[源码解析]|[源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎

[源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎
目录

  • [源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎
    • 0x00 摘要
    • 0x01 前文回忆
    • 0x02 计算图
      • 2.1 普通示例
      • 2.2 分布式示例
      • 2.3 分布式注释版
    • 0x03 反向传播
      • 3.1 发起反向传播
        • 3.1.1 外部主动发起
          • 3.1.1.1 示例
          • 3.1.1.2 C++世界
        • 3.1.2 内部隐式发起
          • 3.1.2.1 BACKWARD_AUTOGRAD_REQ
          • 3.1.2.2 PropagateGradientsReq
      • 3.2 接受反向传播
        • 3.2.1 接受消息
        • 3.2.2 处理消息
      • 3.3 总结
    • 0xFF 参考

0x00 摘要 上文我们看到了AutogradMetadata,DistAutogradContainer 和 DistAutogradContext 等一系列基础类。我们知道了分布式autograd如何基于RPC进行传递,如何在节点之间交互,节点如何区分维护这些Session。本文继续分析,主要目的是看看反向传播如何切入到引擎之中
PyTorch分布式其他文章如下:
深度学习利器之自动微分(1)
深度学习利器之自动微分(2)
[源码解析]深度学习利器之自动微分(3) --- 示例解读
[源码解析]PyTorch如何实现前向传播(1) --- 基础类(上)
[源码解析]PyTorch如何实现前向传播(2) --- 基础类(下)
[源码解析] PyTorch如何实现前向传播(3) --- 具体实现
[源码解析] Pytorch 如何实现后向传播 (1)---- 调用引擎
[源码解析] Pytorch 如何实现后向传播 (2)---- 引擎静态结构
[源码解析] Pytorch 如何实现后向传播 (3)---- 引擎动态逻辑
[源码解析] PyTorch 如何实现后向传播 (4)---- 具体算法
[源码解析] PyTorch 分布式(1)------历史和概述
[源码解析] PyTorch 分布式(2) ----- DataParallel(上)
[源码解析] PyTorch 分布式(3) ----- DataParallel(下)
[源码解析] PyTorch 分布式(4)------分布式应用基础概念
[源码解析] PyTorch分布式(5) ------ DistributedDataParallel 总述&如何使用
[源码解析] PyTorch分布式(6) ---DistributedDataParallel -- 初始化&store
[源码解析] PyTorch 分布式(7) ----- DistributedDataParallel 之进程组
[源码解析] PyTorch 分布式(8) -------- DistributedDataParallel之论文篇
[源码解析] PyTorch 分布式(9) ----- DistributedDataParallel 之初始化
[源码解析] PyTorch 分布式(10)------DistributedDataParallel 之 Reducer静态架构
[源码解析] PyTorch 分布式(11) ----- DistributedDataParallel 之 构建Reducer和Join操作
[源码解析] PyTorch 分布式(12) ----- DistributedDataParallel 之 前向传播
[源码解析] PyTorch 分布式(13) ----- DistributedDataParallel 之 反向传播
[源码解析] PyTorch 分布式 Autograd (1) ---- 设计
[源码解析] PyTorch 分布式 Autograd (2) ---- RPC基础
[源码解析] PyTorch 分布式 Autograd (3) ---- 上下文相关
为了更好的说明,本文代码会依据具体情况来进行相应精简。
0x01 前文回忆 我们回忆一下前面几篇文章的内容。
首先,对于分布式 autograd,我们需要在前向传播期间跟踪所有 RPC,以确保正确执行后向传播。为此,当执行 RPC 时候,我们把 sendrecv functions 附加到autograd图之上。
  • send函数附加到 RPC 的发起源节点之上,其输出边指向 RPC 输入张量的 autograd 函数。在向后传播期间,send函数的输入是从目标接收的,是对应recv函数的输出。
  • recv函数附加到 RPC 的接受目标节点之上,其输入从某些运算符得到,这些运算符使用输入张量在RPC接受目标上执行。在后向传播期间,recv函数的输出梯度将被发送到源节点之上,并且作为send方法的输入。
  • send-recv对被分配一个全局唯一的autograd_message_id 以唯一地标识该send-recv对。这对于在向后传播期间查找远程节点上的相应函数很有用。
  • 对于RRef,每当我们调用torch.distributed.rpc.RRef.to_here() 时,我们都为涉及的张量添加了一个适当的send-recv对。
其次,在前向传播的具体代码之中,我们在上下文中存储每个 autograd 传播的sendrecv函数。这确保我们在 autograd 图中保存对适当节点的引用以使其保持活动状态。除此之外,这也使得在向后传播期间很容易查找到对应的sendrecv函数。
再次,以下是 torch/csrc/distributed/rpc/message.h 之中的部分消息定义:
// Messages with autograd info FORWARD_AUTOGRAD_REQ = 0x0f | MessageTypeFlags::REQUEST_TYPE, FORWARD_AUTOGRAD_RESP = 0x10 | MessageTypeFlags::RESPONSE_TYPE,// Messages to propagate gradients on the backward pass. BACKWARD_AUTOGRAD_REQ = 0x11 | MessageTypeFlags::REQUEST_TYPE, BACKWARD_AUTOGRAD_RESP = 0x12 | MessageTypeFlags::RESPONSE_TYPE,

