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];

X
Xin Pan 已提交
166 167 168 169 170 171
      workers.emplace_back(
          framework::Async([program, cur_scope, place, block, place_idx] {
            framework::Executor executor(place);
            executor.Run(*program, cur_scope, block->ID(),
                         false /*create_local_scope*/);
          }));
Y
Yang Yang 已提交
172 173
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
174
      worker.wait();
Y
Yang Yang 已提交
175
    }
176
    WaitOnPlaces(places);
Y
Yang Yang 已提交
177 178 179 180

    // merge output
    for (auto &o_name : Outputs(kOutputs)) {
      std::vector<const framework::LoDTensor *> lod_tensors;
Y
Yang Yu 已提交
181
      lod_tensors.reserve(sub_scopes.size());
Y
Yang Yang 已提交
182
      for (auto *sub_scope : sub_scopes) {
Y
Yang Yu 已提交
183
        lod_tensors.emplace_back(&sub_scope->FindVar(o_name)->Get<LoDTensor>());
Y
Yang Yang 已提交
184 185 186 187 188 189
      }

      auto *lod_tensor_to_be_merged =
          scope.FindVar(o_name)->GetMutable<LoDTensor>();
      lod_tensor_to_be_merged->MergeLoDTensor(lod_tensors, dev_ctx.GetPlace());
    }
190
    WaitOnPlaces(places);
Y
Yang Yang 已提交
191
  }
Y
Yang Yang 已提交
192 193 194 195
};

class ParallelDoOpProtoMaker : public framework::OpProtoAndCheckerMaker {
 public:
Y
Yu Yang 已提交
196
  void Make() override {
Y
Yang Yang 已提交
197 198 199 200 201
    AddInput(kInputs, "").AsDuplicable();
    AddInput(kParameters, "").AsDuplicable();
    AddInput(kPlaces, "");
    AddOutput(kOutputs, "").AsDuplicable();
    AddOutput(kParallelScopes, "");
Y
Yang Yang 已提交
202
    AddAttr<framework::BlockDesc *>(kParallelBlock, "");
Y
Yang Yang 已提交
203 204
    AddAttr<bool>(kUseNCCL, "true if we use nccl on backward")
        .SetDefault(false);
Y
Yang Yang 已提交
205 206 207 208 209 210
    AddComment(R"DOC(
ParallelDo Operator.
)DOC");
  }
};

Y
Yu Yang 已提交
211
class ParallelDoGradOp : public framework::OperatorBase {
Y
Yang Yang 已提交
212 213 214 215 216
 public:
  ParallelDoGradOp(const std::string &type,
                   const framework::VariableNameMap &inputs,
                   const framework::VariableNameMap &outputs,
                   const framework::AttributeMap &attrs)
Y
Yu Yang 已提交
217
      : framework::OperatorBase(type, inputs, outputs, attrs) {}
Y
Yang Yang 已提交
218

219 220 221
 private:
  void RunImpl(const framework::Scope &scope,
               const platform::Place &place) const override {
Y
Yang Yang 已提交
222
    auto *block = Attr<framework::BlockDesc *>(kParallelBlock);
Y
Yang Yang 已提交
223 224 225 226
    auto *program = block->Program();

    auto &sub_scopes = scope.FindVar(Input(kParallelScopes))
                           ->Get<std::vector<framework::Scope *>>();
227
    auto &places = scope.FindVar(Input(kPlaces))->Get<platform::PlaceList>();
Y
Yang Yang 已提交
228 229

    // feed output@grad
Y
Yu Yang 已提交
230 231 232
    SplitTensorAndMoveTensorToScopes(
        scope, const_cast<std::vector<framework::Scope *> *>(&sub_scopes),
        places, Inputs(framework::GradVarName(kOutputs)));
233
    WaitOnPlaces(places);
Y
Yang Yang 已提交
234 235

    // exe run
Y
Yang Yu 已提交
236
    std::vector<std::future<void>> workers;
Y
Yu Yang 已提交
237 238 239
    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
240 241

      // execute
X
Xin Pan 已提交
242 243 244 245 246 247
      workers.emplace_back(
          framework::Async([program, cur_scope, place, block, i] {
            framework::Executor executor(place);
            executor.Run(*program, cur_scope, block->ID(),
                         false /*create_local_scope*/);
          }));
Y
Yang Yang 已提交
248 249
    }
    for (auto &worker : workers) {
Y
Yang Yu 已提交
250
      worker.wait();
Y
Yang Yang 已提交
251
    }
252
    WaitOnPlaces(places);
Y
Yang Yang 已提交
253

Y
Yang Yang 已提交
254 255 256 257 258 259 260 261 262 263 264
    // 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))) {
265
      if (s == framework::kEmptyVarName) {
Y
Yang Yang 已提交
266 267 268
        continue;
      }
      VLOG(3) << "Moving " << s;
Y
Yang Yang 已提交
269 270 271
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
    }
    WaitOnPlaces(places);
Y
Yang Yang 已提交
272 273 274 275 276 277
  }

