可能是最详尽的PyTorch动态图解析

网友投稿 968 2022-05-30

https://zhuanlan.zhihu.com/p/61765561

https://zhuanlan.zhihu.com/p/65822256

PyTorch的动态图(上)

背景

PyTorch的动态图框架主要是由torch/csrc/autograd下的代码实现的。这个目录下定义了3个主要的基类:Variable、Function、Engine,这三个基类及其继承体系共同构成了PyTorch动态图的根基。

为什么叫作动态图呢?图容易理解,Function是nodes/vertices,(Function, input_nr)是edges。那么动态体现在什么地方呢?每一次前向时构建graph,反向时销毁。本文就以torch/csrc/autograd/下的代码为基础,深入讲解PyTorch的动态图系统——这也可能是互联网上关于PyTorch动态图最详尽的文章了。

在专栏文章《PyTorch的初始化》(https://zhuanlan.zhihu.com/p/57571317)中,gemfield描述了PyTorch的初始化流程,在文末提到了THPAutograd_initFunctions()调用:“最后的THPAutograd_initFunctions()则是初始化了torch的自动微分系统,这是PyTorch动态图框架的基础”。而本文将以THPAutograd_initFunctions开始,带你走入到PyTorch的动态图世界中。首先为上篇,主要介绍Function、Variable、Engine的类的继承体系。

autograd初始化

THPAutograd_initFunctions这个函数实现如下:

void THPAutograd_initFunctions()

{

THPObjectPtr module(PyModule_New("torch._C._functions"));

......

generated::initialize_autogenerated_functions();

auto c_module = THPObjectPtr(PyImport_ImportModule("torch._C"));

}

用来初始化cpp_function_types表,这个表维护了从cpp类型的函数到python类型的映射:

static std::unordered_map cpp_function_types

这个表里存放的都是和autograd相关的函数的映射关系,起什么作用呢?比如我在python中print一个Variable的grad_fn:

>>> gemfield = torch.empty([2,2],requires_grad=True)

>>> syszux = gemfield * gemfield

>>> syszux.grad_fn

grad_fn是一个Function的实例,我们在C++中定义了那么多反向函数(参考下文),但是怎么在python中访问呢?就靠上面这个表的映射。实际上,cpp_function_types这个映射表就是为了在python中打印grad_fn服务的。

Variable

参考:https://zhuanlan.zhihu.com/p/64135058

以下面的代码片段作为例子:

gemfield = torch.ones(2, 2, requires_grad=True)

syszux = gemfield + 2

civilnet = syszux * syszux * 3

gemfieldout = civilnet.mean()

gemfieldout.backward()

需要指出的是,动态图是在前向的时候建立起来的。gemfieldout作为前向的最终输出,在反向传播的时候,却是计算的最初输入—在动态图中,我们称之为root。在下文介绍Engine的时候,你就会看到,我们会使用gemfieldout这个root来构建GraphRoot实例,以此作为Graph的输入。

Function

在开始介绍Function之前,还是以上面的代码为例,在一次前向的过程中,我们会创建出如下的Variable和Function实例:

#Variable实例

gemfield --> grad_fn_ (Function实例)= None

--> grad_accumulator_ (Function实例)= AccumulateGrad实例0x55ca7f304500

--> output_nr_ = 0

#Function实例, 0x55ca7f872e90

AddBackward0实例 --> sequence_nr_ (uint64_t) = 0

--> next_edges_ (edge_list) --> std::vector = [(AccumulateGrad实例, 0),(0, 0)]

--> input_metadata_ --> [(type, shape, device)...] = [(CPUFloatType, [2, 2],cpu])]

--> alpha (Scalar) = 1

--> apply() --> 使用 AddBackward0 的apply

#Variable实例

syszux --> grad_fn_ (Function实例)= AddBackward0实例0x55ca7f872e90

--> output_nr_ = 0

#Function实例, 0x55ca7ebba2a0

MulBackward0 --> sequence_nr_ (uint64_t) = 1

--> next_edges_ (edge_list) = [(AddBackward0实例0x55ca7f872e90,0),(AddBackward0实例0x55ca7f872e90,0)]

--> input_metadata_ --> [(type, shape, device)...] = [(CPUFloatType, [2, 2],cpu])]

