在 PyTorch 中，當(dāng)多個(gè)算子（operators）和內(nèi)核（kernels）被并行執(zhí)行時(shí)，PyTorch 通過(guò) CUDA 的 流（streams） 和 事件（events） 機(jī)制來(lái)管理并發(fā)和同步。CUDA 是一個(gè)異步計(jì)算平臺(tái)，計(jì)算任務(wù)會(huì)被放入一個(gè)隊(duì)列中異步執(zhí)行，PyTorch 為了確保不同算子之間的依賴關(guān)系正確，使用了流和事件來(lái)管理任務(wù)的調(diào)度和同步。

1. CUDA 流（Streams）和事件（Events）

CUDA 流

CUDA 流是一個(gè)任務(wù)隊(duì)列，所有提交到同一個(gè)流中的操作會(huì)按照順序執(zhí)行，但是不同流中的操作可以并行執(zhí)行。PyTorch 在默認(rèn)情況下為每個(gè)設(shè)備（GPU）創(chuàng)建一個(gè)主流（default stream），所有的 CUDA 操作都會(huì)提交到該流中，并順序執(zhí)行。

如果你使用多個(gè)流，可以讓不同的計(jì)算任務(wù)并行執(zhí)行，避免阻塞。PyTorch 提供了 torch.cuda.Stream 來(lái)管理自定義的流。例如：

stream1 = torch.cuda.Stream()
stream2 = torch.cuda.Stream()

# 向stream1提交任務(wù)
with torch.cuda.stream(stream1):
    # 操作A將在stream1中執(zhí)行
    output1 = model(input1)

# 向stream2提交任務(wù)
with torch.cuda.stream(stream2):
    # 操作B將在stream2中執(zhí)行
    output2 = model(input2)

# 等待所有流完成任務(wù)
torch.cuda.synchronize()

CUDA 事件

CUDA 事件是用來(lái)標(biāo)記和同步不同 CUDA 流的工具。例如，當(dāng)一個(gè)算子在某個(gè)流中完成后，可以通過(guò)事件通知其他流，以便他們可以開始下一個(gè)依賴該算子的操作。PyTorch 提供了 torch.cuda.Event 進(jìn)行同步。

stream1 = torch.cuda.Stream()
stream2 = torch.cuda.Stream()
event = torch.cuda.Event()

with torch.cuda.stream(stream1):
    output1 = model(input1)
    event.record()  # 在stream1中記錄事件

with torch.cuda.stream(stream2):
    stream2.wait_event(event)  # 等待stream1中的事件完成
    output2 = model(input2)

torch.cuda.synchronize()

通過(guò)這種方式，PyTorch 可以管理不同算子和內(nèi)核的同步，確保依賴關(guān)系被正確處理。

2. 多個(gè)算子的調(diào)度與同步

在 PyTorch 中，如果你使用單個(gè) GPU 并且不顯式創(chuàng)建 CUDA 流，所有的操作都會(huì)默認(rèn)提交到同一個(gè)流中按順序執(zhí)行，因此不會(huì)存在同步問題。

但在更復(fù)雜的場(chǎng)景下，比如有多個(gè) GPU，或者需要通過(guò)流并行執(zhí)行不同的操作時(shí)，PyTorch 的 CUDA 流機(jī)制會(huì)自動(dòng)幫你處理依賴和同步。通過(guò)使用流和事件，可以控制多個(gè)算子如何在不同的 CUDA 內(nèi)核中同步執(zhí)行。

依賴性管理：

• 默認(rèn)流同步：如果多個(gè)算子提交到默認(rèn)流中，它們會(huì)按照順序依次執(zhí)行，無(wú)需顯式同步。
• 跨流依賴同步：使用事件（torch.cuda.Event）來(lái)記錄某個(gè)流的完成狀態(tài)，其他流可以等待該事件的完成后再繼續(xù)執(zhí)行。

例如，在下面的代碼中，conv2d 和 relu 是在同一個(gè)流上順序執(zhí)行的，無(wú)需顯式同步。但如果將它們放到不同的流中，則需要使用事件同步來(lái)確保 conv2d 在 relu 之前完成。

# 默認(rèn)流中，算子會(huì)順序執(zhí)行，無(wú)需顯式同步
output = F.conv2d(input, weight)
output = F.relu(output)

3. 內(nèi)存拷貝與計(jì)算的同步

在 GPU 計(jì)算中，顯存和 CPU 內(nèi)存之間的數(shù)據(jù)拷貝也是異步執(zhí)行的。PyTorch 使用 CUDA 同步機(jī)制 確保計(jì)算和數(shù)據(jù)傳輸之間的依賴關(guān)系：

• 當(dāng)從 GPU 讀取數(shù)據(jù)到 CPU 時(shí)，通常會(huì)自動(dòng)觸發(fā)同步，確保 GPU 計(jì)算已經(jīng)完成。
• PyTorch 還提供了 torch.cuda.synchronize() 來(lái)顯式同步 GPU 和 CPU，確保所有的 CUDA 任務(wù)都已經(jīng)完成。

例如：

output = model(input)
output_cpu = output.cpu()  # 這會(huì)自動(dòng)同步，確保 GPU 計(jì)算完成后將結(jié)果拷貝到 CPU

4. 多 GPU 和分布式同步

在多 GPU 環(huán)境中，PyTorch 使用 NCCL (NVIDIA Collective Communications Library) 來(lái)管理多 GPU 之間的同步和通信。PyTorch 的 torch.nn.DataParallel 和 torch.nn.parallel.DistributedDataParallel 會(huì)自動(dòng)處理多 GPU 之間的數(shù)據(jù)同步。

多 GPU 同步主要依賴 NCCL 庫(kù)，它允許 GPU 之間通過(guò) all_reduce、all_gather 等通信模式來(lái)同步梯度或數(shù)據(jù)，確保所有設(shè)備上的計(jì)算是同步的。

# 使用多個(gè) GPU 同步執(zhí)行任務(wù)
model = torch.nn.DataParallel(model)
output = model(input)  # 會(huì)自動(dòng)將輸入拆分到多個(gè) GPU 上執(zhí)行，并同步結(jié)果

Reference:

• CUDA Programming Guide - Streams and Events
• CUDA Toolkit Documentation
• NCCL Documentation
• PyTorch GitHub - Distributed and Parallel
• NCCL（NVIDIA Collective Communications Library）

到此這篇關(guān)于pytorch 同步機(jī)制的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)pytorch 同步機(jī)制內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論