alltoall_single¶

paddle.distributed.stream. alltoall_single ( out_tensor, in_tensor, out_split_sizes=None, in_split_sizes=None, group=None, sync_op=True, use_calc_stream=False ) ¶

将一个 tensor 分发到每个进程，随后在每个进程上聚合分发结果。与 alltoall 相比，可以更精细地控制分发过程。

注解

该 API 只支持动态图模式。

参数¶

out_tensor (Tensor): 用于保存操作结果的 tensor，数据类型必须与输入的 tensor 保持一致。

in_tensor (Tensor): 输入的 tensor。支持的数据类型包括：float16、float32、float64、int32、int64、int8、uint8、bool、bfloat16。

out_split_sizes (List[int]，可选): 对 out_tensor 的 dim[0] 进行切分的大小。默认为 None，即 out_tensor 将均匀地聚合各个进程的数据（需要确保 out_tensor 的大小能够被组中的进程数整除）。

in_split_sizes (List[int]，可选): 对 in_tensor 的 dim[0] 进行切分的大小。默认为 None，即将 in_tensor 均匀地分发到各个进程中（需要确保 in_tensor 的大小能够被组中的进程数整除）。

group (Group，可选) - 执行该操作的进程组实例（通过 new_group 创建）。默认为 None，即使用全局默认进程组。

sync_op (bool，可选) - 该操作是否为同步操作。默认为 True，即同步操作。

use_calc_stream (bool，可选) - 该操作是否在计算流上进行。默认为 False，即不在计算流上进行。该参数旨在提高同步操作的性能，请确保在充分了解其含义的情况下调整该参数的值。

返回¶

Task。通过 Task，可以查看异步操作的执行状态以及等待异步操作的结果。

代码示例¶

          >>> import paddle
>>> import paddle.distributed as dist

>>> dist.init_parallel_env()
>>> local_rank = dist.get_rank()

>>> # case 1
>>> output = paddle.empty([2], dtype="int64")
>>> if local_rank == 0:
...     data = paddle.to_tensor([0, 1])
>>> else:
...     data = paddle.to_tensor([2, 3])
>>> task = dist.stream.alltoall_single(output, data, sync_op=False)
>>> task.wait()
>>> out = output.numpy()
>>> print(out)
>>> # [0, 2] (2 GPUs, out for rank 0)
>>> # [1, 3] (2 GPUs, out for rank 1)

>>> # case 2
>>> size = dist.get_world_size()
>>> output = paddle.empty([(local_rank + 1) * size, size], dtype='float32')
>>> if local_rank == 0:
...     data = paddle.to_tensor([[0., 0.], [0., 0.], [0., 0.]])
>>> else:
...     data = paddle.to_tensor([[1., 1.], [1., 1.], [1., 1.]])
>>> out_split_sizes = [local_rank + 1 for i in range(size)]
>>> in_split_sizes = [i + 1 for i in range(size)]
>>> task = dist.stream.alltoall_single(output,
...                                 data,
...                                 out_split_sizes,
...                                 in_split_sizes,
...                                 sync_op=False)
>>> task.wait()
>>> out = output.numpy()
>>> print(out)
>>> # [[0., 0.], [1., 1.]]                     (2 GPUs, out for rank 0)
>>> # [[0., 0.], [0., 0.], [1., 1.], [1., 1.]] (2 GPUs, out for rank 1)

         