--> alpha (Scalar) = 1

--> apply() --> 使用 MulBackward0 的apply

# #Variable实例,syszux * syszux得到的tmp

tmp --> grad_fn_ (Function实例)= MulBackward0实例0x55ca7ebba2a0

--> output_nr_ = 0

#Function实例,0x55ca7fada2f0

MulBackward0 --> sequence_nr_ (uint64_t) = 2 (每个线程内自增)

--> next_edges_ (edge_list) = [(MulBackward0实例0x55ca7ebba2a0,0),(0,0)]

--> input_metadata_ --> [(type, shape, device)...] = [(CPUFloatType, [2, 2],cpu])]

--> self_ (SavedVariable) = tmp的浅拷贝

--> other_ (SavedVariable) = 3的浅拷贝

--> apply() --> 使用 MulBackward0 的apply

#Variable实例

civilnet --> grad_fn_ (Function实例)= MulBackward0实例0x55ca7fada2f0 -

#Function实例,0x55ca7eb358b0

MeanBackward0 --> sequence_nr_ (uint64_t) = 3 (每个线程内自增)

--> next_edges_ (edge_list) = [(MulBackward0实例0x55ca7fada2f0,0)]

--> input_metadata_ --> [(type, shape, device)...] = [(CPUFloatType|[]|cpu])]

--> self_sizes (std::vector) = (2, 2)

--> self_numel = 4

--> apply() --> 使用 MulBackward0 的apply

#Variable实例

gemfieldout --> grad_fn_ (Function实例)= MeanBackward0实例0x55ca7eb358b0

--> output_nr_ = 0

这些用于反向计算的Function实例之间通过next_edges_连接在一起,因为这些Function的实际运行都是在反向期间,因此,输出输出关系正好和前向期间是反过来的。它们通过next_edges_连接在一起。用一个图来概括,就是下面这样:

这就引入一个新的话题——Function类是如何抽象出来的。

#Function基类定义

Function的数据成员如下所示:

using edge_list = std::vector;

using variable_list = std::vector;

struct TORCH_API Function {

...

virtual variable_list apply(variable_list&& inputs) = 0;

...

const uint64_t sequence_nr_;

edge_list next_edges_;

PyObject* pyobj_ = nullptr; // weak reference

std::unique_ptr anomaly_metadata_ = nullptr;

std::vector> pre_hooks_;

std::vector> post_hooks_;

at::SmallVector input_metadata_;

};

#Function call

Function类是抽象出来的基类,代表一个op(operation),每个op接收的参数是0个、1个或多个Variable实例(使用std::vector封装),并与此同时输出0个、1个或多个Variable实例。PyTorch中所有用于反向传播计算的函数都继承自Function类,并重写了Function类中的apply纯虚函数。因为Function类中实现了call函数:

variable_list operator()(variable_list&& inputs) {

return apply(std::move(inputs));

}

所以依靠C++的多态,对op的call将转化为自身(子类)的apply调用。Function类中最重要的方法是call函数,call会调用apply,call函数接收vector封装的多个Variable实例,并输出vector封装的多个Variable实例。输入参数的vector长度可以由num_inputs()调用获得,对应的,输出的vector长度则由num_outputs()获得。

#Function的输入

Function成员input_metadata_代表input data的meta信息,界定了一个Function的输入:

struct InputMetadata {

...

const at::Type* type_ = nullptr;

at::DimVector shape_;

at::Device device_ = at::kCPU;

};

#Autograd graph的edge和vertices

如果将PyTorch的autograd系统看作是一个图(graph)的话,那么每个Function实例就是graph中的节点(nodes/vertices),各个Function实例之间则是通过Edge连接的。Edge是个结构体,通过 (Function, input_nr) 的配对来代表graph中的edge:

struct Edge {

...

std::shared_ptr function;

uint32_t input_nr;

};

Function的成员next_edges_正是一组这样的Edge实例,代表此function实例的返回值要输出到的(另外)function,也即next_edges_是function和function之间的纽带。

Function的输入输出都是Variable实例,因此,当一个graph被执行的时候,Variable实例就在这些edges之间来传输流动。当两个或者多个Edge指向同一个Function的时候(这个节点的入度大于1),这些edges的输出将会隐含的相加起来再送给指向的目标Function。

