parallel_do_op.cc 14.4 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"
X
Xin Pan 已提交
21
#include "paddle/fluid/platform/profiler.h"
Y
Yang Yang 已提交
22 23 24 25

namespace paddle {
namespace operators {

Y
Yang Yu 已提交
26 27 28
static constexpr char kInputs[] = "inputs";
static constexpr char kParameters[] = "parameters";
static constexpr char kPlaces[] = "places";
Y
Yang Yang 已提交
29

Y
Yang Yu 已提交
30 31
static constexpr char kOutputs[] = "outputs";
static constexpr char kParallelScopes[] = "parallel_scopes";
Y
Yang Yang 已提交
32

Y
Yang Yu 已提交
33
static constexpr char kParallelBlock[] = "sub_block";
Y
Yang Yang 已提交
34
static constexpr char kUseNCCL[] = "use_nccl";
Y
Yang Yang 已提交
35

Y
Yang Yang 已提交
36
using LoDTensor = framework::LoDTensor;
Y
Yang Yang 已提交
37
using SelectedRows = framework::SelectedRows;
Y
Yang Yang 已提交
38

Y
Yu Yang 已提交
39 40
static void SplitTensorAndMoveTensorToScopes(
    const framework::Scope &scope, std::vector<framework::Scope *> *sub_scopes,
Y
Yang Yang 已提交
41 42
    const std::vector<platform::Place> &places,
    const std::vector<std::string> &names) {
Y
Yu Yang 已提交
43
  size_t num_sub_scopes = 0;
Y
Yang Yang 已提交
44
  for (auto &argu : names) {
Y
Yang Yu 已提交
45 46 47 48
    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
49 50 51
    auto lod_tensors = tensor.SplitLoDTensor(places);

    for (auto &lod : lod_tensors) {
Y
Yang Yang 已提交
52
      VLOG(3) << lod.dims();
Y
Yang Yang 已提交
53
    }
Y
Yu Yang 已提交
54 55 56 57 58 59 60 61 62 63 64 65
    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
66

Y
Yu Yang 已提交
67
    for (size_t i = 0; i < lod_tensors.size(); ++i) {
Y
Yang Yu 已提交
68 69 70
      *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
71 72 73 74
    }
  }
}

Y
Yang Yang 已提交
75 76 77
inline void CopyOrShare(const framework::Variable &src,
                        const platform::Place &dst_place,
                        framework::Variable *dst) {
Y
Yang Yang 已提交
78 79 80
  if (src.IsType<LoDTensor>()) {
    if (src.Get<LoDTensor>().place() == dst_place) {
      dst->GetMutable<LoDTensor>()->ShareDataWith(src.Get<LoDTensor>());
D
dzhwinter 已提交
81
      dst->GetMutable<LoDTensor>()->set_lod(src.Get<LoDTensor>().lod());
Y
Yang Yang 已提交
82
    } else {
Y
Yi Wang 已提交
83
      TensorCopy(src.Get<LoDTensor>(), dst_place, dst->GetMutable<LoDTensor>());
Y
Yang Yang 已提交
84 85 86 87 88
    }
  } 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
89 90
    if (src_sr.value().place() == dst_place) {
      dst_sr->mutable_value()->ShareDataWith(src_sr.value());
D
dzhwinter 已提交
91
      dst_sr->set_rows(src_sr.rows());
Y
Yang Yang 已提交
92
    } else {
Y
Yi Wang 已提交
93
      TensorCopy(src_sr.value(), dst_place, dst_sr->mutable_value());
Y
Yang Yang 已提交
94
    }
Y
Yang Yang 已提交
95 96 97 98 99
  } else {
    PADDLE_THROW("Expect LoDTensor/SelectedRows, get %s", src.Type().name());
  }
}

Y
Yang Yang 已提交
100 101 102 103 104 105
void WaitOnPlace(const platform::Place place) {
  platform::DeviceContextPool &pool = platform::DeviceContextPool::Instance();
  auto &dev_ctx = *pool.Get(place);
  dev_ctx.Wait();
}

106 107 108 109 110 111 112 113 114
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
115
class ParallelDoOp : public framework::OperatorBase {
Y
Yang Yang 已提交
116 117 118 119 120
 public:
  ParallelDoOp(const std::string &type,
               const framework::VariableNameMap &inputs,
               const framework::VariableNameMap &outputs,
               const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
121
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
122

123 124 125
 private:
  void RunImpl(const framework::Scope &scope,
               const platform::Place &place) const override {
Y
Yang Yang 已提交
126 127 128 129 130
    // 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
131
    auto *program = block->Program();
Y
Yang Yang 已提交
132

133
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
134

Y
Yang Yang 已提交
135 136 137
    auto &sub_scopes = *scope.FindVar(Output(kParallelScopes))
                            ->GetMutable<std::vector<framework::Scope *>>();

