parallel_do_op.cc 14.1 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>();
146 147 148 149 150 151

      auto *sub_scope0 = sub_scopes[0];
      auto *dst0 = sub_scope0->Var(param)->GetMutable<LoDTensor>();
      dst0->ShareDataWith(src);

      for (size_t i = 1; i < sub_scopes.size(); ++i) {
152 153 154
        auto &place = places[i];
        auto *sub_scope = sub_scopes[i];
        auto *dst = sub_scope->Var(param)->GetMutable<LoDTensor>();
Y
Yi Wang 已提交
155
        framework::TensorCopy(src, place, dst);
156 157 158
      }
    }
    WaitOnPlaces(places);
Y
Yang Yang 已提交
159

Y
Yang Yu 已提交
160 161
    std::vector<std::future<void>> workers;
    workers.reserve(places.size());
Y
Yu Yang 已提交
162
    for (size_t place_idx = 0; place_idx < sub_scopes.size(); ++place_idx) {
Y
Yang Yang 已提交
163 164 165
      auto &place = places[place_idx];
      auto *cur_scope = sub_scopes[place_idx];

F
fengjiayi 已提交
166 167 168 169 170
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
Y
Yang Yang 已提交
171 172
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
173
      worker.wait();
Y
Yang Yang 已提交
174
    }
175
    WaitOnPlaces(places);
Y
Yang Yang 已提交
176 177 178 179

    // merge output
    for (auto &o_name : Outputs(kOutputs)) {
      std::vector<const framework::LoDTensor *> lod_tensors;
Y
Yang Yu 已提交
180
      lod_tensors.reserve(sub_scopes.size());
Y
Yang Yang 已提交
181
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yu 已提交
182
        lod_tensors.emplace_back(&sub_scope->FindVar(o_name)->Get<LoDTensor>());
Y
Yang Yang 已提交
183 184 185 186 187 188
      }

      auto *lod_tensor_to_be_merged =
          scope.FindVar(o_name)->GetMutable<LoDTensor>();
      lod_tensor_to_be_merged->MergeLoDTensor(lod_tensors, dev_ctx.GetPlace());
    }
189
    WaitOnPlaces(places);
Y
Yang Yang 已提交
190
  }
Y
Yang Yang 已提交
191 192 193 194
};

class ParallelDoOpProtoMaker : public framework::OpProtoAndCheckerMaker {
 public:
Y
Yu Yang 已提交
195
  void Make() override {
Y
Yang Yang 已提交
196 197 198 199 200
    AddInput(kInputs, "").AsDuplicable();
    AddInput(kParameters, "").AsDuplicable();
    AddInput(kPlaces, "");
    AddOutput(kOutputs, "").AsDuplicable();
    AddOutput(kParallelScopes, "");
Y
Yang Yang 已提交
201
    AddAttr<framework::BlockDesc *>(kParallelBlock, "");
Y
Yang Yang 已提交
202 203
    AddAttr<bool>(kUseNCCL, "true if we use nccl on backward")
        .SetDefault(false);
Y
Yang Yang 已提交
204 205 206 207 208 209
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yu Yang 已提交
210
class ParallelDoGradOp : public framework::OperatorBase {
Y
Yang Yang 已提交
211 212 213 214 215
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
216
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
217

218 219 220
 private:
  void RunImpl(const framework::Scope &scope,
               const platform::Place &place) const override {
Y
Yang Yang 已提交
221
    auto *block = Attr<framework::BlockDesc *>(kParallelBlock);
Y
Yang Yang 已提交
222 223 224 225
    auto *program = block->Program();

    auto &sub_scopes = scope.FindVar(Input(kParallelScopes))
                           ->Get<std::vector<framework::Scope *>>();
226
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
227 228

    // feed output@grad
Y
Yu Yang 已提交
229 230 231
    SplitTensorAndMoveTensorToScopes(
        scope, const_cast<std::vector<framework::Scope *> *>(&sub_scopes),
        places, Inputs(framework::GradVarName(kOutputs)));
232
    WaitOnPlaces(places);
Y
Yang Yang 已提交
233 234

    // exe run
Y
Yang Yu 已提交
235
    std::vector<std::future<void>> workers;
Y
Yu Yang 已提交
236 237 238
    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
239 240

      // execute
F
fengjiayi 已提交
241 242 243 244 245
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
Y
Yang Yang 已提交
246 247
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
248
      worker.wait();
Y
Yang Yang 已提交
249
    }
250
    WaitOnPlaces(places);
Y
Yang Yang 已提交
251

