TorchScript中的动态并行性

Created On: Jul 28, 2020 | Last Updated: Dec 02, 2024 | Last Verified: Nov 05, 2024

警告

TorchScript 不再处于活跃开发状态。

在本教程中，我们介绍了在TorchScript中进行*动态互操作并行性*的语法。这种并行性具有以下特点：

• 动态 - 创建的并行任务数量及其工作量可以依赖于程序的控制流。

• 互操作 - 这种并行性关注于并行运行TorchScript程序片段。这与*内操作并行性*不同，后者关注于将单个算子分解，并并行运行算子的子集。

基本语法

动态并行性的两个重要API是：

• torch.jit.fork(fn : Callable[..., T], *args, **kwargs) -> torch.jit.Future[T]

• torch.jit.wait(fut : torch.jit.Future[T]) -> T

通过示例可以很好地演示这些API的工作方式：

import torch

def foo(x):
    return torch.neg(x)

@torch.jit.script
def example(x):
    # Call `foo` using parallelism:
    # First, we "fork" off a task. This task will run `foo` with argument `x`
    future = torch.jit.fork(foo, x)

    # Call `foo` normally
    x_normal = foo(x)

    # Second, we "wait" on the task. Since the task may be running in
    # parallel, we have to "wait" for its result to become available.
    # Notice that by having lines of code between the "fork()" and "wait()"
    # call for a given Future, we can overlap computations so that they
    # run in parallel.
    x_parallel = torch.jit.wait(future)

    return x_normal, x_parallel

print(example(torch.ones(1))) # (-1., -1.)

fork()``接受可调用对象``fn``及其参数``args``和``kwargs，并创建一个异步任务来执行``fn``。fn``可以是函数、方法或模块实例。``fork()``返回一个对执行结果值的引用，称为``Future。由于``fork``在创建异步任务后立即返回，``fn``可能还未在执行完毕时就执行了``fork()``调用后的代码行。因此，需要使用``wait()``等待异步任务完成并返回值。

这些结构可以用于重叠函数中的语句执行（见实际示例章节）或与循环等其他语言结构组合：

import torch
from typing import List

def foo(x):
    return torch.neg(x)

@torch.jit.script
def example(x):
    futures : List[torch.jit.Future[torch.Tensor]] = []
    for _ in range(100):
        futures.append(torch.jit.fork(foo, x))

    results = []
    for future in futures:
        results.append(torch.jit.wait(future))

    return torch.sum(torch.stack(results))

print(example(torch.ones([])))

备注

当我们初始化一个空的Futures列表时，需要对``futures``添加显式的类型注解。在TorchScript中，空容器默认假定它们包含Tensor值，因此我们在列表构造函数中注解类型为``List[torch.jit.Future[torch.Tensor]]``

此示例使用``fork()``启动函数``foo``的100个实例，等待100个任务完成，然后求和结果，返回``-100.0``。

应用示例：双向LSTM的集成

让我们尝试将并行性应用于一个更实际的示例，并看看我们能从中获得什么样的性能。首先，让我们定义基准模型：一个双向LSTM层的集成。

import torch, time

# In RNN parlance, the dimensions we care about are:
# # of time-steps (T)
# Batch size (B)
# Hidden size/number of "channels" (C)
T, B, C = 50, 50, 1024

# A module that defines a single "bidirectional LSTM". This is simply two
# LSTMs applied to the same sequence, but one in reverse
class BidirectionalRecurrentLSTM(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.cell_f = torch.nn.LSTM(input_size=C, hidden_size=C)
        self.cell_b = torch.nn.LSTM(input_size=C, hidden_size=C)

    def forward(self, x : torch.Tensor) -> torch.Tensor:
        # Forward layer
        output_f, _ = self.cell_f(x)

        # Backward layer. Flip input in the time dimension (dim 0), apply the
        # layer, then flip the outputs in the time dimension
        x_rev = torch.flip(x, dims=[0])
        output_b, _ = self.cell_b(torch.flip(x, dims=[0]))
        output_b_rev = torch.flip(output_b, dims=[0])

        return torch.cat((output_f, output_b_rev), dim=2)


# An "ensemble" of `BidirectionalRecurrentLSTM` modules. The modules in the
# ensemble are run one-by-one on the same input then their results are
# stacked and summed together, returning the combined result.
class LSTMEnsemble(torch.nn.Module):
    def __init__(self, n_models):
        super().__init__()
        self.n_models = n_models
        self.models = torch.nn.ModuleList([
            BidirectionalRecurrentLSTM() for _ in range(self.n_models)])

    def forward(self, x : torch.Tensor) -> torch.Tensor:
        results = []
        for model in self.models:
            results.append(model(x))
        return torch.stack(results).sum(dim=0)

