Y
Yang Yang 已提交
233 234 235
        auto sum_op = framework::OpRegistry::CreateOp(
            "sum", {{"X", {s, s_buf}}}, {{"Out", {s}}},
            framework::AttributeMap{});
236 237
        sum_op->Run(*sub_scopes[0], places[0]);
        WaitOnPlaces(places);
Y
Yang Yang 已提交
238 239
      }

Y
Yang Yang 已提交
240
      VLOG(3) << t;
241
      framework::Copy(t, place, scope.FindVar(s)->GetMutable<LoDTensor>());
Y
Yang Yang 已提交
242
    }
Y
Yang Yang 已提交
243
  }
Y
Yang Yang 已提交
244 245
};

Y
Yang Yang 已提交
246 247 248 249 250
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
251 252
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
253
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
254
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
255
      VLOG(3) << input_param;
Y
Yang Yang 已提交
256
      grad->SetInput(input_param, this->Input(input_param));
257 258 259 260
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276
    }

    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
277
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
278 279 280 281 282 283
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yang Yang 已提交
284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302
    std::vector<std::string> input{kParameters, kInputs};
    std::vector<std::string> output{kOutputs};
    for (auto &s : input) {
      PADDLE_ENFORCE(ctx->HasInputs(s));
      PADDLE_ENFORCE(ctx->HasOutputs(framework::GradVarName(s)),
                     "Cannot find the gradient variable %s",
                     framework::GradVarName(s));
    }
    for (auto &s : output) {
      PADDLE_ENFORCE(ctx->HasInputs(s));
    }
    for (auto &s : input) {
      ctx->SetOutputsDim(framework::GradVarName(s), ctx->GetInputsDim(s));
    }
    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
303 304 305 306 307 308 309 310 311 312 313
  }
};

}  // 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);