其他分享
首页 > 其他分享> > OneFlow 概念清单

OneFlow 概念清单

作者:互联网

OneFlow 概念清单

本文将对 OneFlow 中涉及到的,常用的一些概念/名词做一个概括性的解释。主要内容针对算法工程师和框架开发者分为以下两部分:

在算法开发部分,将解释深度学习算法开发过程中常用的一些概念和名词,而在框架开发部分,则侧重于介绍 OneFlow 框架内部设计概念、重要数据结构。

算法开发

1. Placeholder

Placeholder 即数据占位符,此概念用于描述输入/输出的数据形状,而并不是实体的数据。

例如:

import oneflow.typing as tp

def test_job(

    images: tp.Numpy.Placeholder((32, 1, 28, 28), dtype=flow.float),

    labels: tp.Numpy.Placeholder((32,), dtype=flow.int32),

) -> Tuple[tp.Numpy, tp.Numpy]:

    # do something with images or labels

    return (images, labels)

描述了一个测试的 job 函数中,输入的图片 shape 是(32, 1, 28, 28),数据类型是 flow.float32;输入的 labels 标签的 shape 是(32,),类型是 flow.int32。

2. Tensor 和 Blob

在其它框架中常用 Tensor 这个概念,譬如 pytorch 中的 Tensor,其中包含了数据值和类型(data, dtype)、梯度 grad、存放的设备类型 device 等属性。利用 Tensor 可以用来构造和描述前向/反向过程中的计算图。

而在 OneFlow 中,底层也使用了 Tensor 的概念,不过 OneFlow 中的 Tensor 和 pytorch/tensorflow 中的有些不同,为了对分布式和并行提供充分的支持,OneFlow 中的 Tensor 更为复杂,类型和属性更多(譬如:逻辑/物理、设备、分布式相关的属性),而且一个逻辑上统一的 Tensor 可能在实际计算过程中,被拆分到了不同的设备上,所以,为了简化描述,OneFlow 中屏蔽了各种具体类型的 Tensor,其上层由一个统一的概念— Blob 作为定义。

Blob 在 OneFlow 中有对应的基类 BlobDef,搭建网络时可以打印 Blob 的属性,比如以下代码打印 conv1 的 shape 和 dtype :

print(conv1.shape, conv1.dtype)

Blob 可能只是占位符 Placeholder,也可能是具体的包含数值的单元。

3. Job Function(作业函数)

在 OneFlow 中,将训练、预测等具体任务统称为作业函数(job function),作业函数联系用户的业务逻辑与 OneFlow 管理的计算资源。

在 OneFlow 中,任何被定义为作业函数的方法体都需要用装饰器 @oneflow.global_function 修饰,通过此装饰器,不仅能定义作业的类型(如:type="train"),同时将为作业绑定一个 FunctionConfig 对象用于设置作业函数运行时所需的配置,使得 OneFlow 能方便地为管理内存、GPU 等计算资源。

4. Layer 和 Operator(op)

Layer

Layer 即运算层,layer 的概念和 tensorflow、pytorch 等主流深度学习框架类似,用来描述神经网络模型中的一个层级如:conv2d 卷积层、batch_normalization 层、dense 全连接层、layer_norm 正则化层等。层的存在简化了神经网络模型的搭建过程,譬如,可以用简单的几行代码搭建出 LeNet:

def lenet(data, train=False):

    initializer = flow.truncated_normal(0.1)

    conv1 = flow.layers.conv2d(

        data,

        32,

        5,

        padding="SAME",

        activation=flow.nn.relu,

        name="conv1",

        kernel_initializer=initializer,

    )

    pool1 = flow.nn.max_pool2d(

        conv1, ksize=2, strides=2, padding="SAME", name="pool1", data_format="NCHW"

    )

    conv2 = flow.layers.conv2d(

        pool1,

        64,

        5,

        padding="SAME",

        activation=flow.nn.relu,

        name="conv2",

        kernel_initializer=initializer,

    )

    pool2 = flow.nn.max_pool2d(

        conv2, ksize=2, strides=2, padding="SAME", name="pool2", data_format="NCHW"

