parallel_do_op.cc 11.1 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

Y
Yu Yang 已提交
35 36
static void SplitTensorAndMoveTensorToScopes(
    const framework::Scope &scope, std::vector<framework::Scope *> *sub_scopes,
Y
Yang Yang 已提交
37 38
    const std::vector<platform::Place> &places,
    const std::vector<std::string> &names) {
Y
Yu Yang 已提交
39
  size_t num_sub_scopes = 0;
Y
Yang Yang 已提交
40 41 42 43 44 45
  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
46
      VLOG(3) << lod.dims();
Y
Yang Yang 已提交
47
    }
Y
Yu Yang 已提交
48 49 50 51 52 53 54 55 56 57 58 59
    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
60

Y
Yu Yang 已提交
61 62
    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
63 64 65 66
    }
  }
}

Y
Yang Yang 已提交
67 68 69 70 71 72
void WaitOnPlace(const platform::Place place) {
  platform::DeviceContextPool &pool = platform::DeviceContextPool::Instance();
  auto &dev_ctx = *pool.Get(place);
  dev_ctx.Wait();
}

73 74 75 76 77 78 79 80 81
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
82
class ParallelDoOp : public framework::OperatorBase {
Y
Yang Yang 已提交
83 84 85 86 87
 public:
  ParallelDoOp(const std::string &type,
               const framework::VariableNameMap &inputs,
               const framework::VariableNameMap &outputs,
               const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
88
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
89 90

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
91 92 93 94 95 96
           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
97
    auto *program = block->Program();
Y
Yang Yang 已提交
98

99
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
100

Y
Yang Yang 已提交
101 102 103
    auto &sub_scopes = *scope.FindVar(Output(kParallelScopes))
                            ->GetMutable<std::vector<framework::Scope *>>();

104
    // split input
Y
Yu Yang 已提交
105
    SplitTensorAndMoveTensorToScopes(scope, &sub_scopes, places,
Y
Yang Yang 已提交
106
                                     Inputs(kInputs));
Y
Yu Yang 已提交
107

108 109 110 111 112
    // 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
113
      for (size_t i = 0; i < sub_scopes.size(); ++i) {
114 115 116 117 118 119 120
        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
121

Y
Yang Yu 已提交
122 123
    std::vector<std::future<void>> workers;
    workers.reserve(places.size());
Y
Yu Yang 已提交
124
    for (size_t place_idx = 0; place_idx < sub_scopes.size(); ++place_idx) {
Y
Yang Yang 已提交
125 126 127
      auto &place = places[place_idx];
      auto *cur_scope = sub_scopes[place_idx];

Y
Yang Yu 已提交
128 129
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
130 131 132 133 134
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
135
      worker.wait();
Y
Yang Yang 已提交
136
    }
137
    WaitOnPlaces(places);
Y
Yang Yang 已提交
138 139 140 141

    // merge output
    for (auto &o_name : Outputs(kOutputs)) {
      std::vector<const framework::LoDTensor *> lod_tensors;
Y
Yang Yu 已提交
142
      lod_tensors.reserve(sub_scopes.size());
Y
Yang Yang 已提交
143
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yu 已提交
144
        lod_tensors.emplace_back(&sub_scope->FindVar(o_name)->Get<LoDTensor>());
Y
Yang Yang 已提交
145 146 147 148 149 150
      }

      auto *lod_tensor_to_be_merged =
          scope.FindVar(o_name)->GetMutable<LoDTensor>();
      lod_tensor_to_be_merged->MergeLoDTensor(lod_tensors, dev_ctx.GetPlace());
    }
151
    WaitOnPlaces(places);
Y
Yang Yang 已提交
152
  }
Y
Yang Yang 已提交
153 154 155 156
};

class ParallelDoOpProtoMaker : public framework::OpProtoAndCheckerMaker {
 public:
Y
Yang Yang 已提交
157
  ParallelDoOpProtoMaker(OpProto *proto, framework::OpAttrChecker *op_checker)
Y
Yang Yang 已提交
158 159 160 161 162 163
      : OpProtoAndCheckerMaker(proto, op_checker) {
    AddInput(kInputs, "").AsDuplicable();
    AddInput(kParameters, "").AsDuplicable();
    AddInput(kPlaces, "");
    AddOutput(kOutputs, "").AsDuplicable();
    AddOutput(kParallelScopes, "");
Y
Yang Yang 已提交
164
    AddAttr<framework::BlockDesc *>(kParallelBlock, "");
Y
Yang Yang 已提交
165 166 167 168 169 170
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yu Yang 已提交
171
class ParallelDoGradOp : public framework::OperatorBase {
Y
Yang Yang 已提交
172 173 174 175 176
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
177
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
178 179