Function和Function之间通过next_edge接口连接在一起,你可以使用add_next_edge()来向Function添加一个edge, 通过next_edge(index)获取对应的edge,通过next_edges()方法获得迭代edge的迭代器。每一个Function都有一个sequence number,随着Function实例的不断构建而单调增长。你可以通过sequence_nr()方法来或者一个Function的sequence number。

Function继承体系

基类Function直接派生出TraceableFunction和以下这些Function:

CopySlices : public Function

DelayedError : public Function

Error : public Function

Gather : public Function

GraphRoot : public Function

Scatter : public Function

AccumulateGrad : public Function

AliasBackward : public Function

AsStridedBackward : public Function

CopyBackwards : public Function

DiagonalBackward : public Function

ExpandBackward : public Function

IndicesBackward0 : public Function

IndicesBackward1 : public Function

PermuteBackward : public Function

SelectBackward : public Function

SliceBackward : public Function

SqueezeBackward0 : public Function

SqueezeBackward1 : public Function

TBackward : public Function

TransposeBackward0 : public Function

UnbindBackward : public Function

UnfoldBackward : public Function

UnsqueezeBackward0 : public Function

ValuesBackward0 : public Function

ValuesBackward1 : public Function

ViewBackward : public Function

PyFunction : public Function

这其中,从基类Function派生出来的AccumulateGrad、TraceableFunction、GraphRoot是比较关键的类。

可能是最详尽的PyTorch动态图解析

#派生类AccumulateGrad

先说说AccumulateGrad,AccumulateGrad正是Variable的grad_accumulator_成员的类型:

struct AccumulateGrad : public Function {

explicit AccumulateGrad(Variable variable_);

variable_list apply(variable_list&& grads) override;

Variable variable;

};

可见一个AccumulateGrad实例必须用一个Variable构建,apply调用接收一个list的Variable的实例——这都是和Variable的grad_accumulator_相关的。

#派生类GraphRoot

对于GraphRoot,前向时候的最终输出——在反向的时候作为最初输入——是由GraphRoot封装的:

struct GraphRoot : public Function {

GraphRoot(edge_list functions, variable_list inputs)

: Function(std::move(functions)),

outputs(std::move(inputs)) {}

variable_list apply(variable_list&& inputs) override {

return outputs;

}

variable_list outputs;

};

GraphRoot——正如Function的灵魂在apply一样——其apply函数仅仅返回它的输入!

#派生类TraceableFunction

再说说TraceableFunction:

struct TraceableFunction : public Function {

using Function::Function;

bool is_traceable() final {

return true;

}

};

TraceableFunction会进一步派生出372个子类(2019年4月),这些子类的名字都含有一个共同的部分:Backward。这说明什么呢?这些函数将只会用在反向传播中:

AbsBackward : public TraceableFunction

AcosBackward : public TraceableFunction

AdaptiveAvgPool2DBackwardBackward : public TraceableFunction

AdaptiveAvgPool2DBackward : public TraceableFunction

AdaptiveAvgPool3DBackwardBackward : public TraceableFunction

AdaptiveAvgPool3DBackward : public TraceableFunction

AdaptiveMaxPool2DBackwardBackward : public TraceableFunction

AdaptiveMaxPool2DBackward : public TraceableFunction

AdaptiveMaxPool3DBackwardBackward : public TraceableFunction

AdaptiveMaxPool3DBackward : public TraceableFunction

AddBackward0 : public TraceableFunction

AddBackward1 : public TraceableFunction

AddbmmBackward : public TraceableFunction

AddcdivBackward : public TraceableFunction

AddcmulBackward : public TraceableFunction

AddmmBackward : public TraceableFunction

AddmvBackward : public TraceableFunction

AddrBackward : public TraceableFunction

......

SoftmaxBackwardDataBackward : public TraceableFunction

SoftmaxBackward : public TraceableFunction

......

UpsampleBicubic2DBackwardBackward : public TraceableFunction

UpsampleBicubic2DBackward : public TraceableFunction

UpsampleBilinear2DBackwardBackward : public TraceableFunction

UpsampleBilinear2DBackward : public TraceableFunction

UpsampleLinear1DBackwardBackward : public TraceableFunction

UpsampleLinear1DBackward : public TraceableFunction

UpsampleNearest1DBackwardBackward : public TraceableFunction

UpsampleNearest1DBackward : public TraceableFunction

UpsampleNearest2DBackwardBackward : public TraceableFunction

UpsampleNearest2DBackward : public TraceableFunction

UpsampleNearest3DBackwardBackward : public TraceableFunction

UpsampleNearest3DBackward : public TraceableFunction

UpsampleTrilinear3DBackwardBackward : public TraceableFunction

UpsampleTrilinear3DBackward : public TraceableFunction

......

