fluid.transpiler

fluid.transpiler

DistributeTranspiler

class paddle.fluid.transpiler.DistributeTranspiler(config=None)
该类可以把fluid program转变为分布式数据并行计算程序（distributed data-parallelism programs）,可以有Pserver和NCCL2两种模式。当program在Pserver（全称：parameter server）模式下， main_program (主程序)转为使用一架远程parameter server(即pserver,参数服务器)来进行参数优化，并且优化图会被输入到一个pserver program中。在NCCL2模式下，transpiler会在 startup_program 中附加一个 NCCL_ID 广播算子（broadcasting operators）来实现在该集群中所有工作结点共享NCCL_ID 。调用 transpile_nccl2 后，你必须将 trainer_id , num_trainers 参数提供给 ParallelExecutor 来启动NCCL2分布式模式。

代码示例

x = fluid.layers.data(name='x', shape=[13], dtype='float32')
y = fluid.layers.data(name='y', shape=[1], dtype='float32')
y_predict = fluid.layers.fc(input=x, size=1, act=None)
 
cost = fluid.layers.square_error_cost(input=y_predict, label=y)
avg_loss = fluid.layers.mean(cost)
 
sgd_optimizer = fluid.optimizer.SGD(learning_rate=0.001)
sgd_optimizer.minimize(avg_loss)
 
# pserver 模式下
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
trainer_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
current_endpoint = "192.168.0.1:6174"
trainer_id = 0
trainers = 4
role = "PSERVER"
t = fluid.DistributeTranspiler()
t.transpile(
     trainer_id, pservers=pserver_endpoints, trainers=trainers)
if role == "PSERVER":
     pserver_program = t.get_pserver_program(current_endpoint)
     pserver_startup_program = t.get_startup_program(current_endpoint,
                                                    pserver_program)
elif role == "TRAINER":
     trainer_program = t.get_trainer_program()
 
# nccl2 模式下
trainer_num = 2
trainer_id = 0
config = fluid.DistributeTranspilerConfig()
config.mode = "nccl2"
trainer_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
t = fluid.DistributeTranspiler(config=config)
t.transpile(trainer_id=trainer_id, trainers=trainer_endpoints, current_endpoint="192.168.0.1:6174")
exe = fluid.ParallelExecutor(
    use_cuda=True,
    loss_name=avg_loss.name,
    num_trainers=trainer_num,
    trainer_id=trainer_id
)

transpile(trainer_id, program=None, pservers='127.0.0.1:6174', trainers=1, sync_mode=True, startup_program=None, current_endpoint='127.0.0.1:6174')
该方法可以运行该transpiler（转译器）。转译输入程序。
参数:
- trainer_id (int) – 当前Trainer worker的id, 如果有n个Trainer worker, id 取值范围为0 ~ n-1
- program (Program|None) – 待transpile（转译）的program, 缺省为 fluid.default_main_program()
- startup_program (Program|None) - 要转译的 startup_program ,默认为 fluid.default_startup_program()
- pservers (str) – 内容为Pserver列表的字符串，格式为：按逗号区分不同的Pserver，每个Pserver的格式为 ip地址:端口号
- trainers (int|str) – 在Pserver模式下，该参数指Trainer机的个数；在nccl2模式下，它是一个内容为Trainer终端列表的字符串
- sync_mode (bool) – 是否做同步训练(synchronous training), 默认为True

startup_program (Program|None) – 待transpile（转译）的startup_program，默认为 fluid.default_main_program()

current_endpoint (str) – 当需要把program转译（transpile）至NCCL2模式下时，需要将当前endpoint（终端）传入该参数。Pserver模式不使用该参数代码示例

transpiler = fluid.DistributeTranspiler()
t.transpile(
    trainer_id=0,
    pservers="127.0.0.1:7000,127.0.0.1:7001",
    trainers=2,
    sync_mode=False,
    current_endpoint="127.0.0.1:7000")

gettrainer_program(_wait_port=True)
该方法可以得到Trainer侧的program。

返回: Trainer侧的program

返回类型: Program

代码示例

import paddle.fluid as fluid
# 这是一个示例，请根据你的情况更改endpoint
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
trainer_id = 0
trainers = 4
t = fluid.DistributeTranspiler()
t.transpile(trainer_id, trainers=trainers, pservers=pserver_endpoints)
trainer_program = t.get_trainer_program()

getpserver_program(_endpoint)
该方法可以得到Pserver（参数服务器）侧的程序
参数:
- endpoint (str) – 当前Pserver终端返回: 当前Pserver需要执行的program

返回类型: Program

代码示例

import paddle.fluid as fluid
# 这是一个示例，请根据你的情况更改endpoint
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
current_endpoint = "192.168.0.1:6174"
trainer_id = 0
trainers = 4
t = fluid.DistributeTranspiler()
t.transpile(
     trainer_id, pservers=pserver_endpoints, trainers=trainers)
pserver_program = t.get_pserver_program(current_endpoint)

getpserver_programs(_endpoint)
该方法可以得到Pserver侧用于分布式训练的 main_program 和 startup_program 。
参数:
- endpoint (str) – 当前Pserver终端返回: (main_program, startup_program), “Program”类型的元组