在前文,我们看到了 FORWARD_AUTOGRAD_REQ 在前向传播之中如何调用,假设如下代码:rpc.rpc_sync("worker1", torch.add, args=(t1, t2)),其调用序列是:
  • rpc_sync 调用 _invoke_rpc。
  • _invoke_rpc 调用 _invoke_rpc_builtin。
  • 然后调用到 pyRpcBuiltin,继而调用到 sendMessageWithAutograd。
  • sendMessageWithAutograd 内部会构建 FORWARD_AUTOGRAD_REQ消息,最后使用RPC 发送。
至此,关于整体流程,我们就有了几个疑问
  • 在反向计算图的起始位置,如何发起反向传播,怎么传递给反向传播的下一个环节?
  • 在反向传播的内部环节,BACKWARD_AUTOGRAD_REQ 是何时调用?recv 操作是何时被调用? 在上下文中,recvAutogradFunctions_ 是在哪里设置的?
  • 以上两个环节分别如何进入分布式autograd引擎?
我们接下来就围绕这些疑问进行分析,核心就是如何进入 dist.autograd 引擎。
0x02 计算图 我们首先从计算图来通过几个示例来看看。
2.1 普通示例
首先看看普通计算,这个是 dist.auto 官方图例的本地版本。可以看到是由 AddBackward0,AccumulateGrad 和 MulBackward0 等组成了计算图。
t1 = torch.rand((3, 3), requires_grad=True) t2 = torch.rand((3, 3), requires_grad=True) t3 = t1 + t2 t4 = torch.rand((3, 3), requires_grad=True) t5 = torch.mul(t3, t4) next_functions = t5.grad_fn.next_functions

具体对应如下图:
[源码解析]|[源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎
文章图片

2.2 分布式示例
接下来看看分布式的例子,这个例子就是官方设计中图例大致对应的代码,我们把 torch.mul(t3, t4) 命名为 t5,加入了 loss。
def worker0(): # On worker 0:# Setup the autograd context. Computations that take # part in the distributed backward pass must be within # the distributed autograd context manager. with dist_autograd.context() as context_id: t1 = torch.rand((3, 3), requires_grad=True) t2 = torch.rand((3, 3), requires_grad=True)# Perform some computation remotely. t3 = rpc.rpc_sync("worker1", torch.add, args=(t1, t2))# Perform some computation locally based on remote result. t4 = torch.rand((3, 3), requires_grad=True) t5 = torch.mul(t3, t4)# Compute some loss. loss = t5.sum()# Run the backward pass. dist_autograd.backward(context_id, [loss])# Retrieve the gradients from the context. dist_autograd.get_gradients(context_id)print(loss)

