parallel_do_op.cc 14.0 KB
Newer Older
1
/* Copyright (c) 2016 PaddlePaddle Authors. All Rights Reserved.
Y
Yang Yang 已提交
2

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
Yi Wang 已提交
17 18 19 20
#include "paddle/fluid/framework/executor.h"
#include "paddle/fluid/framework/op_registry.h"
#include "paddle/fluid/framework/threadpool.h"
#include "paddle/fluid/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
static constexpr char kUseNCCL[] = "use_nccl";
Y
Yang Yang 已提交
34

Y
Yang Yang 已提交
35
using LoDTensor = framework::LoDTensor;
Y
Yang Yang 已提交
36
using SelectedRows = framework::SelectedRows;
Y
Yang Yang 已提交
37

Y
Yu Yang 已提交
38 39
static void SplitTensorAndMoveTensorToScopes(
    const framework::Scope &scope, std::vector<framework::Scope *> *sub_scopes,
Y
Yang Yang 已提交
40 41
    const std::vector<platform::Place> &places,
    const std::vector<std::string> &names) {
Y
Yu Yang 已提交
42
  size_t num_sub_scopes = 0;
Y
Yang Yang 已提交
43
  for (auto &argu : names) {
Y
Yang Yu 已提交
44 45 46 47
    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
48 49 50
    auto lod_tensors = tensor.SplitLoDTensor(places);

    for (auto &lod : lod_tensors) {
Y
Yang Yang 已提交
51
      VLOG(3) << lod.dims();
Y
Yang Yang 已提交
52
    }
Y
Yu Yang 已提交
53 54 55 56 57 58 59 60 61 62 63 64
    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
65

Y
Yu Yang 已提交
66
    for (size_t i = 0; i < lod_tensors.size(); ++i) {
Y
Yang Yu 已提交
67 68 69
      *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
70 71 72 73
    }
  }
}

Y
Yang Yang 已提交
74 75 76
inline void CopyOrShare(const framework::Variable &src,
                        const platform::Place &dst_place,
                        framework::Variable *dst) {
Y
Yang Yang 已提交
77 78 79
  if (src.IsType<LoDTensor>()) {
    if (src.Get<LoDTensor>().place() == dst_place) {
      dst->GetMutable<LoDTensor>()->ShareDataWith(src.Get<LoDTensor>());
D
dzhwinter 已提交
80
      dst->GetMutable<LoDTensor>()->set_lod(src.Get<LoDTensor>().lod());
Y
Yang Yang 已提交
81
    } else {
Y
Yi Wang 已提交
82
      TensorCopy(src.Get<LoDTensor>(), dst_place, dst->GetMutable<LoDTensor>());
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_height(src_sr.height());
Y
Yang Yang 已提交
88 89
    if (src_sr.value().place() == dst_place) {
      dst_sr->mutable_value()->ShareDataWith(src_sr.value());
D
dzhwinter 已提交
90
      dst_sr->set_rows(src_sr.rows());
Y
Yang Yang 已提交
91
    } else {
Y
Yi Wang 已提交
92
      TensorCopy(src_sr.value(), dst_place, dst_sr->mutable_value());
Y
Yang Yang 已提交
93
    }
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

122 123 124
 private:
  void RunImpl(const framework::Scope &scope,
               const platform::Place &place) const override {
Y
Yang Yang 已提交
125 126 127 128 129
    // 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
130
    auto *program = block->Program();
Y
Yang Yang 已提交
131

132
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
133

Y
Yang Yang 已提交
134 135 136
    auto &sub_scopes = *scope.FindVar(Output(kParallelScopes))
                            ->GetMutable<std::vector<framework::Scope *>>();

137
    // split input
Y
Yu Yang 已提交
138
    SplitTensorAndMoveTensorToScopes(scope, &sub_scopes, places,
Y
Yang Yang 已提交
139
                                     Inputs(kInputs));
Y
Yu Yang 已提交
140

141 142 143 144 145
    // 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
146
      for (size_t i = 0; i < sub_scopes.size(); ++i) {
147 148 149
        auto &place = places[i];
        auto *sub_scope = sub_scopes[i];
        auto *dst = sub_scope->Var(param)->GetMutable<LoDTensor>();
Y
Yi Wang 已提交
150
        framework::TensorCopy(src, place, dst);
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
    AddAttr<bool>(kUseNCCL, "true if we use nccl on backward")
        .SetDefault(false);
Y
Yang Yang 已提交
200 201 202 203 204 205
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yu Yang 已提交
206
class ParallelDoGradOp : public framework::OperatorBase {
Y
Yang Yang 已提交
207 208 209 210 211
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
212
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
213

214 215 216
 private:
  void RunImpl(const framework::Scope &scope,
               const platform::Place &place) const override {
Y
Yang Yang 已提交
217
    auto *block = Attr<framework::BlockDesc *>(kParallelBlock);
Y
Yang Yang 已提交
218 219 220 221
    auto *program = block->Program();

    auto &sub_scopes = scope.FindVar(Input(kParallelScopes))
                           ->Get<std::vector<framework::Scope *>>();
222
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
223 224

    // feed output@grad
Y
Yu Yang 已提交
225 226 227
    SplitTensorAndMoveTensorToScopes(
        scope, const_cast<std::vector<framework::Scope *> *>(&sub_scopes),
        places, Inputs(framework::GradVarName(kOutputs)));
228
    WaitOnPlaces(places);
Y
Yang Yang 已提交
229 230