这300多个Backward function都重写了apply函数,来实现自己的反向求导算法,比如加法的反向求导函数AddBackward0:

struct AddBackward0 : public TraceableFunction {

using TraceableFunction::TraceableFunction;

variable_list apply(variable_list&& grads) override;

Scalar alpha;

};

这些apply函数是Function的灵魂,是反向传播计算时候的核心执行逻辑。

Engine

Engine类实现了从输出的variable(以及它的gradients)到root variables(用户创建的并且requires_grad=True)之间的反向传播。

gemfield = torch.ones(2, 2, requires_grad=True)

syszux = gemfield + 2

civilnet = syszux * syszux * 3

gemfieldout = civilnet.mean()

gemfieldout.backward()

还是以上面这个代码片段为例,Engine实现了从gemfieldout到gemfield的反向传播:

1,如何根据gemfieldout构建GraphRoot;

2,如何根据这些Function实例及它们上的metadata构建graph;

3,如何实现Queue来多线程完成反向计算的工作。

#Engine类定义

Engine类的定义如下:

struct Engine {

using ready_queue_type = std::deque, InputBuffer>>;

using dependencies_type = std::unordered_map;

virtual variable_list execute(const edge_list& roots,const variable_list& inputs,...const edge_list& outputs = {});

void queue_callback(std::function callback);

protected:

void compute_dependencies(Function* root, GraphTask& task);

void evaluate_function(FunctionTask& task);

void start_threads();

virtual void thread_init(int device);

virtual void thread_main(GraphTask *graph_task);

std::vector> ready_queues;

};

核心就是execute函数,它接收一组Edge——(Function, input number) pairs ——来作为函数的输入,然后通过next_edge不断的找到指向的下一个Edge,最终完成整个Graph的计算。

#派生类PythonEngine

然而我们实际使用的是Engine类的派生类:PythonEngine。PythonEngine子类重写了父类的execute,只不过仅仅提供了把C++异常翻译为Python异常的功能,核心工作还是由Engine基类来完成:

struct PythonEngine : public Engine

整个PyTorch程序全局只维护一个Engine实例,也就是PythonEngine实例。

BP调用栈

既然Engine是用来计算网络反向传播的,我们不妨看下这个调用栈是怎么到达Engine类的。如果我们对gemfieldout进行backward计算,则调用栈如下所示:

#torch/tensor.py,self is gemfieldout

def backward(self, gradient=None, retain_graph=None, create_graph=False)

|

V

#torch.autograd.backward(self, gradient, retain_graph, create_graph)

#torch/autograd/__init__.py

def backward(tensors, grad_tensors=None, retain_graph=None, create_graph=False, grad_variables=None)

|

V

Variable._execution_engine.run_backward(tensors, grad_tensors, retain_graph, create_graph,allow_unreachable=True)

#转化为Variable._execution_engine.run_backward((gemfieldout,), (tensor(1.),), False, False,True)

|

V

#torch/csrc/autograd/python_engine.cpp

PyObject *THPEngine_run_backward(THPEngine *self, PyObject *args, PyObject *kwargs)

|

V

#torch/csrc/autograd/python_engine.cpp

variable_list PythonEngine::execute(const edge_list& roots, const variable_list& inputs, bool keep_graph, bool create_graph, const edge_list& outputs)

|

V

#torch/csrc/autograd/engine.cpp

Engine::execute(roots, inputs, keep_graph, create_graph, outputs)

总结

在下段文章中,Gemfield将主要介绍Engine这个类是如何在gemfieldout.backward()中运行PyTorch动态图的。

PyTorch的动态图(下)

背景

在 上文中,我们介绍了PyTorch autograd系统的三个基石:Variable、Function、Engine。

用一句简单的话来概括下,就是Engine使用Function构建的Graph来计算得到Variable上grad。在本文中,Gemfield将以下面的代码片段为例,详细介绍Engine如何构建Graph来进行反向传播计算:

gemfield = torch.ones(2, 2, requires_grad=True)

syszux = gemfield + 2

civilnet = syszux * syszux * 3

gemfieldout = civilnet.mean()

gemfieldout.backward()