在分布式之下,t3 是异地运行。
  • t5 对应的是 mul,t5.grad_fn 是
  • t3.grad_fn 是 ,就是说,recv 对应的就是 CppFunction 。
  • loss 是 tensor(5.5680, grad_fn= )。
  • 其余的都是 None。
我们把设计图例再展示出来,上面示例代码就是下图的左侧 worker 0,t3 实际就是运行在 worker 1,大家可以看到分布式上下文中的一些特点。
[源码解析]|[源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎
文章图片

2.3 分布式注释版
为了更好的说明,我们打印了一些log作为注释。
def _verify_send(send_function): print(send_function.name()) next_funcs = send_function.next_functions print(next_funcs[0][0].name()) print(next_funcs[1][0].name())def _verify_recv(recv_function): print(recv_function.name()) next_funcs = recv_function.next_functions print(len(next_funcs))def worker0(): # On worker 0:# Setup the autograd context. Computations that take # part in the distributed backward pass must be within # the distributed autograd context manager. with dist_autograd.context() as context_id: t1 = torch.rand((3, 3), requires_grad=True) t2 = torch.rand((3, 3), requires_grad=True)# Perform some computation remotely. #t3 = rpc.rpc_sync("worker1", my_add, args=(t1, t2)) t3 = rpc.rpc_sync("worker1", torch.add, args=(t1, t2))# Perform some computation locally based on remote result. t4 = torch.rand((3, 3), requires_grad=True) t5 = torch.mul(t3, t4)# Compute some loss. loss = t5.sum()print("--- send ---") ctx = dist_autograd._retrieve_context(context_id) send_functions = ctx._send_functions() _verify_send(list(send_functions.values())[0])print("--- loss ---") print(loss) mul_func = loss.grad_fn.next_functions[0][0] print(mul_func.name()) next_funcs = mul_func.next_functions print(next_funcs[0][0].name()) print(next_funcs[1][0].name())print("---- recv ----") recv_functions = ctx._recv_functions() _verify_recv(list(recv_functions.values())[0])# Run the backward pass. dist_autograd.backward(context_id, [loss])# Retrieve the gradients from the context. dist_autograd.get_gradients(context_id)

打印结果是:
--- send --- torch::distributed::autograd::SendRpcBackward torch::autograd::AccumulateGrad torch::autograd::AccumulateGrad--- loss --- tensor(3.5197, grad_fn=) MulBackward0 torch::distributed::autograd::RecvRpcBackward torch::autograd::AccumulateGrad---- recv ---- torch::distributed::autograd::RecvRpcBackward

加上分布式相关算子之后,图例如下:
[源码解析]|[源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎
文章图片

0x03 反向传播 我们接下来要看看如何进入dist autograd 引擎,结合我们图例,就是:
  • worker 0 如何主动发起反向传播,然后进入分布式引擎?
  • woker 0 在内部如何发起对 worker 1 的反向传播请求?
  • worker 1 如何被动接受反向传播消息,然后进入分布式引擎?
3.1 发起反向传播
我们找一找如何发起反向传播,按照从下往上的顺序进行。这里也有两种:
  • 一种是主动发起,比如上图之中 worker 0 的 loss 之上主动调用backward 方法。
  • 一种是内部隐式发起,比如上图的 worker 0 之中的 t3 如何通过 recv 告诉 worker 1,你应该启动反向传播了。
3.1.1 外部主动发起 3.1.1.1 示例 我们从上往下看分布式 autograd 的 backward 如何主动调用,比如在示例之中会显示调用。
def worker0(): # On worker 0:with dist_autograd.context() as context_id: t1 = torch.rand((3, 3), requires_grad=True) t2 = torch.rand((3, 3), requires_grad=True)# Perform some computation remotely. t3 = rpc.rpc_sync("worker1", torch.add, args=(t1, t2))# Perform some computation locally based on remote result. t4 = torch.rand((3, 3), requires_grad=True) t5 = torch.mul(t3, t4)# Compute some loss. loss = t5.sum()# Run the backward pass. dist_autograd.backward(context_id, [loss]) // 这里会调用

