个人网站做影视,网站优化有什么用,龙岩兼职网招聘,机器设备行业网站模板# 背景知识
大模型和分布式训练对数据的吞吐量以及并行度都有很高的要求#xff0c;NCCL就是在这个背景下诞生的。
如果你是一个只会写写Python#xff0c;调用PyTorch和Horovod的算法萌新#xff0c;可能对于分布式底层的东西不太了解#xff0c;在下岗热潮中被主管逼着…# 背景知识
大模型和分布式训练对数据的吞吐量以及并行度都有很高的要求NCCL就是在这个背景下诞生的。
如果你是一个只会写写Python调用PyTorch和Horovod的算法萌新可能对于分布式底层的东西不太了解在下岗热潮中被主管逼着转变成算子或者通讯库的搬砖工就会像我一样两眼蒙蔽。因此本文只对自己踩到的坑做一个整理如果有说错的地方那就是我说错了。
1. 从PyTorch开始理解结构
以PyTorch为例其中spmd接口下的相关定义是用于处理分布式的。但主要是处理单机多CPU情况因此我们今天只考虑多机多节点情况。 SPMDSingle Program/Multiple Data即单程序多份数据进行任务并行。SPMD的本质是对问题进行域分解它将一个大的问题区域分解成若干个较小的问题区域然后对其并行求解。 其中用于实现多节点分布式的组件有以下三个
Distributed Data-Parallel Training (DDP)RPC-Based Distributed Training (RPC)Collective Communication (c10d) 从上图可知1.6版本左右的PyTorch调用结构如下最后在ProcessGroup.hpp可以找到对NCCL、Gloo和MPI的调用。
而这些蓝色的部分就是基本的分布式通讯库他们负责实现通讯和一部分计算功能。
2. 通讯方式
已知显卡与主板通过PCIE相连任何数据都要从PCIE和CPU穿过这么做的效率肯定是很低的。
因此在GPUDirect技术出现以后我们可以把GPU通信分为GPU控制的GPU通信和CPU控制的GPU通信两种。感兴趣相关的细节可以通过此文查看【研究综述】浅谈GPU通信和PCIe P2P DMA
我们知道通信技术有很多例如DMAP2P。DMA和P2P都是一种能力而非具体的协议。
2.1 DMA P2P DMA(Direct Memory Access直接内存访问)允许在计算机主板上的设备直接把数据发送到内存中去数据搬运不需要CPU的参与。 传统内存访问需要通过CPU进行数据copy来移动数据通过CPU将内存中的Buffer1移动到Buffer2中。DMA模式可以同DMA Engine之间通过硬件将数据从Buffer1移动到Buffer2,而不需要操作系统CPU的参与大大降低了CPU Copy的开销。 通常我们也将主机称为节点。 第二代GPUDirect技术被称作GPUDirect P2PPeer to Peer重点解决的是节点内GPU通信问题。两个GPU可以通过PCIe P2P直接进行数据搬移避免了主机内存和CPU的参与。 那么一台机器中的数据搬运是DMA多台主机的DMA如何实现呢这就出现了RDMA这一协议。
2.2 RDMA
RDMA Remote Direct Memory Access 意为远程直接地址访问通过RDMA本端节点可以“直接”访问远端节点的内存。所谓直接指的是可以像访问本地内存一样绕过传统以太网复杂的TCP/IP网络协议栈读写远端内存而这个过程对端是不感知的而且这个读写过程的大部分工作是由硬件而不是软件完成的。
利用机器本身的DMA能力以及网卡等其他硬件实现的远程DMA。这就和RPC远程过程调用有类似之处。 RDMA是一种host-offload, host-bypass技术允许应用程序(包括存储)在它们的内存空间之间直接做数据传输。具有RDMA引擎的以太网卡(RNIC)--而不是host--负责管理源和目标之间的可靠连接。
为了支持RDMA实现有以下三种网络协议
InfiniBand(IB)从一开始就支持RDMA的新一代网络协议。由于这是一种新的网络技术因此需要支持该技术的网卡和交换机。RDMA过融合以太网(RoCE)即RDMA over Ethernet, 允许通过以太网执行RDMA的网络协议。这允许在标准以太网基础架构(交换机)上使用RDMA只不过网卡必须是支持RoCE的特殊的NIC。互联网广域RDMA协议(iWARP)即RDMA over TCP, 允许通过TCP执行RDMA的网络协议。这允许在标准以太网基础架构(交换机)上使用RDMA只不过网卡要求是支持iWARP(如果使用CPU offload的话)的NIC。否则所有iWARP栈都可以在软件中实现但是失去了大部分的RDMA性能优势。
IB是最简单的方式其次是RoCE当然本文不做赘述有大篇讲的好的博客甚至直接看论文和文档也是可以的。NCCL已经支持这些协议。
2.3 MPI
MPI有多种实现方式例如OpenMPIMPICH。