# For a head-to-head comparison to what we're going to do with fork/wait, let's
# instantiate the model and compile it with TorchScript
ens = torch.jit.script(LSTMEnsemble(n_models=4))

# Normally you would pull this input out of an embedding table, but for the
# purpose of this demo let's just use random data.
x = torch.rand(T, B, C)

# Let's run the model once to warm up things like the memory allocator
ens(x)

x = torch.rand(T, B, C)

# Let's see how fast it runs!
s = time.time()
ens(x)
print('Inference took', time.time() - s, ' seconds')

在我的机器上，这种网络运行需要``2.05``秒。我们可以做得更好！

并行化前向和后向层

一个非常简单的操作是将``BidirectionalRecurrentLSTM``中的前向和后向层进行并行化。对于此操作，计算结构是静态的，因此实际上我们甚至不需要任何循环。让我们像这样重写``BidirectionalRecurrentLSTM``的``forward``方法：

def forward(self, x : torch.Tensor) -> torch.Tensor:
    # Forward layer - fork() so this can run in parallel to the backward
    # layer
    future_f = torch.jit.fork(self.cell_f, x)

    # Backward layer. Flip input in the time dimension (dim 0), apply the
    # layer, then flip the outputs in the time dimension
    x_rev = torch.flip(x, dims=[0])
    output_b, _ = self.cell_b(torch.flip(x, dims=[0]))
    output_b_rev = torch.flip(output_b, dims=[0])

    # Retrieve the output from the forward layer. Note this needs to happen
    # *after* the stuff we want to parallelize with
    output_f, _ = torch.jit.wait(future_f)

    return torch.cat((output_f, output_b_rev), dim=2)

在此示例中，forward()``将``cell_f``的执行委托给另一个线程，同时继续执行``cell_b。这使得两个单元的执行相互重叠。

重新运行修改后的脚本后，运行时间降低到``1.71``秒，提升了``17%``！

附注：并行性可视化

我们尚未完成对模型的优化，但值得介绍我们用于可视化性能的工具。其中一个重要工具是 PyTorch profiler。

让我们用分析器以及 Chrome 的追踪导出功能来可视化我们的并行化模型的性能：

with torch.autograd.profiler.profile() as prof:
    ens(x)
prof.export_chrome_trace('parallel.json')

这段代码将写出一个名为 parallel.json 的文件。如果你在 Google Chrome 中导航到 chrome://tracing，点击 Load 按钮并加载该 JSON 文件，你应该能看到如下的时间线：

时间线的水平轴表示时间，垂直轴表示执行线程。正如我们所见，我们一次运行两个 lstm 实例。这是我们辛苦工作的结果并行化双向层！

对模型集中的模型进行并行化

你可能注意到我们的代码中还有另一个并行化的机会：我们可以同时并行运行 LSTMEnsemble 中的模型。实现方法很简单，这就是我们应该如何修改 LSTMEnsemble 的 forward 方法：

def forward(self, x : torch.Tensor) -> torch.Tensor:
    # Launch tasks for each model
    futures : List[torch.jit.Future[torch.Tensor]] = []
    for model in self.models:
        futures.append(torch.jit.fork(model, x))

    # Collect the results from the launched tasks
    results : List[torch.Tensor] = []
    for future in futures:
        results.append(torch.jit.wait(future))

    return torch.stack(results).sum(dim=0)

或者，如果你喜欢简洁，我们可以使用列表推导式：

def forward(self, x : torch.Tensor) -> torch.Tensor:
    futures = [torch.jit.fork(model, x) for model in self.models]
    results = [torch.jit.wait(fut) for fut in futures]
    return torch.stack(results).sum(dim=0)

正如介绍中所述，我们使用循环来为模型集中每个模型创建任务。然后我们使用另一个循环等待所有任务完成。这提供了更多的计算重叠。

通过这个小更新，脚本运行时间缩短至 1.4 秒，总提速达到 32%！仅两行代码就能取得不错的效果。

我们还可以再次使用 Chrome 追踪器来查看具体发生了什么：

现在我们可以看到所有 LSTM 实例完全处于并行运行状态。

总结

在本教程中，我们了解了``fork()`` 和 wait()，即在 TorchScript 中进行动态、操作并行性的基本 API。我们看到了使用这些函数并行化函数、方法或``Module``执行的几种典型使用模式。最后，我们通过一个示例展示了如何使用这种技术优化模型，并探索了 PyTorch 提供的性能测量和可视化工具。