Y
Yang Yang 已提交
252 253 254 255 256 257 258 259 260 261 262
    // 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))) {
263
      if (s == framework::kEmptyVarName) {
Y
Yang Yang 已提交
264 265 266
        continue;
      }
      VLOG(3) << "Moving " << s;
Y
Yang Yang 已提交
267 268 269
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
    }
    WaitOnPlaces(places);
Y
Yang Yang 已提交
270 271 272 273 274 275
  }

  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
276
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
277
      if (s == framework::kEmptyVarName) {
Y
Yang Yang 已提交
278 279
        continue;
      }
Y
Yang Yang(Tony) 已提交
280 281
      VLOG(3) << "Accumulating " << s;
      if (s == framework::kEmptyVarName) continue;
Y
Yang Yang 已提交
282
      std::string tmp_name;
Y
Yang Yang 已提交
283
      auto *tmp = sub_scopes[0]->Var(&tmp_name);
Y
Yu Yang 已提交
284 285

      for (size_t i = 1; i < sub_scopes.size(); ++i) {
Y
Yang Yang 已提交
286
        CopyOrShare(*sub_scopes[i]->FindVar(s), places[0], tmp);
Y
Yang Yang(Tony) 已提交
287
        WaitOnPlaces(places);
Y
Yang Yang 已提交
288

Y
Yang Yang 已提交
289
        auto sum_op = framework::OpRegistry::CreateOp(
Y
Yu Yang 已提交
290
            "sum", {{"X", {s, tmp_name}}}, {{"Out", {s}}},
291
            framework::AttributeMap{{"use_mkldnn", {false}}});
Y
Yang Yang(Tony) 已提交
292
        VLOG(10) << sum_op->DebugStringEx(sub_scopes[0]);
293
        sum_op->Run(*sub_scopes[0], places[0]);
Y
Yang Yang 已提交
294
        WaitOnPlace(places[0]);
Y
Yang Yang 已提交
295 296
      }

Y
Yang Yang 已提交
297
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
Y
Yang Yang 已提交
298
    }
Y
Yang Yang 已提交
299
    WaitOnPlaces(places);
Y
Yang Yang 已提交
300
  }
Y
Yang Yang 已提交
301 302
};

Y
Yu Yang 已提交
303 304 305 306 307 308 309
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
310 311 312 313 314
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
315 316
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
317
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
318
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
319
      VLOG(3) << input_param;
Y
Yang Yang 已提交
320
      grad->SetInput(input_param, this->Input(input_param));
321 322 323 324
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
325
    }
Y
Yang Yu 已提交
326 327 328 329 330 331 332 333 334 335 336
    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
337 338 339 340 341 342 343 344

    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
345 346 347
        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
348 349
            // 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
350 351
            og_names.push_back(og_name);
          }
Y
Yang Yu 已提交
352 353
          // else, there is no operator who need the OG. Do not use this OG as
          // an input
Y
Yang Yu 已提交
354 355
        }
        grad->SetInput(framework::GradVarName(output_param), og_names);
Y
Yang Yang 已提交
356 357
      }
    }
X
Xin Pan 已提交
358
    grad->SetInput("Communicator", {"nccl_com__do_not_change_"});
Y
Yang Yang 已提交
359
    grad->SetAttrMap(this->Attrs());
A
Abhinav Arora 已提交
360
    grad->SetBlockAttr(kParallelBlock, grad_block_[0]);
Y
Yang Yang 已提交
361

Y
Yang Yang 已提交
362
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
363 364 365 366 367 368
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yu Yang 已提交
369
    PADDLE_ENFORCE(ctx->HasInputs(kParameters));
Y
Yang Yang 已提交
370
    PADDLE_ENFORCE(ctx->HasInputs(kInputs));
Y
Yang Yang(Tony) 已提交
371
    PADDLE_ENFORCE(ctx->HasInputs(kOutputs));
Y
Yu Yang 已提交
372 373 374 375 376 377 378 379 380 381 382 383 384 385

    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
386
    }
Y
Yu Yang 已提交
387

Y
Yang Yang(Tony) 已提交
388 389 390 391 392 393 394 395
    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
396
    }
Y
Yang Yang 已提交
397 398 399 400 401 402 403 404 405 406 407
  }
};

}  // 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);