BP Engine

BP Engine是一个反向传播计算中用于动态生成计算图的类,目前PyTorch中只定义了一种BP Engine的实现。

1,Engine类定义

用于反向传播计算图动态生成的Engine类的定义如下:

struct Engine {

using ready_queue_type = std::deque, InputBuffer>>;

using dependencies_type = std::unordered_map;

virtual variable_list execute(const edge_list& roots,const variable_list& inputs,...const edge_list& outputs = {});

void queue_callback(std::function callback);

protected:

void compute_dependencies(Function* root, GraphTask& task);

void evaluate_function(FunctionTask& task);

void start_threads();

virtual void thread_init(int device);

virtual void thread_main(GraphTask *graph_task);

std::vector> ready_queues;

};

前向结束输出gemfieldout后,我们使用gemfieldout来作为反向传播的输入。

2,Engine类的start_threads成员

顾名思义,start_threads就是用来启动线程的,根据设备的数量来决定要启动的线程数量。这个函数使用std::call_once(start_threads_flag, &Engine::start_threads, this)的方式进行调用,确保了整个进程周期start_threads成员函数只被调用了一次。该成员函数的主要作用有2点:

1,创建多个ReadyQueue实例,使用ready_queues vector来管理。ReadyQueue的数量和即将要新创建的线程数量一样:

ready_queues = std::vector>(num_threads);

for (auto& queue : ready_queues){

queue.reset(new ReadyQueue());

}

2,创建多个新线程,线程的数量取决于设备的数量。CPU算一个设备,每张GPU卡算一个设备,然后最后再加1。比如该系统上有4个RTX 2080ti显卡,那么这里就会启动5个线程,如果系统上只有cpu而没有GPU,那么这里就会启动2个线程。

该成员函数使用std::thread来启动管理线程,比较重要的一点是,创建线程的时候传递的this指针:

for (int i = 0; i < num_threads; ++i) {

std::thread t(&Engine::thread_init, this, i - 1);

t.detach();

}

this就是当前Engine的实例,整个进程的生命周期内就只有这一个Engine实例。传递this带来的一个惊喜就是,当前进程和新启动的线程之间可以共享同一个Engine实例——不管是数据成员还是函数成员。后面你就会看到,我们的Queue就依靠this的共享来实现线程间的对象传输。

3,Engine类的ready_queues

ready_queues的定义如下:

std::vector> ready_queues;

可见ready_queues使用vector去管理了若干个ReadyQueue实例。这样我们就可以使用device index去vector里索引每个device专属的ReadyQueue了。

ReadyQueue用来传输的是FunctionTask对象(后文会介绍到),ReadyQueue定义如下所示:

struct ReadyQueue {

std::priority_queue, CompareFunctionTaskTime> heap;

std::condition_variable not_empty;

std::mutex mutex;

void push(FunctionTask item);

FunctionTask pop();

};

ReadyQueue使用priority_queue作为backend这一事实告诉了我们一点:消费的顺序并不等价于生产的顺序——根据CompareFunctionTaskTime的定义——谁的sequence_nr()越小就谁先消费。

ReadyQueue使用了C++11的condition_variable进行线程间的同步,使用condition_variable的notify_one来通知消费线程,相当于unblock其中一个消费线程(notify_all则是所有消费线程)。与此对应,消费线程则使用condition_variable的wait来接收同步信息。ReadyQueue类上定义了push和pop方法,分别代表生产者的生产行为和消费者的消费行为:

auto ReadyQueue::push(FunctionTask item) -> void {

{

std::lock_guard lock(mutex);

++item.base->outstanding_tasks;

heap.push(std::move(item));

}

not_empty.notify_one();

}

auto ReadyQueue::pop() -> FunctionTask {

std::unique_lock lock(mutex);

not_empty.wait(lock, [this]{ return !heap.empty(); });

auto task = std::move(const_cast(heap.top()));

heap.pop();

return task;

}

//wait相当于下面,防止异常情况退出

while(heap.empty()){

not_empty.wait(lock);

