使用 TensorPipe CUDA RPC 的直接设备间通信

Created On: Mar 19, 2021 | Last Updated: Mar 19, 2021 | Last Verified: Nov 05, 2024

备注

设备间直接 RPC（CUDA RPC）在 PyTorch 1.8 中作为原型特性引入。此 API 可能会发生变化。

在此教程中，您将学习：

• CUDA RPC 的高级概念。

• 如何使用 CUDA RPC。

要求

• PyTorch 1.8+

• 分布式 RPC 框架入门教程

什么是 CUDA RPC?

CUDA RPC 支持直接将张量从本地 CUDA 内存发送到远程 CUDA 内存。在 v1.8 版本之前，PyTorch RPC 仅接受 CPU 张量。因此，当应用程序需要通过 RPC 发送 CUDA 张量时，它必须先将张量从调用方的 GPU 移动到 CPU，再通过 RPC 发送，然后在被调用方将其移回目标设备，这会导致不必要的同步以及 D2H 和 H2D 拷贝。从 v1.8 开始，RPC 允许用户使用 set_device_map API 配置每个进程的全局设备映射，指定如何将本地设备映射到远程设备。更具体地说，如果 worker0 的设备映射条目为 "worker1" : {"cuda:0" : "cuda:1"}，则来自 worker0 的所有 "cuda:0" 上的 RPC 参数将直接发送到 worker1 的 "cuda:1" 上。RPC 的响应将使用调用方设备映射的逆映射，即如果 worker1 返回 "cuda:1" 上的张量，它将直接发送到 worker0 的 "cuda:0" 上。所有计划进行的设备间直接通信必须在每个进程的设备映射中指定。否则，只允许使用 CPU 张量。

在底层，PyTorch RPC 依赖 TensorPipe 作为通信后端。PyTorch RPC 将每个请求或响应中的所有张量提取到一个列表中，并将其他内容打包到二进制数据载荷中。然后，TensorPipe 将根据张量设备类型以及调用方和被调用方的通信通道可用性自动选择适合每个张量的通信通道。现有的 TensorPipe 通道包括 NVLink、InfiniBand、SHM、CMA、TCP 等。

如何使用 CUDA RPC?

下面的代码展示了如何使用 CUDA RPC。模型包含两个线性层，并分成两个分片。这两个分片分别放置在 worker0 和 worker1 上，而 worker0 作为主节点驱动前向和后向过程。请注意，我们有意略过了 DistributedOptimizer，以突出使用 CUDA RPC 时的性能提升。实验重复前向和后向过程 10 次，并测量总执行时间。它比较了使用 CUDA RPC 与手动移动到 CPU 内存并使用 CPU RPC 的效果。

import torch
import torch.distributed.autograd as autograd
import torch.distributed.rpc as rpc
import torch.multiprocessing as mp
import torch.nn as nn

import os
import time


class MyModule(nn.Module):
    def __init__(self, device, comm_mode):
        super().__init__()
        self.device = device
        self.linear = nn.Linear(1000, 1000).to(device)
        self.comm_mode = comm_mode

    def forward(self, x):
        # x.to() is a no-op if x is already on self.device
        y = self.linear(x.to(self.device))
        return y.cpu() if self.comm_mode == "cpu" else y

    def parameter_rrefs(self):
        return [rpc.RRef(p) for p in self.parameters()]


def measure(comm_mode):
    # local module on "worker0/cuda:0"
    lm = MyModule("cuda:0", comm_mode)
    # remote module on "worker1/cuda:1"
    rm = rpc.remote("worker1", MyModule, args=("cuda:1", comm_mode))
    # prepare random inputs
    x = torch.randn(1000, 1000).cuda(0)

    tik = time.time()
    for _ in range(10):
        with autograd.context() as ctx:
            y = rm.rpc_sync().forward(lm(x))
            autograd.backward(ctx, [y.sum()])
    # synchronize on "cuda:0" to make sure that all pending CUDA ops are
    # included in the measurements
    torch.cuda.current_stream("cuda:0").synchronize()
    tok = time.time()
    print(f"{comm_mode} RPC total execution time: {tok - tik}")


def run_worker(rank):
    os.environ['MASTER_ADDR'] = 'localhost'
    os.environ['MASTER_PORT'] = '29500'
    options = rpc.TensorPipeRpcBackendOptions(num_worker_threads=128)

    if rank == 0:
        options.set_device_map("worker1", {0: 1})
        rpc.init_rpc(
            f"worker{rank}",
            rank=rank,
            world_size=2,
            rpc_backend_options=options
        )
        measure(comm_mode="cpu")
        measure(comm_mode="cuda")
    else:
        rpc.init_rpc(
            f"worker{rank}",
            rank=rank,
            world_size=2,
            rpc_backend_options=options
        )

    # block until all rpcs finish
    rpc.shutdown()


if __name__=="__main__":
    world_size = 2
    mp.spawn(run_worker, nprocs=world_size, join=True)

如下显示的输出表明，在本实验中使用 CUDA RPC 与 CPU RPC 比较可以实现 34 倍的速度提升。

cpu RPC total execution time: 2.3145179748535156 Seconds
cuda RPC total execution time: 0.06867480278015137 Seconds