数据并行执行引擎

ParallelExecutor 是以数据并行的方式在多个节点上分别执行 Program 的执行器。用户可以通过Python脚本驱动 ParallelExecutor 执行, ParallelExecutor 的执行过程:

  • 首先根据 ProgramGPU 卡的数目(或者 CPU 的核数)以及 BuildStrategy 构建 SSA Graph 和一个线程池;
  • 执行过程中,根据Op的输入是否Ready决定是否执行该Op,这样可以使没有相互依赖的多个Op可在线程池中并行执行;

ParallelExecutor 在构造时需要指定当前 Program 的设备类型, GPU 或者 CPU

  • 使用 GPU 执行: ParallelExecutor 会自动检测当前机器可以使用 GPU 的个数,并在每个 GPU 上分别执行 Program ,用户也可以通过设置 CUDA_VISIBLE_DEVICES 环境变量来指定执行器可使用的 GPU
  • 使用 CPU 多线程执行:ParallelExecutor 会自动检测当前机器可利用的 CPU 核数,并将 CPU 核数作为执行器中线程的个数,每个线程分别执行 Program ,用户也可以通过设置 CPU_NUM 环境变量来指定当前训练使用的线程个数。

ParallelExecutor 支持模型训练和模型预测:

  • 模型训练: ParallelExecutor 在执行过程中对多个节点上的参数梯度进行聚合,然后进行参数的更新;
  • 模型预测: ParallelExecutor 在执行过程中各个节点独立运行当前的 Program

ParallelExecutor 在模型训练时支持两种模式的梯度聚合, AllReduceReduce

  • AllReduce 模式下, ParallelExecutor 调用AllReduce操作使多个节点上参数梯度完全相等,然后各个节点独立进行参数的更新;
  • Reduce 模式下, ParallelExecutor 会预先将所有参数的更新分派到不同的节点上,在执行过程中 ParallelExecutor 调用Reduce操作将参数梯度在预先指定的节点上进行聚合,并进行参数更新,最后调用Broadcast操作将更新后的参数发送到其他节点。

这两种模式通过 build_strategy 来指定,使用方法,请参考 BuildStrategy

注意 :如果在Reduce模式下使用 CPU 多线程执行 ProgramProgram 的参数在多个线程间是共享的,在某些模型上,Reduce模式可以大幅节省内存。

鉴于模型的执行速率和模型结构及执行器的执行策略有关,ParallelExecutor 允许你修改执行器的相关参数,例如线程池的规模( num_threads )、为清除临时变量 num_iteration_per_drop_scope 需要进行的循环次数。更多信息请参照 ExecutionStrategy

# 注释:
#   - 如果你想在ParallelExecutor中指定用于运行的GPU卡,需要在环境中定义
#     CUDA_VISIBLE_DEVICES
#   - 如果你想在ParallelExecutor中使用多CPU来运行程序,需要在环境中定义
#     CPU_NUM
# 首先创建Executor。
place = fluid.CUDAPlace(0) if use_cuda else fluid.CPUPlace()
exe = fluid.Executor(place)
# 运行启动程序仅一次。
exe.run(fluid.default_startup_program())
# 定义train_exe和test_exe
exec_strategy = fluid.ExecutionStrategy()
exec_strategy.num_threads = dev_count * 4 # the size of thread pool.
build_strategy = fluid.BuildStrategy()
build_strategy.memory_optimize = True if memory_opt else False
train_exe = fluid.ParallelExecutor(use_cuda=use_cuda,
                                   main_program=train_program,
                                   build_strategy=build_strategy,
                                   exec_strategy=exec_strategy,
                                   loss_name=loss.name)
# 注释:对于test_exe,loss_name是不必要的。
test_exe = fluid.ParallelExecutor(use_cuda=True,
                                  main_program=test_program,
                                  build_strategy=build_strategy,
                                  exec_strategy=exec_strategy,
                                  share_vars_from=train_exe)
train_loss, = train_exe.run(fetch_list=[loss.name], feed=feed_dict)
test_loss, = test_exe.run(fetch_list=[loss.name], feed=feed_dict)
  • 相关API :