返回类型: tuple

代码示例

import paddle.fluid as fluid
# 这是一个示例，请根据你的情况更改endpoint
pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
current_endpoint = "192.168.0.1:6174"
trainer_id = 0
trainers = 4
t = fluid.DistributeTranspiler()
t.transpile(
     trainer_id, pservers=pserver_endpoints, trainers=trainers)
pserver_program, pserver_startup_program = t.get_pserver_programs(current_endpoint)

getstartup_program(_endpoint, pserver_program=None, startup_program=None)
该函数已停止使用获取当前Pserver的startup_program，如果有多个被分散到不同blocks的变量，则修改operator的输入变量。
参数:
- endpoint (str) – 当前Pserver终端
- pserver_program (Program) – 已停止使用。先调用get_pserver_program
- startup_program (Program) – 已停止使用。应在初始化时传入startup_program返回: Pserver侧的startup_program

返回类型: Program

代码示例

pserver_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
trainer_endpoints = "192.168.0.1:6174,192.168.0.2:6174"
current_endpoint = "192.168.0.1:6174"
trainer_id = 0
trainers = 4
 
t = fluid.DistributeTranspiler()
t.transpile(trainer_id, pservers=pserver_endpoints, trainers=trainers)
pserver_program = t.get_pserver_program(current_endpoint)
pserver_startup_program = t.get_startup_program(current_endpoint,
                                                pserver_program)

DistributeTranspilerConfig

Source English

class paddle.fluid.transpiler.DistributeTranspilerConfig
slicevar_up(_bool)
为Pserver将张量切片, 默认为True
splitmethod(_PSDispatcher)
可使用 RoundRobin 或者 HashName

注意: 尝试选择最佳方法来达到负载均衡。

minblock_size(_int)
最小数据块的大小

注意: 根据：https://github.com/PaddlePaddle/Paddle/issues/8638#issuecomment-369912156 , 当数据块大小超过2MB时，我们可以有效地使用带宽。如果你想更改它，请详细查看slice_variable函数。

代码示例

config = fluid.DistributeTranspilerConfig()
config.slice_var_up = True

HashName

Source English

class paddle.fluid.transpiler.HashName(pserver_endpoints)
使用 python Hash() 函数将变量名散列到多个pserver终端。
参数:
- pserver_endpoints (list) - endpoint （ip:port）的 list代码示例

pserver_endpoints = [“127.0.0.1:6007”, “127.0.0.1:6008”]
vars = [“var1”,”var2”,”var3”,”var4”,”var5”]
rr = RoundRobin(pserver_endpoints)
rr.dispatch(vars)

memory_optimize

Source English

paddle.fluid.transpiler.memoryoptimize(_input_program, skip_opt_set=None, print_log=False, level=0, skip_grads=False)
历史遗留内存优化策略，通过在不同operators之间重用可变内存来减少总内存消耗。用一个简单的例子来解释该算法：

c = a + b # 假设此处是最后一次使用ad = b * c

因为在“c = a + b”之后将不再使用a，并且a和d的大小相同，所有我们可以使用变量a来替换变量d，即实际上我们可以将上面的代码优化为如下所示：

c = a + ba = b * c

请注意，在这个历史遗留设计中，我们使用变量a直接替换d，这意味着在调用此API之后，某些变量可能会消失，而某些变量可能会保留非预期值，如在上面的例子中，实际上执行代码后a保持d的值。

因此，为了防止重要变量在优化中被重用/删除，我们提供skip_opt_set用于指定变量白名单。skip_opt_set中的变量不受memory_optimize API的影响。

注意：此API已弃用，请避免在新代码中使用它。不支持会创建子块的运算符，如While，IfElse等。

参数:
- input_program (str) – 输入Program。
- skip_opt_set (set) – set中的vars将不被内存优化。
- print_log (bool) – 是否打印debug日志。
- level (int) - 0或1，0代表我们仅在a.size == b.size时用b替换a，1代表我们可以在a.size <= b.size时用b替换a返回: None

代码示例

import paddle.fluid as fluid
main_prog = fluid.Program()
startup_prog = fluid.Program()
 
place = fluid.CPUPlace()
exe = fluid.Executor(place)
 
exe.run(startup_prog)
fluid.memory_optimize(main_prog)

release_memory

Source English

paddle.fluid.transpiler.releasememory(_input_program, skip_opt_set=None)
该函数可以调整输入program，插入 delete_op 删除算子，提前删除不需要的变量。改动是在变量本身上进行的。

提醒 : 该API还在试验阶段，会在后期版本中删除。不建议用户使用。

参数:
- input_program (Program) – 在此program中插入 delete_op
- skip_opt_set (set) – 在内存优化时跳过的变量的集合返回: None

代码示例

import paddle.fluid as fluid
# 构建网络
# ...
 
# 已弃用的API
fluid.release_memory(fluid.default_main_program())

RoundRobin

Source English

class paddle.fluid.transpiler.RoundRobin(pserver_endpoints)
使用 RondRobin 方法将变量分配给服务器端点。

RondRobin

参数:
- pserver_endpoints (list) - endpoint （ip:port）的 list代码示例

pserver_endpoints = [“127.0.0.1:6007”, “127.0.0.1:6008”]
vars = [“var1”,”var2”,”var3”,”var4”,”var5”]
rr = RoundRobin(pserver_endpoints)
rr.dispatch(vars)