JittorMirror/doc/source/jittor.mpi.md

jittor.mpi

这里是Jittor的MPI模块的API文档，您可以通过from jittor import mpi来获取该模块。

如何从单卡代码适配多卡代码

使用mpirun时，以下几种模块会自动检测mpi环境并且自动切换成多卡版本：

• jittor.optimizer: 自动同步梯度
• jittor.nn.BatchNorm*： 同步batch norm
• jittor.dataset： 自动数据并行

大部分情况下，单卡训练的代码可以直接使用mpirun实现分布式多卡运行。 但仍然如下几种情况下，需要对代码进行调整：

1. 对硬盘进行写操作（保存模型，保存曲线）
2. 需要统计全局信息（validation 上的全局准确率）

对硬盘进行写操作

对于第一点，假设原来您的代码如下：

for i, (images, labels) in enumerate(dataset):
    output = model(images)
    loss = nn.cross_entropy_loss(output, labels)
    acc1 = accuracy(output, labels)
    SGD.step(loss)
    loss_data = loss.data
    writer.add_scalar("Train/loss")

更改后的代码如下：

for i, (images, labels) in enumerate(dataset):
    output = model(images)
    loss = nn.cross_entropy_loss(output, labels)
    acc1 = accuracy(output, labels)
    SGD.step(loss)
    loss_data = loss.data
    if jt.rank == 0:
        writer.add_scalar("Train/loss")

这里我们使用了 jt.rank 来限制，只允许第一个进程可以写 loss，这个代码在单卡下也是有效的，因为单卡的 jt.rank 值为 0， 需要注意的是，在 if jt.rank == 0 代码块里面的代码，不允许调用任何jittor的api，因为这很有可能导致多卡之间的api调用不一致而产生死锁!

需要统计全局信息

统计全局信息有两种方法，第一种是使用提供的 mpi op 来实现全局信息统计, 如下所示， 是一个validation的代码：

def val(epoch):
    global min_error
    model.eval()
    correct_nums = 0
    for i, (images, labels) in enumerate(valdataset):
        output = model(images)
        correct_nums += top1error(output, labels)
        correct_nums.sync()
    top1_error = (valdataset.total_len - correct_nums.data[0]) / valdataset.total_len
    if top1_error < min_error:
        print("[*] Best model is updated ...")
        model.save('model_best.pkl')

更改方案如下：

def val(epoch):
    global min_error
    model.eval()
    correct_nums = 0
    for i, (images, labels) in enumerate(valdataset):
        output = model(images)
        correct_nums += top1error(output, labels)
        correct_nums.sync()
    if jt.in_mpi:
        correct_nums = correct_nums.mpi_all_reduce()
    top1_error = (valdataset.total_len - correct_nums.data[0]) / valdataset.total_len
    if jt.rank == 0 and top1_error < min_error:
        print("[*] Best model is updated ...")
        model.save('model_best.pkl')

可以留意到我们首先使用了 mpi_all_reduce， 来统计多卡的正确数量(mpi_all_reduce会将多个mpi进程的结果累加起来)， 然后在 jt.rank == 0 的情况下才更新模型。

第二种方法是使用@jt.single_process_scope()，被装饰的代码会直接以单进程的方式执行，无需处理多卡。

@jt.single_process_scope()
def val(epoch):
    ......

下面是 jittor 的 mpi api reference.

• jt.world_rank: 获取当前进程总数量，如果没有用mpi，则为1。
• jt.rank: 获取当前进程的编号，区间为0 ～ jt.world_rank-1， 如果没有用mpi，则为0。

.. automodule:: jittor_mpi_core
   :members:
   :undoc-members:
.. automodule:: jittor_mpi_core.ops
   :members:
   :undoc-members: