alltoall_single

paddle.distributed.stream. alltoall_single ( out_tensor, in_tensor, out_split_sizes=None, in_split_sizes=None, group=None, sync_op=True, use_calc_stream=False )

将一个 tensor 分发到每个进程,随后在每个进程上聚合分发结果。与 alltoall 相比,可以更精细地控制分发过程。

参见 paddle.distributed.alltoall_single

注解

该 API 只支持动态图模式。

参数

  • out_tensor (Tensor): 用于保存操作结果的 tensor,数据类型必须与输入的 tensor 保持一致。

  • in_tensor (Tensor): 输入的 tensor。支持的数据类型包括:float16、float32、float64、int32、int64、int8、uint8、bool、bfloat16。

  • out_split_sizes (List[int],可选): 对 out_tensor 的 dim[0] 进行切分的大小。默认为 None,即 out_tensor 将均匀地聚合各个进程的数据(需要确保 out_tensor 的大小能够被组中的进程数整除)。

  • in_split_sizes (List[int],可选): 对 in_tensor 的 dim[0] 进行切分的大小。默认为 None,即将 in_tensor 均匀地分发到各个进程中(需要确保 in_tensor 的大小能够被组中的进程数整除)。

  • group (Group,可选) - 执行该操作的进程组实例(通过 new_group 创建)。默认为 None,即使用全局默认进程组。

  • sync_op (bool,可选) - 该操作是否为同步操作。默认为 True,即同步操作。

  • use_calc_stream (bool,可选) - 该操作是否在计算流上进行。默认为 False,即不在计算流上进行。该参数旨在提高同步操作的性能,请确保在充分了解其含义的情况下调整该参数的值。

返回

Task。通过 Task,可以查看异步操作的执行状态以及等待异步操作的结果。

代码示例

# required: distributed
import paddle
import paddle.distributed as dist

dist.init_parallel_env()
local_rank = dist.get_rank()

# case 1
output = paddle.empty([2], dtype="int64")
if local_rank == 0:
    data = paddle.to_tensor([0, 1])
else:
    data = paddle.to_tensor([2, 3])
task = dist.stream.alltoall_single(output, data, sync_op=False)
task.wait()
out = output.numpy()
# [0, 2] (2 GPUs, out for rank 0)
# [1, 3] (2 GPUs, out for rank 1)

# case 2
size = dist.get_world_size()
output = paddle.empty([(local_rank + 1) * size, size], dtype='float32')
if local_rank == 0:
    data = paddle.to_tensor([[0., 0.], [0., 0.], [0., 0.]])
else:
    data = paddle.to_tensor([[1., 1.], [1., 1.], [1., 1.]])
out_split_sizes = [local_rank + 1 for i in range(size)]
in_split_sizes = [i + 1 for i in range(size)]
task = dist.stream.alltoall_single(output,
                                data,
                                out_split_sizes,
                                in_split_sizes,
                                sync_op=False)
task.wait()
out = output.numpy()
# [[0., 0.], [1., 1.]]                     (2 GPUs, out for rank 0)
# [[0., 0.], [0., 0.], [1., 1.], [1., 1.]] (2 GPUs, out for rank 1)