Table of Contents
Shortcuts

TorchScript中的动态并行性

创建于：2020年7月28日 | 最后更新：2024年12月2日 | 最后验证：2024年11月5日

警告

TorchScript 不再处于积极开发阶段。

在本教程中，我们介绍了在TorchScript中实现动态互操作并行的语法。这种并行具有以下特性：

  • dynamic - 创建的并行任务数量及其工作量可以取决于程序的控制流。

  • inter-op - 并行性关注的是并行运行TorchScript程序片段。这与intra-op parallelism不同，后者关注的是拆分单个操作符并并行运行操作符工作的子集。

基本语法

动态并行性的两个重要API是：

  • torch.jit.fork(fn : Callable[..., T], *args, **kwargs) -> torch.jit.Future[T]

  • torch.jit.wait(fut : torch.jit.Future[T]) -> T

展示这些如何工作的一个好方法是通过一个例子：

import torch

def foo(x):
    return torch.neg(x)

@torch.jit.script
def example(x):
    # Call `foo` using parallelism:
    # First, we "fork" off a task. This task will run `foo` with argument `x`
    future = torch.jit.fork(foo, x)

    # Call `foo` normally
    x_normal = foo(x)

    # Second, we "wait" on the task. Since the task may be running in
    # parallel, we have to "wait" for its result to become available.
    # Notice that by having lines of code between the "fork()" and "wait()"
    # call for a given Future, we can overlap computations so that they
    # run in parallel.
    x_parallel = torch.jit.wait(future)

    return x_normal, x_parallel

print(example(torch.ones(1))) # (-1., -1.)

fork() 接受可调用对象 fn 及其参数 args 和 kwargs，并为 fn 的执行创建一个异步任务。fn 可以是一个函数、方法或模块实例。fork() 返回一个对此执行结果值的引用，称为 Future。由于 fork 在创建异步任务后立即返回，因此在执行 fork() 调用后的代码行时，fn 可能尚未执行。因此，使用 wait() 来等待异步任务完成并返回值。

这些结构可以用来重叠函数内语句的执行（在示例部分展示）或与其他语言结构（如循环）组合使用：

import torch
from typing import List

def foo(x):
    return torch.neg(x)

@torch.jit.script
def example(x):
    futures : List[torch.jit.Future[torch.Tensor]] = []
    for _ in range(100):
        futures.append(torch.jit.fork(foo, x))

    results = []
    for future in futures:
        results.append(torch.jit.wait(future))

    return torch.sum(torch.stack(results))

print(example(torch.ones([])))

注意

当我们初始化一个空的Futures列表时，我们需要为futures添加一个显式的类型注释。在TorchScript中，空容器默认假设它们包含Tensor值，因此我们将列表构造函数注释为List[torch.jit.Future[torch.Tensor]]类型。

这个例子使用 fork() 来启动 100 个 foo 函数的实例， 等待这 100 个任务完成，然后对结果进行求和，返回 -100.0。

应用示例：双向LSTM的集成

让我们尝试将并行性应用到一个更现实的例子中，看看我们能从中获得什么样的性能。首先，让我们定义基线模型：一个双向LSTM层的集合。

import torch, time

# In RNN parlance, the dimensions we care about are:
# # of time-steps (T)
# Batch size (B)
# Hidden size/number of "channels" (C)
T, B, C = 50, 50, 1024

# A module that defines a single "bidirectional LSTM". This is simply two
# LSTMs applied to the same sequence, but one in reverse
class BidirectionalRecurrentLSTM(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.cell_f = torch.nn.LSTM(input_size=C, hidden_size=C)
        self.cell_b = torch.nn.LSTM(input_size=C, hidden_size=C)

    def forward(self, x : torch.Tensor) -> torch.Tensor:
        # Forward layer
        output_f, _ = self.cell_f(x)

        # Backward layer. Flip input in the time dimension (dim 0), apply the
        # layer, then flip the outputs in the time dimension
        x_rev = torch.flip(x, dims=[0])
        output_b, _ = self.cell_b(torch.flip(x, dims=[0]))
        output_b_rev = torch.flip(output_b, dims=[0])

        return torch.cat((output_f, output_b_rev), dim=2)


# An "ensemble" of `BidirectionalRecurrentLSTM` modules. The modules in the
# ensemble are run one-by-one on the same input then their results are
# stacked and summed together, returning the combined result.
class LSTMEnsemble(torch.nn.Module):
    def __init__(self, n_models):
        super().__init__()
        self.n_models = n_models
        self.models = torch.nn.ModuleList([
            BidirectionalRecurrentLSTM() for _ in range(self.n_models)])

    def forward(self, x : torch.Tensor) -> torch.Tensor:
        results = []
        for model in self.models:
            results.append(model(x))
        return torch.stack(results).sum(dim=0)

