雷鋒網(wǎng) AI科技評論按，本文來自譚旭在知乎問題【如何理解Nvidia英偉達(dá)的Multi-GPU多卡通信框架NCCL？】下的回答，雷鋒網(wǎng) AI科技評論獲其授權(quán)轉(zhuǎn)載。

問題詳情：

深度學(xué)習(xí)中常常需要多GPU并行訓(xùn)練，而Nvidia的NCCL庫NVIDIA/nccl（https://github.com/NVIDIA/nccl）在各大深度學(xué)習(xí)框架（Caffe/Tensorflow/Torch/Theano）的多卡并行中經(jīng)常被使用，請問如何理解NCCL的原理以及特點(diǎn)？

回答：

NCCL是Nvidia Collective multi-GPU Communication Library的簡稱，它是一個(gè)實(shí)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(shí)現(xiàn)較高的通信速度。

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

（1）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(gè)sender和一個(gè)receiver，實(shí)現(xiàn)起來比較簡單。第二種Collective communication包含多個(gè)sender多個(gè)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(gè)常用的操作：

Reduce：從多個(gè)sender那里接收數(shù)據(jù)，最終combine到一個(gè)節(jié)點(diǎn)上。

All-reduce：從多個(gè)sender那里接收數(shù)據(jù)，最終combine到每一個(gè)節(jié)點(diǎn)上。

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

(2) ring-base collectives

ring-base collectives將所有的通信節(jié)點(diǎn)通過首尾連接形成一個(gè)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(gè)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(gè)傳輸時(shí)間為（K-1）N/B。時(shí)間隨著節(jié)點(diǎn)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(gè)節(jié)點(diǎn)，這樣以此類推，最后花的時(shí)間為

S*(N/S/B) + (k-2)*(N/S/B) = N(S+K-2)/(SB) --> N/B，條件是S遠(yuǎn)大于K，即數(shù)據(jù)的份數(shù)大于節(jié)點(diǎn)數(shù)，這個(gè)很容易滿足。所以通信時(shí)間不隨節(jié)點(diǎn)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(diǎn)的場景下，怎么構(gòu)建通信環(huán)呢？如下圖所示：

單機(jī)4卡通過同一個(gè)PCIe switch掛載在一棵CPU的場景：

單機(jī)8卡通過兩個(gè)CPU下不同的PCIe switch掛載的場景：

（3）NCCL實(shí)現(xiàn)

NCCL實(shí)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(jī)多卡，卡之間通過PCIe、NVlink、GPU Direct P2P來通信。NCCL 2.0會支持多機(jī)多卡，多機(jī)間通過Sockets (Ethernet)或者InfiniBand with GPU Direct RDMA通信。

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

同樣，在多機(jī)多卡內(nèi)部，也要構(gòu)成一個(gè)通信環(huán)。

下面是單機(jī) 4卡（Maxwel GPU）上各個(gè)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(dá)到10GB/s，接近PCIe的帶寬。

下圖是Allreduce在單機(jī)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(dá)到60GB/s。前面三個(gè)是單機(jī)多卡典型的三種連接方式，第三種是四張卡都在一個(gè)PCIe switch上，所以帶寬較高，能達(dá)到>10GB/s PCIe的帶寬大小，第二種是兩個(gè)GPU通過switch相連后再經(jīng)過CPU連接，速度會稍微低一點(diǎn)，第一種是兩個(gè)GPU通過CPU然后通過QPI和另一個(gè)CPU上的兩塊卡相連，因此速度最慢，但也能達(dá)到>5GB/s。

下圖是Allreduce多機(jī)下的速度表現(xiàn)，左圖兩機(jī)8卡，機(jī)內(nèi)PCIe，機(jī)間InfiniBand能達(dá)到>10GB/s的速度，InfiniBand基本上能達(dá)到機(jī)內(nèi)的通信速度。

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

（4）我們的實(shí)測經(jīng)驗(yàn)

首先，在一臺K40 GPU的機(jī)器上測試了GPU的連接拓?fù)?，如下?/p>

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(dá)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(diǎn)，但也能達(dá)到9.15GB/s。

而通過NVlink連接的GPU通信速度能達(dá)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(jì)算的batch size大小，會有不同的表現(xiàn)。比如上圖中CNTK中Resnet50能達(dá)到32卡線性加速比，F(xiàn)acebook之前能一小時(shí)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?yàn)橛绊懖⑿杏?jì)算效率的因素主要有并行任務(wù)數(shù)、每個(gè)任務(wù)的計(jì)算量以及通信時(shí)間。我們不僅要看絕對的通信量，也要看通信和計(jì)算能不能同時(shí)進(jìn)行以及計(jì)算/通信比，如果通信占計(jì)算的比重越小，那么并行計(jì)算的任務(wù)會越高效。NMT模型一般較大，多大幾十M上百M(fèi)，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(jī)多卡加速的一個(gè)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。

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。