作者|王益
OneFlow社区编译
翻译|杨婷
最近,我在处理 PyTorch 分布式和 TorchRec 相关的工作,为此,我开始学习 PyTorch 2.0。在业余时间,我也在跟着Alpa作者学习JAX和XLA。如今回顾这些技术,我发现它们的关注点似乎都是如下两个问题:
-
包含自动求导和并行在内的函数转换,例如 vmap, pmap 和 pjit 等;
-
异构计算,CPU 负责控制流,GPU/TPU 负责张量计算和集合通信。
本文档中的所有例子都支持在 Colab 中运行:
1
函数转换
“函数转换”意为将一个程序转变成另一个程序,最常见的例子是自动求导(autograd)。自动求导采用用户编写的前向过程并创建后向过程,对于用户来说,编写自动求导通常都太过复杂。函数转换的主要难点在于:在编写函数转换算法时以何种方式表示输入和输出过程。
Theano:显式地构建 IR
Theano是最早的深度学习工具之一,也就是如今为人们所熟知的Aesara项目。Theano有一个允许用户在内存中将IR构建为数据结构的API,因此Theano可实现自动求导,并将结果输出为 Python 函数。
import aesara
from aesara import tensor as at
a = at.dscalar("a") # Define placeholders, which have no values.
b = at.dscalar("b")
c = a * b # c now contains the IR of an expression.TT
dc = aesara.grad(c, a) # Convert the IR in c into another one, dc
f_dc = aesara.function([a, b], dc) # Convert the IR into a Python function,
assert f_dc(1.5, 2.5) == 2.5 # so we can call it.
TensorFlow 1.x:用于运行 IR 的虚拟机
TensorFlow 1.x明确保留了构建IR的想法。若在TensorFlow中运行上述示例,结果不会有什么差别;但倘若在TensorFlow 1.x中来运行,最大的差别在于:我们不会将后向 IR 转换为 Python 函数,并使用 Python 解释器来运行。相反,我们会在TensorFlow runtime中来运行。
import tensorflow.compat.v1 as tf # TensorFlow 1.x API
import numpy as np
tf.disable_eager_execution()
a = tf.placeholder(tf.float32, shape=())
b = tf.placeholder(tf.float32, shape=())
c = a * b
dc = tf.gradients(c, [a], stop_gradients=[a, b])
with tf.compat.v1.Session() as sess: # TensorFlow has a runtime to execute the IR,
x = np.single(2) # so, no converting it into Python code.
y = np.single(3)
print(sess.run(dc, feed_dict={a:x, b:y}))
PyTorch 1.x:没有前向IR
PyTorch不会像Theano或TensorFlow那样将前向传播转换为IR。反之,PyTorch 使用 Python 解释器来运行前向传播。这样做的弊端在于会在运行期间生成表示后向传播的 IR,我们称之为Eager模式(动态图模式)。
import torch
a = torch.tensor(1.0, requires_grad=True) # These are not placeholders, but values.
b = torch.tensor(2.0)
c = a * b # Evaluates c and derives the IR of the backward in c.grad_fn_.
c.backward() # Executes c.grad_fn_.
print(c.grad)
TensorFlow 2.x: 梯度带
TensorFlow 2.x增加了一个像PyTorch API的Eager模式API。此 API 追踪前向传播如何运行名为梯度带(GradientTape)的 IR 。TensorFlow 2.x可以从这个跟踪中找出后向传播。
import tensorflow as tf
a = tf.Variable(1.0) # Like PyTorch, these are values, not placehodlers.
b = tf.Variable(2.0)
with tf.GradientTape() as tape:
c = a * b
dcda = tape.gradient(c, a)
print(dcda)
JAX
JAX 不会向用户公开诸如梯度带等方面的低级别细节。简单说来,JAX的思维方式为:将输入和输出都用Python函数来表示。
import jax
a = 2.0
b = 3.0
jax.grad(jax.lax.mul)(a, b) # Compute c = a * b w.r.t. a. The result is b=3.