138
    // split input
Y
Yu Yang 已提交
139
    SplitTensorAndMoveTensorToScopes(scope, &sub_scopes, places,
Y
Yang Yang 已提交
140
                                     Inputs(kInputs));
Y
Yu Yang 已提交
141

142 143 144 145 146
    // 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>();
147 148 149 150 151 152

      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) {
153 154 155
        auto &place = places[i];
        auto *sub_scope = sub_scopes[i];
        auto *dst = sub_scope->Var(param)->GetMutable<LoDTensor>();
Y
Yi Wang 已提交
156
        framework::TensorCopy(src, place, dst);
157 158 159
      }
    }
    WaitOnPlaces(places);
Y
Yang Yang 已提交
160

Y
Yang Yu 已提交
161 162
    std::vector<std::future<void>> workers;
    workers.reserve(places.size());
Y
Yu Yang 已提交
163
    for (size_t place_idx = 0; place_idx < sub_scopes.size(); ++place_idx) {
Y
Yang Yang 已提交
164 165 166
      auto &place = places[place_idx];
      auto *cur_scope = sub_scopes[place_idx];

X
Xin Pan 已提交
167 168 169 170 171 172 173 174
      workers.emplace_back(
          framework::Async([program, cur_scope, place, block, place_idx] {
            // Give the thread an id to distinguish parallel block with same id.
            platform::RecordThread rt(static_cast<int>(place_idx) + 1);
            framework::Executor executor(place);
            executor.Run(*program, cur_scope, block->ID(),
                         false /*create_local_scope*/);
          }));
Y
Yang Yang 已提交
175 176
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
177
      worker.wait();
Y
Yang Yang 已提交
178
    }
179
    WaitOnPlaces(places);
Y
Yang Yang 已提交
180 181 182 183

    // merge output
    for (auto &o_name : Outputs(kOutputs)) {
      std::vector<const framework::LoDTensor *> lod_tensors;
Y
Yang Yu 已提交
184
      lod_tensors.reserve(sub_scopes.size());
Y
Yang Yang 已提交
185
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yu 已提交
186
        lod_tensors.emplace_back(&sub_scope->FindVar(o_name)->Get<LoDTensor>());
Y
Yang Yang 已提交
187 188 189 190 191 192
      }

      auto *lod_tensor_to_be_merged =
          scope.FindVar(o_name)->GetMutable<LoDTensor>();
      lod_tensor_to_be_merged->MergeLoDTensor(lod_tensors, dev_ctx.GetPlace());
    }
193
    WaitOnPlaces(places);
Y
Yang Yang 已提交
194
  }
Y
Yang Yang 已提交
195 196 197 198
};

class ParallelDoOpProtoMaker : public framework::OpProtoAndCheckerMaker {
 public:
Y
Yu Yang 已提交
199
  void Make() override {
Y
Yang Yang 已提交
200 201 202 203 204
    AddInput(kInputs, "").AsDuplicable();
    AddInput(kParameters, "").AsDuplicable();
    AddInput(kPlaces, "");
    AddOutput(kOutputs, "").AsDuplicable();
    AddOutput(kParallelScopes, "");
Y
Yang Yang 已提交
205
    AddAttr<framework::BlockDesc *>(kParallelBlock, "");
Y
Yang Yang 已提交
206 207
    AddAttr<bool>(kUseNCCL, "true if we use nccl on backward")
        .SetDefault(false);
Y
Yang Yang 已提交
208 209 210 211 212 213
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yu Yang 已提交
214
class ParallelDoGradOp : public framework::OperatorBase {
Y
Yang Yang 已提交
215 216 217 218 219
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
220
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
221

222 223 224
 private:
  void RunImpl(const framework::Scope &scope,
               const platform::Place &place) const override {
Y
Yang Yang 已提交
225
    auto *block = Attr<framework::BlockDesc *>(kParallelBlock);
Y
Yang Yang 已提交
226 227 228 229
    auto *program = block->Program();

    auto &sub_scopes = scope.FindVar(Input(kParallelScopes))
                           ->Get<std::vector<framework::Scope *>>();
230
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
231 232

    // feed output@grad
Y
Yu Yang 已提交
233 234 235
    SplitTensorAndMoveTensorToScopes(
        scope, const_cast<std::vector<framework::Scope *> *>(&sub_scopes),
        places, Inputs(framework::GradVarName(kOutputs)));
236
    WaitOnPlaces(places);
Y
Yang Yang 已提交
237 238

    // exe run
Y
Yang Yu 已提交
239
    std::vector<std::future<void>> workers;
Y
Yu Yang 已提交
240 241 242
    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
243 244