}

4,Engine类的thread_init成员

thread_init会执行start_threads启动的线程的初始化工作。

auto Engine::thread_init(int device) -> void {

at::init_num_threads();

std::array(c10::DeviceType::COMPILE_TIME_MAX_DEVICE_TYPES)> guards;

if (device != -1) {

for (size_t i = 0; i < static_cast(c10::DeviceType::COMPILE_TIME_MAX_DEVICE_TYPES); i++) {

auto* impl = c10::impl::device_guard_impl_registry[i].load();

if (impl && device < impl->deviceCount()) {

guards[i].reset_device(at::Device(static_cast(i), device));

}

}

}

worker_device = device;

thread_main(nullptr);

}

设置每个线程自己的worker_device的值,值为device num-1,因此是从-1开始的。如果系统上只有1个cpu设备,那么start_threads会启动2个线程。那么这里的device号就分别是-1、0。另外,主进程里的worker_device的值为NO_DEVICE(-2)。初始化工作除了设置这个worker_device,主要是从第2个worker thread开始来设置guards中的divice。线程初始化完毕后,将会进行真正的线程执行逻辑调用。

5,Engine类中的GraphTask

Engine中使用的GraphTask:

struct GraphTask {

std::atomic outstanding_tasks;

bool keep_graph;

bool grad_mode;

std::mutex mutex;

std::condition_variable not_done;

std::unordered_map not_ready;

std::unordered_map dependencies;

struct ExecInfo {

bool needed = false;

};

std::unordered_map exec_info;

int owner;

GraphTask(bool keep_graph, bool grad_mode): has_error(false), \

outstanding_tasks(0), keep_graph(keep_graph), grad_mode(grad_mode), owner(NO_DEVICE) {}

};

在Engine的execute函数执行中,我们会定义一个graph_task实例:

GraphTask graph_task(keep_graph, create_graph);

GraphTask的重要成员有:

成员1:outstanding_tasks,是个数字,当一个GraphTask实例创建出来的时候,outstanding_tasks被初始化为0;当其随后被送入ReadyQueue的时候,outstanding_tasks自增1;然后在worker线程每执行一次evaluate_function(task)后,outstanding_tasks的值减1。并且在主进程中,会有一个线程的同步逻辑依赖这个值:

while(graph_task.outstanding_tasks.load() != 0){

graph_task.not_done.wait(lock);

}

可见这个graph_task实例上的function没有被evaluate完成之前,主进程就一直在这里等待。

成员2:keep_graph,是个bool值,用来指定一次反向计算后是否释放资源。什么资源呢?前向过程中建立起来的资源。keep_graph如果是False的话,则会在fn执行完毕后调用release_variables:

if (!task.base->keep_graph) {

fn.release_variables();

}

我们在上文提到过,那几百个反向计算的Function里都有一个灵魂函数——apply,其实,还有一个回收资源的灵魂函数——release_variables。比如

struct MulBackward0 : public TraceableFunction {

void release_variables() override {

self_.reset_data();

self_.reset_grad_function();

other_.reset_data();

other_.reset_grad_function();

}

SavedVariable self_;

SavedVariable other_;

};

成员3:grad_mode,这是个bool值,用来指示当前的上下文是否是要计算grad。

bool GradMode::is_enabled() {

return GradMode_enabled;

}

void GradMode::set_enabled(bool enabled) {

GradMode_enabled = enabled;

}

整个反向计算期间执行的代码逻辑中,都是靠GradMode::is_enabled()来判断当前是否是要计算grad的。

成员4:mutex,类型为std::mutex。这是线程之间的同步原语,多个线程中只有一个可以持有同一个mutex,其它的线程只能在此等待。但是为了防止死锁等情况出现,我们借助RAII来智能管理mutex,典型的代表就是std::lock_guard和std::unique_lock。默认情况下用std::lock_guard,在一个函数执行完毕后(其实是一个block作用域),std::lock_guard的析构会自动释放这个mutex;不过,std::lock_guard只能靠构造函数和析构函数来获得和释放mutex,std::unique_lock则在此基础上更近一步,除了拥有上述功能之外,还可以通过std::unique_lock的lock和unlock来主动加锁和解锁,提供更精细粒度的控制——增加代码并行的区域。

成员5:not_done,std::condition_variable类型。线程间通信。还记得吧,在主进程中,我们将一个FunctionTask对象送往Queue后,主进程就开始等待:

while(graph_task.outstanding_tasks.load() != 0){

graph_task.not_done.wait(lock);