jax.jit(jax.grad(jax.lax.mul))(a,b)
jax.experimental.pjit(jax.grad(jax.lax.mul),
device_mesh(ntpus))(a,b)
对于想要自己编写的函数转换的高级用户,他们可以调用make_jaxpr等低级 API 来访问 IR,称为 JAXPR。
jax.make_jaxpr(jax.lax.mul)(2.0, 3.0) # Returns the IR representing jax.lax.mul(2,3)
jax.make_jaxpr(jax.grad(jax.lax.mul))(2.0, 3.0) # Returns the IR of grad(mul)(2,3)
FuncTorch
FuncTorch和JAX类似,都是基于PyTorch的函数转换。
import torch, functorch
a = torch.tensor([2.0])
b = torch.tensor([3.0])
functorch.grad(torch.dot)(a, b)
JAX的make_jaxpr类似于functorch的make_fx。
def f(a, b):
return torch.dot(a, b) # Have to wrap the builtin function dot into f. # 必须将内置函数dot转换成f.
print(functorch.make_fx(f)(a, b).code)
print(functorch.make_fx(functorch.grad(f))(a, b).code)
TensorFlow 2.x、JAX 和 functorch 都为前向传递构建了一个 IR,但 PyTorch Eager模式没有。IR 不仅可用于自动求导,还可用于其他类型的函数转换。在下列例子中,
functorch.compile.aot_function调用了回调函数print_compile_fn两次,分别用于前向和后向传播。
from functorch.compile import aot_function
import torch.fx as fx
def print_compile_fn(fx_module, args):
print(fx_module)
return fx_module
aot_fn = aot_function(torch.dot, print_compile_fn)
aot_fn(a, b)
2
高阶导数
PyTorch
import torch
from torch import autograd
x = torch.tensor(1., requires_grad = True)
y = 2*x**3 + 8
first_derivative = autograd.grad(y, x, create_graph=True)
print(first_derivative)
second_derivative = autograd.grad(first_derivative, x)
print(second_derivative)
TensorFlow 2.x
import tensorflow as tf
x = tf.Variable(1.0)
with tf.GradientTape() as outer_tape:
with tf.GradientTape() as tape:
y = 2*x**3 + 8
dy_dx = tape.gradient(y, x)
print(dy_dx)
d2y_dx2 = outer_tape.gradient(dy_dx, x)
print(d2y_dx2)
JAX
def f(a):
return 2*a**3 + 8
print(jax.grad(f)(1.0))
print(jax.grad(jax.grad(f))(1.0))
3
动态控制流
动态控制流(dynamic control flows)有两个层级:在 CPU 上运行的粗粒度级别和在 GPU /TPU 上运行的细粒度级别。本部分主要介绍在 CPU 上运行的粗粒度级别的动态控制流。下面我们将用(if/else)条件语句作为例子检验深度学习工具。
TensorFlow 1.x
在 TensorFlow 1.x 中,我们需要将条件语句显式构建到 IR 中。此时条件语句是一个特殊的运算符 tf.cond。
def f1(): return tf.multiply(a, 17)
def f2(): return tf.add(b, 23)
r = tf.cond(tf.less(a, b), f1, f2)
with tf.compat.v1.Session() as sess: # TensorFlow has a runtime to execute the IR,
print(sess.run(r, feed_dict={a:x, b:y}))
TensorFlow 2.x
TensorFlow 2.x 支持使用 tf.cond 和 tf.while_loop 显式构建控制流。此外,实验项目google/tangent中有AutoGraph功能,它可以将Python控制流转换为tf.cond或tf.while_loop。此功能利用了 Python 解释器支持的函数和函数源代码。例如下面的g函数调用了 Python 的标准库将源代码解析为 AST,然后调用 SSA 表单来理解控制流。
def g(x, y):
if tf.reduce_any(x < y):
return tf.multiply(x, 17)
return tf.add(y, 23)
converted_g = tf.autograph.to_graph(g)
import inspect
print(inspect.getsource(converted_g))
JAX
由于部分Python语法很复杂,所以通过解析源代码来理解控制流就显得很困难,这就导致AutoGraph经常出错。但如果这种方法很简单,那么Python开发者社区也不会在构建Python编译器时失败这么多次了。正是由于有这种挑战的存在,必须要明确地将控制流构建到 IR 中。为此,JAX 提供了 jax.lax.cond 和 jax.lax.for_loop函数。
jax.lax.cond(a < b, lambda : a*17, lambda: b+23)