      // execute
X
Xin Pan 已提交
245 246 247 248 249 250 251 252
      workers.emplace_back(
          framework::Async([program, cur_scope, place, block, i] {
            // Give the thread an id to distinguish parallel block with same id.
            platform::RecordThread rt(static_cast<int>(i) + 1);
            framework::Executor executor(place);
            executor.Run(*program, cur_scope, block->ID(),
                         false /*create_local_scope*/);
          }));
Y
Yang Yang 已提交
253 254
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
255
      worker.wait();
Y
Yang Yang 已提交
256
    }
257
    WaitOnPlaces(places);
Y
Yang Yang 已提交
258

Y
Yang Yang 已提交
259 260 261 262 263 264 265 266 267 268 269
    // 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))) {
270
      if (s == framework::kEmptyVarName) {
Y
Yang Yang 已提交
271 272 273
        continue;
      }
      VLOG(3) << "Moving " << s;
Y
Yang Yang 已提交
274 275 276
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
    }
    WaitOnPlaces(places);
Y
Yang Yang 已提交
277 278 279 280 281 282
  }

  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
283
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
284
      if (s == framework::kEmptyVarName) {
Y
Yang Yang 已提交
285 286
        continue;
      }
Y
Yang Yang(Tony) 已提交
287 288
      VLOG(3) << "Accumulating " << s;
      if (s == framework::kEmptyVarName) continue;
Y
Yang Yang 已提交
289
      std::string tmp_name;
Y
Yang Yang 已提交
290
      auto *tmp = sub_scopes[0]->Var(&tmp_name);
Y
Yu Yang 已提交
291 292

      for (size_t i = 1; i < sub_scopes.size(); ++i) {
Y
Yang Yang 已提交
293
        CopyOrShare(*sub_scopes[i]->FindVar(s), places[0], tmp);
Y
Yang Yang(Tony) 已提交
294
        WaitOnPlaces(places);
Y
Yang Yang 已提交
295

Y
Yang Yang 已提交
296
        auto sum_op = framework::OpRegistry::CreateOp(
Y
Yu Yang 已提交
297
            "sum", {{"X", {s, tmp_name}}}, {{"Out", {s}}},
Y
Yang Yang 已提交
298
            framework::AttributeMap{});
Y
Yang Yang(Tony) 已提交
299
        VLOG(10) << sum_op->DebugStringEx(sub_scopes[0]);
300
        sum_op->Run(*sub_scopes[0], places[0]);
Y
Yang Yang 已提交
301
        WaitOnPlace(places[0]);
Y
Yang Yang 已提交
302 303
      }

Y
Yang Yang 已提交
304
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
Y
Yang Yang 已提交
305
    }
Y
Yang Yang 已提交
306
    WaitOnPlaces(places);
Y
Yang Yang 已提交
307
  }
Y
Yang Yang 已提交
308 309
};

Y
Yu Yang 已提交
310 311 312 313 314 315 316
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
317 318 319 320 321
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
322 323
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
324
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
325
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
326
      VLOG(3) << input_param;
Y
Yang Yang 已提交
327
      grad->SetInput(input_param, this->Input(input_param));
328 329 330 331
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
332
    }
Y
Yang Yu 已提交
333 334 335 336 337 338 339 340 341 342 343
    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
344 345 346 347 348 349 350 351

    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
352 353 354
        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
355 356
            // 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
357 358
            og_names.push_back(og_name);
          }
Y
Yang Yu 已提交
359 360
          // else, there is no operator who need the OG. Do not use this OG as
          // an input
Y
Yang Yu 已提交
361 362
        }
        grad->SetInput(framework::GradVarName(output_param), og_names);
Y
Yang Yang 已提交
363 364 365
      }
    }
    grad->SetAttrMap(this->Attrs());
A
Abhinav Arora 已提交
366
    grad->SetBlockAttr(kParallelBlock, grad_block_[0]);
Y
Yang Yang 已提交
367

Y
Yang Yang 已提交
368
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
369 370 371 372 373 374
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yu Yang 已提交
375
    PADDLE_ENFORCE(ctx->HasInputs(kParameters));
Y
Yang Yang 已提交
376
    PADDLE_ENFORCE(ctx->HasInputs(kInputs));
Y
Yang Yang(Tony) 已提交
377
    PADDLE_ENFORCE(ctx->HasInputs(kOutputs));
Y
Yu Yang 已提交
378 379 380 381 382 383 384 385 386 387 388 389 390 391

    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
392
    }
Y
Yu Yang 已提交
393

Y
Yang Yang(Tony) 已提交
394 395 396 397 398 399 400 401
    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
402
    }
Y
Yang Yang 已提交
403 404 405 406 407 408 409 410 411 412 413
  }
};

}  // 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);