# For a head-to-head comparison to what we're going to do with fork/wait, let's
# instantiate the model and compile it with TorchScript
ens = torch.jit.script(LSTMEnsemble(n_models=4))

# Normally you would pull this input out of an embedding table, but for the
# purpose of this demo let's just use random data.
x = torch.rand(T, B, C)

# Let's run the model once to warm up things like the memory allocator
ens(x)

x = torch.rand(T, B, C)

# Let's see how fast it runs!
s = time.time()
ens(x)
print('Inference took', time.time() - s, ' seconds')

在我的机器上，这个网络运行在2.05秒内。我们可以做得更好！

并行化前向和后向层

我们可以做的一个非常简单的事情是在BidirectionalRecurrentLSTM中并行化前向和后向层。为此，计算的结构是静态的，所以我们实际上甚至不需要任何循环。让我们像这样重写BidirectionalRecurrentLSTM的forward方法：

def forward(self, x : torch.Tensor) -> torch.Tensor:
    # Forward layer - fork() so this can run in parallel to the backward
    # layer
    future_f = torch.jit.fork(self.cell_f, x)

    # Backward layer. Flip input in the time dimension (dim 0), apply the
    # layer, then flip the outputs in the time dimension
    x_rev = torch.flip(x, dims=[0])
    output_b, _ = self.cell_b(torch.flip(x, dims=[0]))
    output_b_rev = torch.flip(output_b, dims=[0])

    # Retrieve the output from the forward layer. Note this needs to happen
    # *after* the stuff we want to parallelize with
    output_f, _ = torch.jit.wait(future_f)

    return torch.cat((output_f, output_b_rev), dim=2)

在这个例子中，forward() 将 cell_f 的执行委托给另一个线程，同时它继续执行 cell_b。这导致两个单元的执行相互重叠。

再次运行这个经过简单修改的脚本，运行时间缩短到了1.71秒，性能提升了17%！

旁注：可视化并行性

我们还没有完成模型的优化，但值得介绍我们用于可视化性能的工具。其中一个重要工具是PyTorch profiler。

让我们使用分析器以及Chrome的跟踪导出功能来可视化我们并行化模型的性能：

with torch.autograd.profiler.profile() as prof:
    ens(x)
prof.export_chrome_trace('parallel.json')

这段代码将写出一个名为 parallel.json 的文件。如果你在 Google Chrome 中导航到 chrome://tracing，点击 Load 按钮，并加载该 JSON 文件，你应该会看到类似以下的时间线：

https://i.imgur.com/rm5hdG9.png

时间轴的横轴表示时间，纵轴表示执行线程。正如我们所看到的，我们一次运行两个lstm实例。这是我们并行化双向层辛勤工作的结果！

并行化集成中的模型

你可能已经注意到，在我们的代码中还有进一步的并行化机会：我们还可以并行运行LSTMEnsemble中包含的模型。实现这一点的方法非常简单，这就是我们应该如何更改LSTMEnsemble的forward方法：

def forward(self, x : torch.Tensor) -> torch.Tensor:
    # Launch tasks for each model
    futures : List[torch.jit.Future[torch.Tensor]] = []
    for model in self.models:
        futures.append(torch.jit.fork(model, x))

    # Collect the results from the launched tasks
    results : List[torch.Tensor] = []
    for future in futures:
        results.append(torch.jit.wait(future))

    return torch.stack(results).sum(dim=0)

或者，如果你重视简洁性，我们可以使用列表推导式：

def forward(self, x : torch.Tensor) -> torch.Tensor:
    futures = [torch.jit.fork(model, x) for model in self.models]
    results = [torch.jit.wait(fut) for fut in futures]
    return torch.stack(results).sum(dim=0)

如介绍中所述，我们使用了循环来为集成中的每个模型分派任务。然后，我们使用了另一个循环来等待所有任务完成。这提供了更多的计算重叠。

通过这个小更新，脚本在1.4秒内运行，总共加速了32%！对于两行代码来说，这相当不错。

我们还可以再次使用Chrome跟踪器来查看发生了什么：

https://i.imgur.com/kA0gyQm.png

我们现在可以看到所有的LSTM实例都在完全并行地运行。

结论

在本教程中，我们学习了fork()和wait()，这些是在TorchScript中进行动态、互操作并行的基本API。我们看到了使用这些函数来并行化TorchScript代码中函数、方法或Modules执行的几种典型使用模式。最后，我们通过一个使用此技术优化模型的示例进行了实践，并探索了PyTorch中可用的性能测量和可视化工具。

为了分析流量并优化您的体验，我们在本网站上使用cookies。通过点击或浏览，您同意我们使用cookies。作为本网站的当前维护者，Facebook的Cookies政策适用。了解更多信息，包括可用的控制选项：Cookies Policy。