考虑到这一点,你可能会觉得我们可以使用递归算法。但是下面用于计算阶乘的递归无法用JAX跟踪。
def factorial(r, x):
return jax.lax.cond(x <= 1.0, lambda: r, lambda: factorial(r*x, x-1))
factorial(1.0, 3.0)
可能你还想调用factorial来计算 3!=6。但这会让递归深度超过最大值,因为递归不仅依赖于条件,还依赖于函数定义和调用。
PyTorch
PyTorch最初是Python-native。正如前文所说,由于多功能调度机制,grad 和 vamp的函数转换都是即时的。值得注意的是:
-
相比Theano 和 TensorFlow构建IR后的函数转换,即时函数转换效率更高。
-
在进行grad和vmap 时,JAX也是即时函数转换。然而像pamp和pjit等更复杂的函数转换需要对整个计算过程进行概述,在这个过程中IR是必不可少的。
由于IR在pmap 和 pjit中的必要性,PyTorch社区最近添加了torch.condpytorch/pytorch#83154
4
分布式计算
根据执行代码或 IR 的不同方式,在使用 Python 解释器或runtime时,有两种分布式计算方法。
Python-Native
Theano和PyTorch采用了Python-native分布式计算方式。这种分布式训练工作包含多个Python解释器进程。这导致出现了以下结果。
-
打包和运行(Pack and run)。由于这些 Python 进程在不同的host上运行,因此我们需要打包用户程序和依赖项,并将它们发送到这些host上去运行。一直以来TorchX负责了这个打包过程。它支持例如Docker和torch.package等各种打包格式,并且可以与各种集群管理器配合使用,如Kubernetes和SLURM。
-
单程序多数据(SPMD)。由于将用户程序发送到各种host上要依赖于打包,与其他权重较轻的方式(如通过 RPC 发送代码)相比,这种方式不太灵活,因此,我们通常只发送一个程序。当所有这些进程运行同一程序时,这个作业就变成了单程序多数据(SPMD)作业。
Python-native SPMD
下面是一个简单的SPMD PyTorch程序,我们可以在相同或不同的host上使用进程运行这个程序。在这个过程中,我们只需要调用all_gather。真正的分布式训练程序会调用更高级别的API,例如
torch.nn.parallel.DistributedDataParallel 和
torchrec.DistributedModelParallel, 然后再调用低级 API,例如 all_gather 和 all_reduce。
import os
import torch
from torch import distributed as dist
def main():
use_gpu = torch.cuda.is_available()
local_rank = int(os.environ.get("LOCAL_RANK", "0"))
local_world_size = int(os.environ.get("LOCAL_WORLD_SIZE", "0"))
device = torch.device(f"cuda:{local_rank}" if use_gpu else "cpu")
dist.init_distributed(backend="nccl")
lst = torch.tensor([local_rank + 100]).to(device)
# placeholder
rlt_lst = [torch.zeros_like(lst) for _ in range(local_world_size)]
dist.all_gather(rlt_lst, lst, async_op=False)
print("After broadcasting:", rlt_lst)
Python-native Non-SPMD
PyTorch 不仅限于 SPMD 式的分布式训练。它还通过
torch.distributed.pipeline.sync.Pipe和PiPPy project提供流水并行,其中流水并行的各个阶段在不同的设备上运行不同的程序。这些阶段常通过 torch.rpc 包来沟通。
分布式运行时机制
分布式 TensorFlow 作业由运行 TensorFlow runtime 程序的进程组成,而不是由 Python 解释器组成。此分布式运行时作业执行 TensorFlow graph (IR),它是由执行用户程序的 Python 解释器生成。
用户程序可以使用低级API(如 tf.device)去指定作业要运行什么操作、在哪台设备和主机上运行等等。因为API有runtime,所以可以做到这一点。
with tf.device('/job:bar/task:0/device:gpu:2'):
# ops created here have the fully specified device above
与PyTorch一样,TensorFlow也为分布式训练提供了高级API tf.distributed.strategy,Keras和DTensor。
strategy = tf.distribute.MirroredStrategy()
if tf.config.list_physical_devices('GPU')
else tf.distribute.get_strategy()
with strategy.scope():
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(1,))])
model.compile(loss='mse', optimizer='sgd')
分布式运行时极大地方便了训练服务的维护,因为我们不再将用户程序打包到集群上运行。相反,我们打包运行时程序,因为相比用户程序,运行时程序更加统一。
混合理念
JAX 支持 Python-native 和分布式运行时。
JAX 提供例如vmap、pmap 和 pjit的函数转换,这可以将 Python 函数转换为分布式程序。
(本文经授权后由OneFlow社区编译,译文转载请联系获得授权。原文:
quip.com/Y8qtAyV4EXR…
欢迎 Star、试用 OneFlow 最新版本:
github.com/Oneflow-Inc…