  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
278
    for (auto &s : Outputs(framework::GradVarName(kParameters))) {
279
      if (s == framework::kEmptyVarName) {
Y
Yang Yang 已提交
280 281
        continue;
      }
Y
Yang Yang(Tony) 已提交
282 283
      VLOG(3) << "Accumulating " << s;
      if (s == framework::kEmptyVarName) continue;
Y
Yang Yang 已提交
284
      std::string tmp_name;
Y
Yang Yang 已提交
285
      auto *tmp = sub_scopes[0]->Var(&tmp_name);
Y
Yu Yang 已提交
286 287

      for (size_t i = 1; i < sub_scopes.size(); ++i) {
Y
Yang Yang 已提交
288
        CopyOrShare(*sub_scopes[i]->FindVar(s), places[0], tmp);
Y
Yang Yang(Tony) 已提交
289
        WaitOnPlaces(places);
Y
Yang Yang 已提交
290

Y
Yang Yang 已提交
291
        auto sum_op = framework::OpRegistry::CreateOp(
Y
Yu Yang 已提交
292
            "sum", {{"X", {s, tmp_name}}}, {{"Out", {s}}},
293
            framework::AttributeMap{{"use_mkldnn", {false}}});
Y
Yang Yang(Tony) 已提交
294
        VLOG(10) << sum_op->DebugStringEx(sub_scopes[0]);
295
        sum_op->Run(*sub_scopes[0], places[0]);
Y
Yang Yang 已提交
296
        WaitOnPlace(places[0]);
Y
Yang Yang 已提交
297 298
      }

Y
Yang Yang 已提交
299
      CopyOrShare(*sub_scopes[0]->FindVar(s), place, scope.FindVar(s));
Y
Yang Yang 已提交
300
    }
Y
Yang Yang 已提交
301
    WaitOnPlaces(places);
Y
Yang Yang 已提交
302
  }
Y
Yang Yang 已提交
303 304
};

Y
Yu Yang 已提交
305 306 307 308 309 310 311
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
312 313 314 315 316
class ParallelDoGradOpDescMaker : public framework::SingleGradOpDescMaker {
 public:
  using framework::SingleGradOpDescMaker::SingleGradOpDescMaker;

 protected:
Y
Yang Yang 已提交
317 318
  virtual std::unique_ptr<framework::OpDesc> Apply() const {
    auto *grad = new framework::OpDesc();
Y
Yang Yang 已提交
319
    grad->SetType("parallel_do_grad");
Y
Yang Yang 已提交
320
    for (auto &input_param : this->InputNames()) {
Y
Yang Yang 已提交
321
      VLOG(3) << input_param;
Y
Yang Yang 已提交
322
      grad->SetInput(input_param, this->Input(input_param));
323 324 325 326
      if (input_param != kPlaces) {
        grad->SetOutput(framework::GradVarName(input_param),
                        this->InputGrad(input_param, false));
      }
Y
Yang Yang 已提交
327
    }
Y
Yang Yu 已提交
328 329 330 331 332 333 334 335 336 337 338
    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
339 340 341 342 343 344 345 346

    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
347 348 349
        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
350 351
            // 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
352 353
            og_names.push_back(og_name);
          }
Y
Yang Yu 已提交
354 355
          // else, there is no operator who need the OG. Do not use this OG as
          // an input
Y
Yang Yu 已提交
356 357
        }
        grad->SetInput(framework::GradVarName(output_param), og_names);
Y
Yang Yang 已提交
358 359 360
      }
    }
    grad->SetAttrMap(this->Attrs());
A
Abhinav Arora 已提交
361
    grad->SetBlockAttr(kParallelBlock, grad_block_[0]);
Y
Yang Yang 已提交
362

Y
Yang Yang 已提交
363
    return std::unique_ptr<framework::OpDesc>(grad);
Y
Yang Yang 已提交
364 365 366 367 368 369
  }
};

class ParallelDoGradOpShapeInference : public framework::InferShapeBase {
 public:
  void operator()(framework::InferShapeContext *ctx) const override {
Y
Yu Yang 已提交
370
    PADDLE_ENFORCE(ctx->HasInputs(kParameters));
Y
Yang Yang 已提交
371
    PADDLE_ENFORCE(ctx->HasInputs(kInputs));
Y
Yang Yang(Tony) 已提交
372
    PADDLE_ENFORCE(ctx->HasInputs(kOutputs));
Y
Yu Yang 已提交
373 374 375 376 377 378 379 380 381 382 383 384 385 386

    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
387
    }
Y
Yu Yang 已提交
388

Y
Yang Yang(Tony) 已提交
389 390 391 392 393 394 395 396
    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
397
    }
Y
Yang Yang 已提交
398 399 400 401 402 403 404 405 406 407 408
  }
};

}  // 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);