    )

    reshape = flow.reshape(pool2, [pool2.shape[0], -1])

    hidden = flow.layers.dense(

        reshape,

        512,

        activation=flow.nn.relu,

        kernel_initializer=initializer,

        name="dense1",

    )

    if train:

        hidden = flow.nn.dropout(hidden, rate=0.5, name="dropout")

    return flow.layers.dense(hidden, 10, kernel_initializer=initializer, name="dense2")

layer 底层是由各种算子拼接而成,譬如:layers.conv2d 其实是由 conv2d 算子和 variable 算子组成。

Op

Operator 即算子(简称为op),是 OneFlow 中的基本运算单元 。上面例子中 layer 之间的计算全部由各种算子叠加完成。譬如 flow.nn.max_pool2d 就是一种算子,flow.reshape 是另一种算子。

5. Consistent/Mirrored View

OneFlow 中采取了两种视角: Mirrored View 和 Consistent View 来描述分布式情况下数据和模型的分布,不同的 view 对应了不同的并行策略。

Mirrored View 来源于 MPI 分布式计算中的镜像策略,用于描述数据并行时,模型镜像到多卡的行为;

Consistent View 则表示将分布式环境下的多机多卡视为一个整体,采取此策略时,OneFlow 会为用户屏蔽掉具体的执行方式,内部将以最优化的策略选择并行方式(可能是数据并行/模型并行或混合并行)

简单来说:

当设置 mirrored view 时(flow.scope.mirrored_view)表示只能使用数据并行的方式。譬如在 job function 中设置了4台单卡节点,则模型会被完整的复制/镜像到4台节点的GPU卡上,数据则会切分为4份分别喂给4台节点上的GPU卡。

当设置 consistent view 时(flow.scope.consistent_view),则表示没有限制,OneFlow 可以自由选择模型并行、数据并行或者两者共存的混合并行。

框架开发

1. Boxing

负责在运行时根据并行属性转换张量的模块,称之为 Boxing

例如:当上下游的 op 具有不同的并行特性(如并行数不同),OneFlow 将利用 Boxing 自动处理各种数据转换和传输过程。

2. SBP

本质上,神经网络前向后向过程中的大多数操作,都可以归纳为矩阵计算,在矩阵计算中常有根据 axis 切分、广播等操作。同样 OneFlow 中也有类似的操作,称为SBP,当然,OneFlow 中的 SBP 不仅仅是简单的矩阵运算,其还对应了数据在不同物理 GPU 上的划分、广播等实际操作。

SBP 即 Split、Broadcast、Partial sum 的缩写。其中 Split 表示切分;Broadcast 表示广播;Partial sum 表示部分求和。

Split

在并行 op 计算时,张量被 split 切分为多个子张量。不同的 op 算符允许张量在不同的 axis 轴上进行拆分。Boxing 机制将自动处理一个张量在多种 op 操作下在不同轴上切分的情况。

Broadcast

并行 op 计算时,一个设备上的张量被广播至多个设备,使每台设备上有相同的张量。

Partial Sum

如果一个 op 具有分配(distributive)属性,则张量会根据属性进行部分维度的加和操作。

3. TensorBuffer 和 TensorList

基于静态图机制,OneFlow 可以在编译时提前推理出各个算子的张量形状,并分配好内存,做到程序运行时内存零拷贝。但在某些特殊场景下,OneFlow 需要处理变长的数据,比如 DataLoader 加载的图片形状在编译时无法获知。为了处理这种变长数据,OneFlow 内部设计了两种数据结构,分别是 TensorBuffer 和 TensorList 。

TensorBuffer

TensorBuffer 是一个较为灵活的数据结构,使用的时候,需要指定实例的维度。OneFlow 会为每个实例生成对应的 TensorBuffer 对象,TensorBuffer 对象间接引用内存数据,TensorBuffer 所引用的内存区域是动态的、不连续的

 

TensorList

与 TensorBuffer 类似,TensorList 也是一种存放变长数据的数据结构,最主要的区别在与 TensorList 的数据部分在内存中是连续的

 

 

 

 

标签:OneFlow,Tensor,并行,flow,张量,initializer,概念,清单
来源: https://www.cnblogs.com/wujianming-110117/p/14403191.html