自动并行¶

:label:sec_auto_para

深度学习框架（例如，MxNet、飞桨和PyTorch）会在后端自动构建计算图。利用计算图，系统可以了解所有依赖关系，并且可以选择性地并行执行多个不相互依赖的任务以提高速度。例如， :numref:sec_async中的 :numref:fig_asyncgraph独立初始化两个变量。因此，系统可以选择并行执行它们。

通常情况下单个操作符将使用所有CPU或单个GPU上的所有计算资源。例如，即使在一台机器上有多个CPU处理器，dot操作符也将使用所有CPU上的所有核心（和线程）。这样的行为同样适用于单个GPU。因此，并行化对单设备计算机来说并不是很有用，而并行化对于多个设备就很重要了。虽然并行化通常应用在多个GPU之间，但增加本地CPU以后还将提高少许性能。例如， :cite:Hadjis.Zhang.Mitliagkas.ea.2016则把结合GPU和CPU的训练应用到计算机视觉模型中。借助自动并行化框架的便利性，我们可以依靠几行Python代码实现相同的目标。对自动并行计算的讨论主要集中在使用CPU和GPU的并行计算上，以及计算和通信的并行化内容。

请注意，本节中的实验至少需要两个GPU来运行。

In [1]:

import torch
        from d2l import torch as d2l

基于GPU的并行计算¶

从定义一个具有参考性的用于测试的工作负载开始：下面的run函数将执行$10$次矩阵－矩阵乘法时需要使用的数据分配到两个变量（x_gpu1和x_gpu2）中，这两个变量分别位于选择的不同设备上。

In [2]:

devices = d2l.try_all_gpus()
        def run(x):
            return [x.mm(x) for _ in range(50)]
        
        x_gpu1 = torch.rand(size=(4000, 4000), device=devices[0])
        x_gpu2 = torch.rand(size=(4000, 4000), device=devices[1])

现在使用函数来处理数据。通过在测量之前需要预热设备（对设备执行一次传递）来确保缓存的作用不影响最终的结果。torch.cuda.synchronize()函数将会等待一个CUDA设备上的所有流中的所有核心的计算完成。函数接受一个device参数，代表是哪个设备需要同步。如果device参数是None（默认值），它将使用current_device()找出的当前设备。

In [3]:

run(x_gpu1)
        run(x_gpu2)  # 预热设备
        torch.cuda.synchronize(devices[0])
        torch.cuda.synchronize(devices[1])
        
        with d2l.Benchmark('GPU1 time'):
            run(x_gpu1)
            torch.cuda.synchronize(devices[0])
        
        with d2l.Benchmark('GPU2 time'):
            run(x_gpu2)
            torch.cuda.synchronize(devices[1])

GPU1 time: 0.4600 sec
        GPU2 time: 0.4706 sec

如果删除两个任务之间的synchronize语句，系统就可以在两个设备上自动实现并行计算。

In [4]:

with d2l.Benchmark('GPU1 & GPU2'):
            run(x_gpu1)
            run(x_gpu2)
            torch.cuda.synchronize()

GPU1 & GPU2: 0.4580 sec

在上述情况下，总执行时间小于两个部分执行时间的总和，因为深度学习框架自动调度两个GPU设备上的计算，而不需要用户编写复杂的代码。

并行计算与通信¶

在许多情况下，我们需要在不同的设备之间移动数据，比如在CPU和GPU之间，或者在不同的GPU之间。例如，当执行分布式优化时，就需要移动数据来聚合多个加速卡上的梯度。让我们通过在GPU上计算，然后将结果复制回CPU来模拟这个过程。

In [5]:

def copy_to_cpu(x, non_blocking=False):
            return [y.to('cpu', non_blocking=non_blocking) for y in x]
        
        with d2l.Benchmark('在GPU1上运行'):
            y = run(x_gpu1)
            torch.cuda.synchronize()
        
        with d2l.Benchmark('复制到CPU'):
            y_cpu = copy_to_cpu(y)
            torch.cuda.synchronize()

在GPU1上运行: 0.4608 sec
        复制到CPU: 2.3504 sec

这种方式效率不高。注意到当列表中的其余部分还在计算时，我们可能就已经开始将y的部分复制到CPU了。例如，当计算一个小批量的（反传）梯度时。某些参数的梯度将比其他参数的梯度更早可用。因此，在GPU仍在运行时就开始使用PCI-Express总线带宽来移动数据是有利的。在PyTorch中，to()和copy_()等函数都允许显式的non_blocking参数，这允许在不需要同步时调用方可以绕过同步。设置non_blocking=True以模拟这个场景。

In [6]:

with d2l.Benchmark('在GPU1上运行并复制到CPU'):
            y = run(x_gpu1)
            y_cpu = copy_to_cpu(y, True)
            torch.cuda.synchronize()

在GPU1上运行并复制到CPU: 1.7703 sec

两个操作所需的总时间少于它们各部分操作所需时间的总和。请注意，与并行计算的区别是通信操作使用的资源：CPU和GPU之间的总线。事实上，我们可以在两个设备上同时进行计算和通信。如上所述，计算和通信之间存在的依赖关系是必须先计算y[i]，然后才能将其复制到CPU。幸运的是，系统可以在计算y[i]的同时复制y[i-1]，以减少总的运行时间。

最后，本节给出了一个简单的两层多层感知机在CPU和两个GPU上训练时的计算图及其依赖关系的例子，如 :numref:fig_twogpu所示。手动调度由此产生的并行程序将是相当痛苦的。这就是基于图的计算后端进行优化的优势所在。

在一个CPU和两个GPU上的两层的多层感知机的计算图及其依赖关系 :label:fig_twogpu

小结¶

现代系统拥有多种设备，如多个GPU和多个CPU，还可以并行地、异步地使用它们。
现代系统还拥有各种通信资源，如PCI Express、存储（通常是固态硬盘或网络存储）和网络带宽，为了达到最高效率可以并行使用它们。
后端可以通过自动化地并行计算和通信来提高性能。

练习¶

在本节定义的run函数中执行了八个操作，并且操作之间没有依赖关系。设计一个实验，看看深度学习框架是否会自动地并行地执行它们。
当单个操作符的工作量足够小，即使在单个CPU或GPU上，并行化也会有所帮助。设计一个实验来验证这一点。
设计一个实验，在CPU和GPU这两种设备上使用并行计算和通信。
使用诸如NVIDIA的Nsight之类的调试器来验证代码是否有效。
设计并实验具有更加复杂的数据依赖关系的计算任务，以查看是否可以在提高性能的同时获得正确的结果。