parallel_do_op.cc 10.9 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
    }
  }
}

67 68 69 70 71 72 73 74 75
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
76
class ParallelDoOp : public framework::OperatorBase {
Y
Yang Yang 已提交
77 78 79 80 81
 public:
  ParallelDoOp(const std::string &type,
               const framework::VariableNameMap &inputs,
               const framework::VariableNameMap &outputs,
               const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
82
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
83 84

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
85 86 87 88 89 90
           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
91
    auto *program = block->Program();
Y
Yang Yang 已提交
92

93
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
94

Y
Yang Yang 已提交
95 96 97
    auto &sub_scopes = *scope.FindVar(Output(kParallelScopes))
                            ->GetMutable<std::vector<framework::Scope *>>();

98
    // split input
Y
Yu Yang 已提交
99
    SplitTensorAndMoveTensorToScopes(scope, &sub_scopes, places,
Y
Yang Yang 已提交
100
                                     Inputs(kInputs));
Y
Yu Yang 已提交
101

102 103 104 105 106
    // 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
107
      for (size_t i = 0; i < sub_scopes.size(); ++i) {
108 109 110 111 112 113 114
        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
115

Y
Yang Yu 已提交
116 117
    std::vector<std::future<void>> workers;
    workers.reserve(places.size());
Y
Yu Yang 已提交
118
    for (size_t place_idx = 0; place_idx < sub_scopes.size(); ++place_idx) {
Y
Yang Yang 已提交
119 120 121
      auto &place = places[place_idx];
      auto *cur_scope = sub_scopes[place_idx];

Y
Yang Yu 已提交
122 123
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
124 125 126 127 128
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
129
      worker.wait();
Y
Yang Yang 已提交
130
    }
131
    WaitOnPlaces(places);
Y
Yang Yang 已提交
132 133 134 135

    // merge output
    for (auto &o_name : Outputs(kOutputs)) {
      std::vector<const framework::LoDTensor *> lod_tensors;
Y
Yang Yu 已提交
136
      lod_tensors.reserve(sub_scopes.size());
Y
Yang Yang 已提交
137
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yu 已提交
138
        lod_tensors.emplace_back(&sub_scope->FindVar(o_name)->Get<LoDTensor>());
Y
Yang Yang 已提交
139 140 141 142 143 144
      }

      auto *lod_tensor_to_be_merged =
          scope.FindVar(o_name)->GetMutable<LoDTensor>();
      lod_tensor_to_be_merged->MergeLoDTensor(lod_tensors, dev_ctx.GetPlace());
    }
145
    WaitOnPlaces(places);
Y
Yang Yang 已提交
146
  }
Y
Yang Yang 已提交
147 148 149 150
};

class ParallelDoOpProtoMaker : public framework::OpProtoAndCheckerMaker {
 public:
Y
Yang Yang 已提交
151
  ParallelDoOpProtoMaker(OpProto *proto, framework::OpAttrChecker *op_checker)
Y
Yang Yang 已提交
152 153 154 155 156 157
      : OpProtoAndCheckerMaker(proto, op_checker) {
    AddInput(kInputs, "").AsDuplicable();
    AddInput(kParameters, "").AsDuplicable();
    AddInput(kPlaces, "");
    AddOutput(kOutputs, "").AsDuplicable();
    AddOutput(kParallelScopes, "");
Y
Yang Yang 已提交
158
    AddAttr<framework::BlockDesc *>(kParallelBlock, "");
Y
Yang Yang 已提交
159 160 161 162 163 164
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yu Yang 已提交
165
class ParallelDoGradOp : public framework::OperatorBase {
Y
Yang Yang 已提交
166 167 168 169 170
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
171
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
172 173

  void Run(const framework::Scope &scope,
Y
Yang Yang 已提交
174 175
           const platform::Place &place) const override {
    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

    // feed output@grad
Y
Yu Yang 已提交
184 185 186
    SplitTensorAndMoveTensorToScopes(
        scope, const_cast<std::vector<framework::Scope *> *>(&sub_scopes),
        places, Inputs(framework::GradVarName(kOutputs)));
187
    WaitOnPlaces(places);
Y
Yang Yang 已提交
188 189

    // exe run
Y
Yang Yu 已提交
190
    std::vector<std::future<void>> workers;
Y
Yu Yang 已提交
191 192 193
    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
194 195

      // execute
Y
Yang Yu 已提交
196 197
      workers.emplace_back(framework::Async([program, cur_scope, place, block] {
        framework::Executor executor(place);
Y
Yang Yang 已提交
198 199 200 201 202
        executor.Run(*program, cur_scope, block->ID(),
                     false /*create_local_scope*/);
      }));
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
203
      worker.wait();
Y
Yang Yang 已提交
204
    }
205
    WaitOnPlaces(places);
Y
Yang Yang 已提交
206 207

    // merge grad
Y
Yang Yang 已提交
208
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
Y
Yu Yang 已提交
209 210 211 212 213 214 215 216 217 218 219
      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);
        } else {
          tmp->ShareDataWith(tensor_to_merge);
        }
Y
Yang Yang 已提交
220

Y
Yang Yang 已提交
221
        auto sum_op = framework::OpRegistry::CreateOp(
Y
Yu Yang 已提交
222
            "sum", {{"X", {s, tmp_name}}}, {{"Out", {s}}},
Y
Yang Yang 已提交
223
            framework::AttributeMap{});
224 225
        sum_op->Run(*sub_scopes[0], places[0]);
        WaitOnPlaces(places);
Y
Yang Yang 已提交
226 227
      }

Y
Yu Yang 已提交
228 229
      VLOG(3) << result;
      framework::Copy(result, place, scope.FindVar(s)->GetMutable<LoDTensor>());
Y
Yang Yang 已提交
230
    }
Y
Yang Yang 已提交
231
  }
Y
Yang Yang 已提交
232 233
};

Y
Yu Yang 已提交
234 235 236 237 238 239 240
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
241 242 243 244 245
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
246 247
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
248
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
249
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
250
      VLOG(3) << input_param;
Y
Yang Yang 已提交
251
      grad->SetInput(input_param, this->Input(input_param));
252 253 254 255
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271
    }

    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
272
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
273 274 275 276 277 278
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yang Yang 已提交
279 280
    std::vector<std::string> input{kParameters, kInputs};
    std::vector<std::string> output{kOutputs};
Y
Yu Yang 已提交
281 282 283 284 285

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

Y
Yang Yang 已提交
286 287 288
    for (auto &s : output) {
      PADDLE_ENFORCE(ctx->HasInputs(s));
    }
Y
Yu Yang 已提交
289 290 291 292 293 294 295 296 297 298 299 300 301 302

    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
303
    }
Y
Yu Yang 已提交
304

Y
Yang Yang 已提交
305 306 307 308 309
    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
310 311 312 313 314 315 316 317 318 319 320
  }
};

}  // 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);