3.1.1.2 C++世界 在 torch/_C/_distributed_autograd.pyi 之中我们可以看到如下注释:
# This module is defined in torch/csrc/distributed/autograd/init.cpp

因此我们去torch/csrc/distributed/autograd/init.cpp文件中看看。
省略了部分代码,这里能看到生成了上下文,定义了 backward,get_gradients等等。
PyObject* dist_autograd_init(PyObject* _unused, PyObject* noargs) { auto autograd_module = THPObjectPtr(PyImport_ImportModule("torch.distributed.autograd")); auto torch_C_module = THPObjectPtr(PyImport_ImportModule("torch._C")); auto torch_C_m = py::handle(torch_C_module).cast(); auto m = torch_C_m.def_submodule("_distributed_autograd", "distributed autograd bindings"); auto module = py::handle(m).cast(); auto distAutogradContext = shared_ptr_class_(module, "DistAutogradContext") .def( "_context_id", &DistAutogradContext::contextId, py::call_guard()) .def( "_recv_functions", [](const DistAutogradContext& ctx) { std::map funcs; for (const auto& map_entry : ctx.recvFunctions()) { funcs.emplace( map_entry.first, py::reinterpret_steal( torch::autograd::functionToPyObject( map_entry.second))); } return funcs; }) .def( "_send_functions", [](const ContextPtr& ctx) { std::map funcs; for (const auto& map_entry : ctx->sendFunctions()) { funcs.emplace( map_entry.first, py::reinterpret_steal( torch::autograd::functionToPyObject( map_entry.second))); } return funcs; }) .def("_known_worker_ids", &DistAutogradContext::getKnownWorkerIds); module.def( "_new_context", []() -> const ContextPtr { return DistAutogradContainer::getInstance().newContext(); }, py::return_value_policy::reference); py::options options; options.disable_function_signatures(); module.def( "backward", backward, py::arg("contextId"), py::arg("roots"), py::arg("retain_graph") = false, py::call_guard()); module.def( "get_gradients", [](int64_t contextId) -> py::dict { const auto& autogradContext = DistAutogradContainer::getInstance().retrieveContext(contextId); return torch::jit::toPyObject(IValue(autogradContext->getGradients())); }, py::arg("context_id")); Py_RETURN_TRUE; } } // namespace

具体 backward 定义在 torch/csrc/distributed/autograd/autograd.cpp。
void backward( int64_t context_id, const variable_list& roots, bool retain_graph) { RECORD_FUNCTION( kDistAutogradBackwardProfilingKey, std::vector()); try { DistEngine::getInstance().execute(context_id, roots, retain_graph); } catch (std::exception& e) { // FIXME: crashes if exception type is not RuntimeError throw std::runtime_error(e.what()); } }