}

while循环就是防止异常退出的,核心是not_done这个condition。not_done.wait(lock)就是在这里阻塞——等待worker thread里的not_done.notify_all()。

成员6:not_ready,类型为std::unordered_map。用来暂存not ready的function及其输入。

**成员7:dependencies,**类型为std::unordered_map

这个实例的dependencies成员在compute_dependencies调用中被初始化,只要一个grad_fn函数在别人的next_edges()中出现过一次,那么dependencies[this_grad_fn] 就自增1。

成员8:exec_info,类型为std::unordered_map 。如果exec_info这个map为空的话,说明这个task是默认的模式——所有我们在next_edges中遇到的函数都将被执行。如果exec_info不为空的话,只有含有entry的Function并且这个entry

has needed == True 的情况下才会被执行。

成员9:owner,int类型。GraphTask是在哪个线程中创建的,该值就是那个线程中的worker_device的值。

6,Engine类中的FunctionTask

Engine中使用的FunctionTask:

struct FunctionTask {

GraphTask* base;

std::shared_ptr fn;

InputBuffer inputs;

FunctionTask(GraphTask* base, std::shared_ptr fn, InputBuffer inputs): \

base(base), fn(std::move(fn)), inputs(std::move(inputs)) {}

};

这个类的对象正是在queue中传输的东西,从上面的定义可以看到,我们使用GraphTask、Function、InputBuffer来构建一个FunctionTask实例。实际上,在主进程中,我们只需要将一个FunctionTask实例送入queue即可。这个FunctionTask正是由上述的GraphTask实例、graph_root、0构建的:

#主进程中

FunctionTask(&graph_task, std::move(graph_root), InputBuffer(0)

graph_root初始化很简单,由roots和inputs构建,roots就是将gemfieldout的gradient_edge()——也即grad_fn——也即MeanBackward0实例和output_nr_——也即(MeanBackward0实例,0);而inputs也即tensor(1.)。生产端往queue发送了FunctionTask实例后,在消费端的worker thread中,我们则通过task.base来访问到这个GraphTask实例、通过task.fn访问到这个roots实例、通过task.inputs来访问这个InputBuffer实例。

而在worker thread中,我们也可能使用如下的方式来构建新的FunctionTask实例,然后添加到queue中:

#work thread

FunctionTask(task.base, nullptr, InputBuffer(0)

#evaluate function

FunctionTask(task.base, next.function, std::move(input_buffer))

7,Engine类中的compute_dependencies

还记得5中定义的那个graph_task实例吗?还记得graph_task中有个成员是dependencies吗?还记得dependencies是std::unordered_map吗?对,只要一个grad_fn函数在别人的next_edges()中出现过一次,那么dependencies[this_grad_fn] 就自增1。

对,这个函数就只干了这么一件事。

8,Engine类中的execute

这是Engine的灵魂函数,也是Engine的执行逻辑的主体,在一次反向中,该函数会被执行一次。该函数主要做了如下的工作:

1,调用Engine::start_threads,启动多个worker线程;注意,start_threads在整个进程周期只会被执行一次;

2,实例化一个graph_task的实例;

3,使用上述graph_task的mutex,初始化一个execute函数中局部的mutex;

4,构建GraphRoot;

5,执行compute_dependencies;

6,向队列中传输一个FunctionTask实例;

7,等待worker thread计算完毕后结束。

9,Engine类的thread_main成员

thread_main会作为start_threads启动的线程的执行实体:

auto Engine::thread_main(GraphTask *graph_task) -> void {

auto queue = ready_queues[worker_device + 1];

while (!graph_task || graph_task->outstanding_tasks > 0) {

FunctionTask task = queue->pop();

if (task.fn && !task.base->has_error.load()) {

GradMode::set_enabled(task.base->grad_mode);

evaluate_function(task);

}

auto base_owner = task.base->owner;

if (base_owner == NO_DEVICE) {

if (--task.base->outstanding_tasks == 0) {

std::lock_guard lock(task.base->mutex);

task.base->not_done.notify_all();

}

} else {

if (base_owner == worker_device) {

--task.base->outstanding_tasks;

} else if (base_owner != worker_device) {

if (--task.base->outstanding_tasks == 0) {

std::atomic_thread_fence(std::memory_order_release);

ready_queue_by_index(base_owner).push(FunctionTask(task.base, nullptr, InputBuffer(0)));