MPI 全名叫 Message Passing Interface即信息传递接口作用是可以通过 MPI 可以在不同进程间传递消息从而可以并行地处理任务即进行并行计算。NCCL中利用MPI来处理多机通讯的部分。
直接下载
#apt安装mpi
sudo apt-get update
sudo apt install openmpi-bin openmpi-doc libopenmpi-dev
#验证是否安装成功
mpirun --version
自己编译可参考前文分布式学习 - MPICH编译与实践_mpich 编译指定 mpich cc_canmoumou的博客-CSDN博客
3. NCCL
NCCL在单机多卡环境下的编译与运行参考我的前文【分布式】NCCL部署与测试 - 01_canmoumou的博客-CSDN博客 NCCL本身具备了基本的通信协议支持、环路算法、原语操作等等。
由于数据运输和计算都是在GPU上完成需要launch kernel因此阅读源码前要具备基本的CUDA知识。
3.1 NCCL 多机多卡实践 环境配置
1. 两台多卡服务器需要配置好无密钥登陆ssh以及NFS共享目录。NFS挂载方式如果我有空另外再写。
2. 检查IB设备及性能确定有一块或多块IB网卡安装nv_peer_mem驱动
3. 配置BIOS配置IOMMU等
如何检查
# check system physical memory size
sudo dmidecode -t memory | grep Size: | grep -v No Module Installed | awk {sum$2}END{print sum}sudo cat /var/log/dmesg | grep -e AMD-Vi: Interrupt remapping enabled -e IOMMU enabled
若发现IOMMU被disabled请到BIOS界面更改
选择enable Intel VT for Directed I/O (VT-d)选项
或者enable IOMMU选项
4. 打开CPU高性能模式并配置网络
查看IB网络是否正常 ibstat CA mlx5_0 CA type: MT4123 Number of ports: 1 Firmware version: 20.31.1014 Hardware version: 0 Node GUID: 0xb83fd203005682a2 System image GUID: 0xb83fd203005682a2 Port 1: State: Active Physical state: LinkUp Rate: 200 Base lid: 12 LMC: 0 SM lid: 5 Capability mask: 0x2651e848 Port GUID: 0xb83fd203005682a2 Link layer: InfiniBand
5. 下载其他依赖下载NCCL源码并保证单机单卡可以运行下载mpich。 编译运行
我们通过NCCL-TEST运行程序其中NCCL原仓库代码不需要重新编译只有NCCL-TEST需要重新编译必须增添MPI_HOME并设置MPI1
# 单机编译nccl-test
make CUDA_HOME/path/to/cuda NCCL_HOME/path/to/nccl# 多机编译
make CUDA_HOME/path/to/cuda NCCL_HOME/path/to/nccl MPI_HOME/path/to/mpi MPI1 将编译好的build文件放到NFS目录下这样两台机器都可以在共享目录看到此文件。
再在共享目录外设置算法拓扑(topo.txt)和图结构(graph.txt)并添加mpi_hosts文件。mpi_hosts文件内放两张机器的ip地址
# MPI CLUSTERS
X.X.X.X manager slots1
X.X.X.X worker1 slots1
运行 mpirun -hostfile mpi_hosts \ -np 2 \ --allow-run-as-root \ -x LD_LIBRARY_PATHCUDA_LIB:NCCL_HOME/lib \ -x NCCL_IB_HCAIB net name:1 \ -x NCCL_DEBUGTRACE \ -x NCCL_PROTOS2 \ -x NCCL_TOPO_DUMP_FILE./topo.txt \ -x NCCL_GRAPH_DUMP_FILE./graph.txt \ nfs_share_path/mccl-tests/all_reduce_perf -b 1M -e 128M -f 2 -g 1 -t 1
请注意-np的值为mpi_hosts内各个slots之和。
使用mpich运行的时候以单机的方式运行也就是单机四卡是-g 4多机四卡的参数也是-g 4. # 总结