可以看到,最终会调用到 DistEngine::getInstance().execute(context_id, roots, retain_graph) 完成反向传播。这就进入了引擎
3.1.2 内部隐式发起 因为是隐式发起,所以代码比较隐蔽,我们这次采用从下至上的方式来剥丝抽茧。我们知道,如果节点之间要求反向传播,会发送BACKWARD_AUTOGRAD_REQ,所以我们从 BACKWARD_AUTOGRAD_REQ 开始发起寻找。
3.1.2.1 BACKWARD_AUTOGRAD_REQ 在 torch/csrc/distributed/autograd/rpc_messages/propagate_gradients_req.cpp 之中 PropagateGradientsReq::toMessageImpl 会调用到 BACKWARD_AUTOGRAD_REQ。
Message PropagateGradientsReq::toMessageImpl() && { std::vector ivalues; // Add all the grad tensors. for (const auto& grad : grads_) { ivalues.emplace_back(grad); }// Now add autograd metadata. ivalues.emplace_back(autogradMetadata_.autogradContextId); ivalues.emplace_back(autogradMetadata_.autogradMessageId); // Add retain graph. ivalues.emplace_back(retainGraph_); // Now pickle using JIT pickler. std::vector tensorTable; std::vector payload = jit::pickle(c10::ivalue::Tuple::create(std::move(ivalues)), &tensorTable); return Message( std::move(payload), std::move(tensorTable), MessageType::BACKWARD_AUTOGRAD_REQ); // 这里会用到 }

3.1.2.2 PropagateGradientsReq 继续找谁发出来的 BACKWARD_AUTOGRAD_REQ,就是谁调用到了 toMessageImpl?原来在 torch/csrc/distributed/autograd/functions/recvrpc_backward.cpp 这里构建了 PropagateGradientsReq,会使用 toMessage 来构建一个消息。即,RecvRpcBackward 的调用会发送 BACKWARD_AUTOGRAD_REQ
variable_list RecvRpcBackward::apply(variable_list&& grads) { // 调用Node std::vector outputGrads; for (size_t i = 0; i < grads.size(); i++) { const auto& grad = grads[i]; if (grad.defined()) { outputGrads.emplace_back(grad); } else { // Put in zeros for a tensor with no grad. outputGrads.emplace_back(input_metadata(i).zeros_like()); } }auto sharedContext = autogradContext_.lock(); // Send the gradients over the wire and record the future in the autograd // context. PropagateGradientsReq gradCall( // 这里构建了 PropagateGradientsReq autogradMetadata_, outputGrads, sharedContext->retrieveGraphTask()->keep_graph_); // Send the gradients over to the appropriate node. auto rpcAgent = rpc::RpcAgent::getCurrentRpcAgent(); auto jitFuture = rpcAgent->send( // 发送出去,就是给后向传播过程的下一个节点 rpcAgent->getWorkerInfo(fromWorkerId_), std::move(gradCall).toMessage(), // 这里调用了PropagateGradientsReq::toMessageImpl rpc::kUnsetRpcTimeout, deviceMap_); // Record the future in the context. sharedContext->addOutstandingRpc(jitFuture); // 'recv' function sends the gradients over the wire using RPC, it doesn't // need to return anything for any downstream autograd function. return variable_list(); }

所以我们知道,在 RecvRpcBackward 的执行时候,会发送 BACKWARD_AUTOGRAD_REQ,发送给下一个节点。具体哪里调用 RecvRpcBackward?我们会在下一篇 DistEngine 之中介绍。
此时具体如下,对应就是 worker 0 的 t3 给 worker 1 发送 BACKWARD_AUTOGRAD_REQ 消息。
+ worker 0 | worker 1 | | RecvRpcBackwardPropagateGradientsReq| ++| ||| ||| ||| v|| || apply()|| +|| |v| || | +------------------------------>toMessageImpl| |+| ||| |Message(BACKWARD_AUTOGRAD_REQ)|| | <----------------------------------------+| || || v| | rpcAgent+>send(Message)+--------------------------------------------> +BACKWARD_AUTOGRAD_REQ| || || v| +