    // exe run
Y
Yang Yu 已提交
231
    std::vector<std::future<void>> workers;
Y
Yu Yang 已提交
232 233 234
    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
235 236

      // execute
Y
Yang Yu 已提交
237 238
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
239 240 241 242 243
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
244
      worker.wait();
Y
Yang Yang 已提交
245
    }
246
    WaitOnPlaces(places);
Y
Yang Yang 已提交
247

Y
Yang Yang 已提交
248 249 250 251 252 253 254 255 256 257 258
    // NCCL allreduce op will be added by backward,
    // so no need to explicitly accumulate grad
    if (!(Attr<bool>(kUseNCCL))) {
      AccumulateGrad(scope, place, sub_scopes, places);
    } else {
      for (auto &place : places) {
        PADDLE_ENFORCE(platform::is_gpu_place(place),
                       "NCCL only supports cuda place");
      }
    }
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
259
      if (s == framework::kEmptyVarName) {
Y
Yang Yang 已提交
260 261 262
        continue;
      }
      VLOG(3) << "Moving " << s;
Y
Yang Yang 已提交
263 264 265
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
    }
    WaitOnPlaces(places);
Y
Yang Yang 已提交
266 267 268 269 270 271
  }

  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
272
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
273
      if (s == framework::kEmptyVarName) {
Y
Yang Yang 已提交
274 275
        continue;
      }
Y
Yang Yang(Tony) 已提交
276 277
      VLOG(3) << "Accumulating " << s;
      if (s == framework::kEmptyVarName) continue;
Y
Yang Yang 已提交
278
      std::string tmp_name;
Y
Yang Yang 已提交
279
      auto *tmp = sub_scopes[0]->Var(&tmp_name);
Y
Yu Yang 已提交
280 281

      for (size_t i = 1; i < sub_scopes.size(); ++i) {
Y
Yang Yang 已提交
282
        CopyOrShare(*sub_scopes[i]->FindVar(s), places[0], tmp);
Y
Yang Yang(Tony) 已提交
283
        WaitOnPlaces(places);
Y
Yang Yang 已提交
284

Y
Yang Yang 已提交
285
        auto sum_op = framework::OpRegistry::CreateOp(
Y
Yu Yang 已提交
286
            "sum", {{"X", {s, tmp_name}}}, {{"Out", {s}}},
Y
Yang Yang 已提交
287
            framework::AttributeMap{});
Y
Yang Yang(Tony) 已提交
288
        VLOG(10) << sum_op->DebugStringEx(sub_scopes[0]);
289
        sum_op->Run(*sub_scopes[0], places[0]);
Y
Yang Yang 已提交
290
        WaitOnPlace(places[0]);
Y
Yang Yang 已提交
291 292
      }

Y
Yang Yang 已提交
293
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
Y
Yang Yang 已提交
294
    }
Y
Yang Yang 已提交
295
    WaitOnPlaces(places);
Y
Yang Yang 已提交
296
  }
Y
Yang Yang 已提交
297 298
};

Y
Yu Yang 已提交
299 300 301 302 303 304 305
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
306 307 308 309 310
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
311 312
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
313
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
314
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
315
      VLOG(3) << input_param;
Y
Yang Yang 已提交
316
      grad->SetInput(input_param, this->Input(input_param));
317 318 319 320
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
321
    }
Y
Yang Yu 已提交
322 323 324 325 326 327 328 329 330 331 332
    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
333 334 335 336 337 338 339 340

    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
341 342 343
        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
344 345
            // 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
346 347
            og_names.push_back(og_name);
          }
Y
Yang Yu 已提交
348 349
          // else, there is no operator who need the OG. Do not use this OG as
          // an input
Y
Yang Yu 已提交
350 351
        }
        grad->SetInput(framework::GradVarName(output_param), og_names);
Y
Yang Yang 已提交
352 353 354 355 356
      }
    }
    grad->SetAttrMap(this->Attrs());
    grad->SetBlockAttr(kParallelBlock, *grad_block_[0]);

Y
Yang Yang 已提交
357
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
358 359 360 361 362 363
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yu Yang 已提交
364
    PADDLE_ENFORCE(ctx->HasInputs(kParameters));
Y
Yang Yang 已提交
365
    PADDLE_ENFORCE(ctx->HasInputs(kInputs));
Y
Yang Yang(Tony) 已提交
366
    PADDLE_ENFORCE(ctx->HasInputs(kOutputs));
Y
Yu Yang 已提交
367 368 369 370 371 372 373 374 375 376 377 378 379 380

    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
381
    }
Y
Yu Yang 已提交
382

Y
Yang Yang(Tony) 已提交
383 384 385 386 387 388 389 390
    auto p_dims = ctx->GetInputsDim(kParameters);
    auto pg_names = ctx->Outputs(framework::GradVarName(kParameters));
    for (size_t i = 0; i < pg_names.size(); ++i) {
      auto &pg_name = pg_names[i];
      if (pg_name == framework::kEmptyVarName) {
        continue;
      }
      ctx->SetDims({pg_name}, {p_dims[i]});
Y
Yang Yang 已提交
391
    }
Y
Yang Yang 已提交
392 393 394 395 396 397 398 399 400 401 402
  }
};

}  // 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);