分布式通信原语¶
在分布式训练或测试的过程中,不同进程有时需要根据分布式的环境信息执行不同的代码逻辑,同时不同进程之间也经常会有相互通信的需求,对一些数据进行同步等操作。 PyTorch 提供了一套基础的通信原语用于多进程之间张量的通信,基于这套原语,MMEngine 实现了更高层次的通信原语封装以满足更加丰富的需求。基于 MMEngine 的通信原语,算法库中的模块可以
在使用通信原语封装时不显式区分分布式/非分布式环境
进行除 Tensor 以外类型数据的多进程通信
无需了解底层通信后端或框架
这些通信原语封装的接口和功能可以大致归类为如下三种,我们在后续章节中逐个介绍
分布式初始化:
init_dist
负责初始化执行器的分布式环境分布式信息获取与控制:包括
get_world_size
等函数获取当前的rank
和world_size
等信息分布式通信接口:包括如
all_reduce
等通信函数(collective functions)
分布式初始化¶
init_dist: 是分布式训练的启动函数,目前支持 pytorch,slurm,MPI 3 种分布式启动方式,同时允许设置通信的后端,默认使用 NCCL。
分布式信息获取与控制¶
分布式信息的获取与控制函数没有参数,这些函数兼容非分布式训练的情况,功能如下
get_world_size:获取当前进程组的进程总数,非分布式情况下返回 1
get_rank:获取当前进程对应的全局 rank 数,非分布式情况下返回 0
get_backend:获取当前通信使用的后端,非分布式情况下返回 None
get_local_rank:获取当前进程对应到当前机器的 rank 数,非分布式情况下返回 0
get_local_size:获取当前进程所在机器的总进程数,非分布式情况下返回 0
get_dist_info:获取当前任务的进程总数和当前进程对应到全局的 rank 数,非分布式情况下 word_size = 1,rank = 0
is_main_process:判断是否为 0 号主进程,非分布式情况下返回 True
master_only:函数装饰器,用于修饰只需要全局 0 号进程(rank 0 而不是 local rank 0)执行的函数
barrier:同步所有进程到达相同位置
分布式通信函数¶
通信函数 (Collective functions),主要用于进程间数据的通信,基于 PyTorch 原生的 all_reduce,all_gather,gather,broadcast 接口,MMEngine 提供了如下接口,兼容非分布式训练的情况,并支持更丰富数据类型的通信。
all_reduce: 对进程间 tensor 进行 AllReduce 操作
all_gather:对进程间 tensor 进行 AllGather 操作
gather:将进程的 tensor 收集到一个目标 rank
broadcast:对某个进程的 tensor 进行广播
sync_random_seed:同步进程之间的随机种子
broadcast_object_list:支持对任意可被 Pickle 序列化的 Python 对象列表进行广播,基于 broadcast 接口实现
all_reduce_dict:对 dict 中的内容进行 all_reduce 操作,基于 broadcast 和 all_reduce 接口实现
all_gather_object:基于 all_gather 实现对任意可以被 Pickle 序列化的 Python 对象进行 all_gather 操作
gather_object:将 group 里每个 rank 中任意可被 Pickle 序列化的 Python 对象 gather 到指定的目标 rank
collect_results:支持基于 CPU 通信或者 GPU 通信对不同进程间的列表数据进行收集