对应示例图就是:
[源码解析]|[源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎
文章图片

3.2 接受反向传播
我们接下来看看接收方如何处理反向传播,我们再次回到 worker 1,就是图上的 send 节点如何接受反向传播消息。
3.2.1 接受消息 在生成 TensorPipeAgent 时候,把 RequestCallbackImpl 配置为回调函数。这是 agent 的统一响应函数。前面关于代理接收逻辑时候,我们也提到了,会进入 RequestCallbackNoPython::processRpc 函数。其中可以看到有对 BACKWARD_AUTOGRAD_REQ 的处理逻辑。
这种是 RPC 的正常流程。
void RequestCallbackNoPython::processRpc( RpcCommandBase& rpc, const MessageType& messageType, const int64_t messageId, const c10::intrusive_ptr& responseFuture, std::shared_ptr ctx) const {switch (messageType) {case MessageType::BACKWARD_AUTOGRAD_REQ: { processBackwardAutogradReq(rpc, messageId, responseFuture); // 这里调用 return; };

3.2.2 处理消息 在 processBackwardAutogradReq 之中会:
  • 获取 DistAutogradContainer。
  • 获取 上下文,该上下文是之前在前向传播过程之中建立的,从前文可知,本图例之中,worker 0 和 worker 1之中每个 autograd 传播都共享同一个上下文 context id。
  • 通过发送方的 context id,从上下文之中获取到对应的 SendRpcBackward。这里我们看到了上下文是如何使用。
  • 使用 sendFunction 作为参数,调用 executeSendFunctionAsync 进行引擎处理。
void RequestCallbackNoPython::processBackwardAutogradReq( RpcCommandBase& rpc, const int64_t messageId, const c10::intrusive_ptr& responseFuture) const { auto& gradientsCall = static_cast(rpc); const auto& autogradMetadata = https://www.it610.com/article/gradientsCall.getAutogradMetadata(); // Retrieve the appropriate autograd context. auto autogradContext = DistAutogradContainer::getInstance().retrieveContext( autogradMetadata.autogradContextId); // 得到发送者的context id// Lookup the appropriate'send' function to enqueue. std::shared_ptr sendFunction = // 依据发送者context id和消息id得到sendFunction autogradContext->retrieveSendFunction(autogradMetadata.autogradMessageId); // Attach the gradients to the send function. sendFunction->setGrads(gradientsCall.getGrads()); // 设置梯度// Now execute the autograd graph using the "distributed engine." auto execFuture = DistEngine::getInstance().executeSendFunctionAsync( // 调用引擎 autogradContext, sendFunction, gradientsCall.retainGraph()); // Our response is satisfied when the rpcs come back. execFuture->addCallback([responseFuture, messageId](JitFuture& execFuture) { if (!execFuture.hasError()) { Message m = std::move(PropagateGradientsResp()).toMessage(); m.setId(messageId); responseFuture->markCompleted( IValue(c10::make_intrusive(std::move(m)))); } else { responseFuture->setError(execFuture.exception_ptr()); } }); }

在 worker 1 的 DistEngine::executeSendFunctionAsync 内部,会进行辗转处理,最终发送 BACKWARD_AUTOGRAD_REQ 到其反向传播的下游,所以我们继续在示例图之上修改拓展,增加一个 BACKWARD_AUTOGRAD_REQ。
[源码解析]|[源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎
文章图片

3.3 总结
我们可以看到有两个途径进入 dist autograd 引擎,启动反向传播:
  • 一个是示例代码显式主动调用 backward,进而调用到 DistEngine::getInstance().execute,就是 worker 0。
  • 一个是被动调用 DistEngine::getInstance().executeSendFunctionAsync,就是 worker 1(当然,worker 0 的 send 也对应了一个被动调用)。
现在从上至下/自下而上两种查找反向传播的发起源头,都归结到了 DistEngine,所以我们下一篇就介绍 DistEngine。
0xFF 参考 [源码解析] Pytorch 如何实现后向传播 (3)---- 引擎动态逻辑
[源码解析] Pytorch 如何实现后向传播 (2)---- 引擎静态结构
[源码解析] PyTorch 如何实现后向传播 (4)---- 具体算法
【[源码解析]|[源码解析] PyTorch 分布式 Autograd (4) ---- 如何切入引擎】[源码解析] Pytorch 如何实现后向传播 (1)---- 调用引擎

    推荐阅读