type
status
date
slug
summary
tags
category
icon
password
Property
深度学习框架会在后端自动构建计算图。利用计算图，系统可以了解所有依赖关系，并且可以选择性地并行执行多个不相互依赖的任务以提高速度。
通常情况下单个操作符将使用所有CPU或单个GPU上的所有计算资源。例如，即使在一台机器上有多个CPU处理器，
dot 操作符也将使用所有CPU上的所有核心（和线程）。这样的行为同样适用于单个GPU。因此，并行化对于单设备计算机来说并不是很有用，而并行化对于多个设备就很重要了。虽然并行化通常应用在多个GPU之间，但增加本地CPU以后还将提高少许性能。例如，Hadjis.Zhang.Mitliagkas.ea.2016则把结合GPU和CPU的训练应用到计算机视觉模型中。借助自动并行化框架的便利性，可以依靠几行Python代码实现相同的目标。更广泛地考虑，这里对自动并行计算的讨论主要集中在使用CPU和GPU的并行计算上，以及计算和通信的并行化内容。基于GPU的并行计算
从定义一个具有参考性的用于测试的工作负载开始：下面的
run函数将执行次“矩阵－矩阵”乘法时需要使用的数据分配到两个变量（x_gpu1和x_gpu2）中，这两个变量分别位于不同设备上。通过在测量之前预热设备（对设备执行一次传递）来确保缓存的作用不影响最终的结果。
torch.cuda.synchronize()函数将会等待一个CUDA设备上的所有流中的所有核心的计算完成。函数接受一个device参数，代表是哪个设备需要同步。如果device参数是None（默认值），它将使用current_device()找出的当前设备。如果删除两个任务之间的
synchronize语句，系统就可以在两个设备上自动实现并行计算。在上述情况下，总执行时间小于两个部分执行时间的总和，因为深度学习框架自动调度两个GPU设备上的计算，而不需要用户编写复杂的代码。
并行计算与通信
在许多情况下需要在不同的设备之间移动数据，比如在CPU和GPU之间，或者在不同的GPU之间。例如，当打算执行分布式优化时，就需要移动数据来聚合多个加速卡上的梯度。通过在GPU上计算，然后将结果复制回CPU来模拟这个过程。
这种方式效率不高。注意到当列表中的其余部分还在计算时，可能就已经开始将
y的部分复制到CPU了。例如，当计算一个小批量的（反传）梯度时。某些参数的梯度将比其他参数的梯度更早可用。因此，在GPU仍在运行时就开始使用PCI-Express总线带宽来移动数据是有利的。在PyTorch中，to()和copy_()等函数都允许显式的non_blocking参数，这允许在不需要同步时调用方可以绕过同步。设置non_blocking=True模拟这个场景两个操作所需的总时间少于它们各部分操作所需时间的总和。请注意，与并行计算的区别是通信操作使用的资源：CPU和GPU之间的总线。事实上，可以在两个设备上同时进行计算和通信。如上所述，计算和通信之间存在的依赖关系是必须先计算
y[i]，然后才能将其复制到CPU。幸运的是，系统可以在计算y[i]的同时复制y[i-1]，以减少总的运行时间。给出了一个简单的两层多层感知机在CPU和两个GPU上训练时的计算图及其依赖关系的例子，如图所示。手动调度由此产生的并行程序将是相当痛苦的。这就是基于图的计算后端进行优化的优势所在。
