NVIDIA英偉達的Multi-GPU多卡通信框架NCCL

筆者注：NCCL 開源項目地址：https://github.com/NVIDIA/nccl

轉(zhuǎn)自：https://www.zhihu.com/question/63219175/answer/206697974

NCCL是Nvidia Collective multi-GPU Communication Library的簡稱，它是一個實現(xiàn)多GPU的collective communication通信（all-gather, reduce, broadcast）庫，Nvidia做了很多優(yōu)化，以在PCIe、Nvlink、InfiniBand上實現(xiàn)較高的通信速度。

下面分別從以下幾個方面來介紹NCCL的特點，包括基本的communication primitive、ring-base collectives、NCCL在單機多卡上以及多機多卡實現(xiàn)、最后分享實際使用NCCL的一些經(jīng)驗。

communication primitive

并行任務(wù)的通信一般可以分為Point-to-point communication和Collective communication。P2P通信這種模式只有一個sender和一個receiver，實現(xiàn)起來比較簡單。第二種Collective communication包含多個sender多個receiver，一般的通信原語包括broadcast， gather, all-gather, scatter, reduce, all-reduce, reduce-scatter, all-to-all等。簡單介紹幾個常用的操作：

Reduce：從多個sender那里接收數(shù)據(jù)，最終combine到一個節(jié)點上。

All-reduce：從多個sender那里接收數(shù)據(jù)，最終combine到每一個節(jié)點上。

而傳統(tǒng)Collective communication假設(shè)通信節(jié)點組成的topology是一顆fat tree，如下圖所示，這樣通信效率最高。但實際的通信topology可能比較復(fù)雜，并不是一個fat tree。因此一般用ring-based Collective communication。

ring-base collectives

ring-base collectives將所有的通信節(jié)點通過首尾連接形成一個單向環(huán)，數(shù)據(jù)在環(huán)上依次傳輸。以broadcast為例， 假設(shè)有4個GPU，GPU0為sender將信息發(fā)送給剩下的GPU，按照環(huán)的方式依次傳輸，GPU0–>GPU1–>GPU2–>GPU3，若數(shù)據(jù)量為N，帶寬為B，整個傳輸時間為（K-1）N/B。時間隨著節(jié)點數(shù)線性增長，不是很高效。

下面把要傳輸?shù)臄?shù)據(jù)分成S份，每次只傳N/S的數(shù)據(jù)量，傳輸過程如下所示：

GPU1接收到GPU0的一份數(shù)據(jù)后，也接著傳到環(huán)的下個節(jié)點，這樣以此類推，最后花的時間為 S*(N/S/B) + (k-2)*(N/S/B) = N(S+K-2)/(SB) --> N/B，條件是S遠大于K，即數(shù)據(jù)的份數(shù)大于節(jié)點數(shù)，這個很容易滿足。所以通信時間不隨節(jié)點數(shù)的增加而增加，只和數(shù)據(jù)總量以及帶寬有關(guān)。其它通信操作比如reduce、gather以此類推。

那么在以GPU為通信節(jié)點的場景下，怎么構(gòu)建通信環(huán)呢？如下圖所示：

單機4卡通過同一個PCIe switch掛載在一棵CPU的場景：

單機8卡通過兩個CPU下不同的PCIe switch掛載的場景：

NCCL實現(xiàn)

NCCL實現(xiàn)成CUDA C++ kernels，包含3種primitive operations： Copy，Reduce，ReduceAndCopy。目前NCCL 1.0版本只支持單機多卡，卡之間通過PCIe、NVlink、GPU Direct P2P來通信。NCCL 2.0會支持多機多卡，多機間通過Sockets (Ethernet)或者InfiniBand with GPU Direct RDMA通信。

下圖所示，單機內(nèi)多卡通過PCIe以及CPU socket通信，多機通過InfiniBand通信。

同樣，在多機多卡內(nèi)部，也要構(gòu)成一個通信環(huán)

下面是單機 4卡（Maxwel GPU）上各個操作隨著通信量增加的帶寬速度變化，可以看到帶寬上限能達到10GB/s，接近PCIe的帶寬。

下圖是Allreduce在單機不同架構(gòu)下的速度比較：

先不看DGX-1架構(gòu)，這是Nvidia推出的深度學(xué)習(xí)平臺，帶寬能達到60GB/s。前面三個是單機多卡典型的三種連接方式，第三種是四張卡都在一個PCIe switch上，所以帶寬較高，能達到>10GB/s PCIe的帶寬大小，第二種是兩個GPU通過switch相連后再經(jīng)過CPU連接，速度會稍微低一點，第一種是兩個GPU通過CPU然后通過QPI和另一個CPU上的兩塊卡相連，因此速度最慢，但也能達到>5GB/s。

下圖是Allreduce多機下的速度表現(xiàn)，左圖兩機8卡，機內(nèi)PCIe，機間InfiniBand能達到>10GB/s的速度，InfiniBand基本上能達到機內(nèi)的通信速度。

下圖是NCCL在CNTK ResNet50上的scalability，32卡基本能達到線性加速比。

我們的實測實驗

首先，在一臺K40 GPU的機器上測試了GPU的連接拓撲（筆者注：可在命令行通過nvidia-smi topo --matrix查看），如下：

可以看到前四卡和后四卡分別通過不同的CPU組連接，GPU0和GPU1直接通過PCIe switch相連，然后經(jīng)過CPU與GPU2和GPU3相連。

下面是測試PCIe的帶寬，可以看到GPU0和GU1通信能達到10.59GB/s，GPU0同GPU2~3通信由于要經(jīng)過CPU，速度稍慢，和GPU4~7的通信需要經(jīng)過QPI，所以又慢了一點，但也能達到9.15GB/s。

而通過NVlink連接的GPU通信速度能達到35GB/s：

NCCL在不同的深度學(xué)習(xí)框架（CNTK/Tensorflow/Torch/Theano/Caffe）中，由于不同的模型大小，計算的batch size大小，會有不同的表現(xiàn)。比如上圖中CNTK中Resnet50能達到32卡線性加速比，Facebook之前能一小時訓(xùn)練出ImageNet，而在NMT任務(wù)中，可能不會有這么大的加速比。因為影響并行計算效率的因素主要有并行任務(wù)數(shù)、每個任務(wù)的計算量以及通信時間。我們不僅要看絕對的通信量，也要看通信和計算能不能同時進行以及計算/通信比，如果通信占計算的比重越小，那么并行計算的任務(wù)會越高效。NMT模型一般較大，多大幾十M上百M，不像現(xiàn)在image的模型能做到幾M大小，通信所占比重會較高。

下面是NMT模型單機多卡加速的一個簡單對比圖：

以上就是對NCCL的一些理解，很多資料也是來自于NCCL的官方文檔，歡迎交流討論。

總結(jié)

以上是生活随笔為你收集整理的NVIDIA英伟达的Multi-GPU多卡通信框架NCCL的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。