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
180 181
           const platform::Place &place) const override {
    auto *block = Attr<framework::BlockDesc *>(kParallelBlock);
Y
Yang Yang 已提交
182 183 184 185 186
    auto *program = block->Program();

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

187
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
188 189

    // feed output@grad
Y
Yu Yang 已提交
190 191 192
    SplitTensorAndMoveTensorToScopes(
        scope, const_cast<std::vector<framework::Scope *> *>(&sub_scopes),
        places, Inputs(framework::GradVarName(kOutputs)));
193
    WaitOnPlaces(places);
Y
Yang Yang 已提交
194 195

    // exe run
Y
Yang Yu 已提交
196
    std::vector<std::future<void>> workers;
Y
Yu Yang 已提交
197 198 199
    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
200 201

      // execute
Y
Yang Yu 已提交
202 203
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
204 205 206 207 208
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
209
      worker.wait();
Y
Yang Yang 已提交
210
    }
211
    WaitOnPlaces(places);
Y
Yang Yang 已提交
212 213

    // merge grad
Y
Yang Yang 已提交
214
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
Y
Yu Yang 已提交
215 216 217 218 219 220 221 222
      auto &result = sub_scopes[0]->FindVar(s)->Get<LoDTensor>();
      std::string tmp_name;
      auto *tmp = sub_scopes[0]->Var(&tmp_name)->GetMutable<LoDTensor>();

      for (size_t i = 1; i < sub_scopes.size(); ++i) {
        auto &tensor_to_merge = sub_scopes[i]->FindVar(s)->Get<LoDTensor>();
        if (!(places[i] == places[0])) {
          framework::Copy(tensor_to_merge, places[0], tmp);
Y
Yang Yang 已提交
223
          WaitOnPlace(places[0]);
Y
Yu Yang 已提交
224 225 226
        } else {
          tmp->ShareDataWith(tensor_to_merge);
        }
Y
Yang Yang 已提交
227

Y
Yang Yang 已提交
228
        auto sum_op = framework::OpRegistry::CreateOp(
Y
Yu Yang 已提交
229
            "sum", {{"X", {s, tmp_name}}}, {{"Out", {s}}},
Y
Yang Yang 已提交
230
            framework::AttributeMap{});
231
        sum_op->Run(*sub_scopes[0], places[0]);
Y
Yang Yang 已提交
232
        WaitOnPlace(places[0]);
Y
Yang Yang 已提交
233 234
      }

Y
Yu Yang 已提交
235 236
      VLOG(3) << result;
      framework::Copy(result, place, scope.FindVar(s)->GetMutable<LoDTensor>());
Y
Yang Yang 已提交
237
    }
Y
Yang Yang 已提交
238
    WaitOnPlaces(places);
Y
Yang Yang 已提交
239
  }
Y
Yang Yang 已提交
240 241
};

Y
Yu Yang 已提交
242 243 244 245 246 247 248
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
249 250 251 252 253
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
254 255
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
256
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
257
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
258
      VLOG(3) << input_param;
Y
Yang Yang 已提交
259
      grad->SetInput(input_param, this->Input(input_param));
260 261 262 263
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279
    }

    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
280
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
281 282 283 284 285 286
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yang Yang 已提交
287 288
    std::vector<std::string> input{kParameters, kInputs};
    std::vector<std::string> output{kOutputs};
Y
Yu Yang 已提交
289 290 291 292 293

    PADDLE_ENFORCE(ctx->HasInputs(kParameters));
    PADDLE_ENFORCE(ctx->HasOutputs(framework::GradVarName(kParameters)));
    PADDLE_ENFORCE(ctx->HasInput(kInputs));

Y
Yang Yang 已提交
294 295 296
    for (auto &s : output) {
      PADDLE_ENFORCE(ctx->HasInputs(s));
    }
Y
Yu Yang 已提交
297 298 299 300 301 302 303 304 305 306 307 308 309 310

    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
311
    }
Y
Yu Yang 已提交
312

Y
Yang Yang 已提交
313 314 315 316 317
    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
318 319 320 321 322 323 324 325 326 327 328
  }
};

}  // 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);