}

}

}

}

}

主体就是一个while循环,不断的从专属queue中取出FunctionTask实例,然后执行evaluate_function——这是主体逻辑。evaluate_function完毕后,如果:

1,这个task是来自主进程的,并且task的outstanding_tasks已经降为0了(注意outstanding_tasks在evaluate_function中还会不断的被改变),那么就通知主进程上的wait同步原语,准备结束反向计算;

2,如果这个task是来自当前work thread,那么outstanding_tasks就自减1;

3,如果这个task是来自其它work thread,那么outstanding_tasks就自减1,并且如果降为0的话,则向那个worker thread的queue发送一个dummy function task。

10,Engine类的evaluate_function

这个函数的核心就是看一个函数在GraphTask的dependencies的计数是否降为0——也即是否ready(通常是因为有多个input),如果ready就送往queue去计算;如果没有就放入GraphTask的not_ready中,每次设置好对应的一个InputBuffer输入。送往Queue的task和之前GraphRoot不一样,因为它的owner不是主进程——是在worker thread中创建的。

1,一个node的input variable的device是多少,那么这个node组成的FunctionTask对象将被送往那个device对应的worker thread的queue;

2,准备一个node的时候,如果is_ready是True,说明这个node不会被未来的计算所依赖了,这个node组成的FunctionTask就会被送往上述的queue,并且信息会从Graph(GraphTask)中抹掉——从GraphTask的dependencies中移除;

3,准备一个node的时候,如果is_ready是False,这通常表明这个node有多个输入(被更多的node连接,使用num_inputs()可以获得数量),那么第一次遇到这个node的时候并不会把它送往queue,而是放入GraphTask的not_ready中,这个时候顺便设置好了该node的第一个输入:

input_buffer.add(next.input_nr, std::move(output))

not_ready.emplace(next.function.get(), std::move(input_buffer));

第二次遇到该node就设置该node的第二个input:

auto &input_buffer = not_ready_it->second;

input_buffer.add(next.input_nr, std::move(output));

以此类推,直到dependencies中对应的计数降为0——is_ready从False变为了True——这个node终于不会被未来的计算所依赖了。这个node组成的FunctionTask这个时候才会被送往上述的queue,并且信息会从Graph(GraphTask)中抹掉——从GraphTask的dependencies中移除、从GraphTask的not_ready中移除。

另外,input_buffer的构建也非常有趣,当向一个node添加一个输入的时候:

input_buffer.add(next.input_nr, std::move(output));

input_nr就清楚的表明,当前的node是反向传播中要流向的node的第几个输入!

11,Engine类的call_function

这个函数的逻辑就相对简单了,调用各个反向计算的函数及注册在上面的hooks。注意fn的输入和输出,像gemfield在《PyTorch的Tensor》中说的那样,输入是一组Variable的实例——InputBuffer::variables(std::move(task.inputs)),输出也是一组Variable的实例,毕竟输出要作为下一个fn的输入嘛。相关的代码如下所示:

static variable_list call_function(FunctionTask& task) {

auto& fn = *task.fn;

auto inputs = call_pre_hooks(fn, InputBuffer::variables(std::move(task.inputs)));

const auto has_post_hooks = !fn.post_hooks().empty();

variable_list outputs = fn(std::move(inputs));

if(has_post_hooks){

return call_post_hooks(fn, std::move(outputs), inputs);

}

return outputs;

}

1,调用注册在node上的pre_hooks;

2,调用node本身,比如MeanBackward0、MulBackward0等;

3,调用注册在node上的post hooks。

总结

本文中gemfield进一步介绍了PyTorch的动态图,主要是Engine这个class。现在你已经熟悉了,反向传播计算中,会根据设备数量启动多个线程,每个线程关联一个Queue,每个worker thread都有关联的device,主进程和worker thread、worker thread和work thread之间通过queue传送输入和计算结果,task根据input的device会被送入对应的Queue——如此以来计算就会在那个device关联的worker thread中进行。数据流经每个fn/node获得的输出再作为下一个fn/node的输入,这些输入输出都是一组Variable的实例。

pytorch TensorFlow 任务调度

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:从零开始学python | Python 中的按位运算符 II 从零开始学python | Python 中的按位运算符 I
下一篇:华为云沙箱实验之使用Python爬虫抓取图片和文字实验丨【我的华为云体验之旅】
相关文章