7.2 分布式计算的API

(English Version)

本节介绍了在训练脚本中使用的分布式计算API。DGL提供了三种分布式数据结构和多种API,用于初始化、分布式采样和数据分割。 对于分布式训练/推断,DGL提供了三种分布式数据结构:用于分布式图的 DistGraph、 用于分布式张量的 DistTensor 和用于分布式可学习嵌入的 DistEmbedding

DGL分布式模块的初始化

initialize() 可以用于初始化分布式模块。当训练脚本在训练器模式下运行时, 这个API会与DGL服务器建立连接并创建采样器进程。当脚本在服务器模式下运行时,这个API将运行服务器代码, 直到训练任务结束。必须在DGL的任何其他分布式API之前,调用此API。在使用PyTorch时,必须在 torch.distributed.init_process_group 之前调用 initialize()。 通常,初始化API应按以下顺序调用:

dgl.distributed.initialize('ip_config.txt')
th.distributed.init_process_group(backend='gloo')

Note: 如果训练脚本里包含需要在服务器(细节内容可以在下面的DistTensor和DistEmbedding章节里查看)上调用的用户自定义函数(UDF), 这些UDF必须在 initialize() 之前被声明。

分布式图

DistGraph 是一个Python类,用于访问计算机集群中的图结构和节点/边特征。每台计算机负责一个且只负责一个分区。 它加载分区数据(包括分区中的图结构、节点数据和边数据),并使集群中的所有训练器均可访问它们。 DistGraph 提供了一小部分 DGLGraph 的API以方便数据访问。

Note: DistGraph 当前仅支持一种节点类型和一种边类型的图。

分布式模式与独立模式

DistGraph 可以在两种模式下运行:分布式模式和独立模式。 当用户在Python命令行或Jupyter Notebook中执行训练脚本时,它将以独立模式运行。也就是说,它在单个进程中运行所有计算, 并且不与任何其他进程通信。因此,独立模式要求输入图仅具有一个分区。此模式主要用于开发和测试 (例如,在Jupyter Notebook中开发和运行代码)。当用户使用启动脚本执行训练脚本时(请参见启动脚本部分), DistGraph 将以分布式模式运行。启动脚本在后台启动服务器(包括访问节点/边特征和图采样), 并将分区数据自动加载到每台计算机中。DistGraph 与集群中的服务器连接并通过网络访问它们。

创建DistGraph

在分布式模式下,DistGraph 的创建需要(定义)在图划分期间的图名称。 图名称标识了集群中所需加载的图。

import dgl
g = dgl.distributed.DistGraph('graph_name')

在独立模式下运行时,DistGraph将图数据加载到本地计算机中。因此,用户需要提供分区配置文件,其中包含有关输入图的所有信息。

import dgl
g = dgl.distributed.DistGraph('graph_name', part_config='data/graph_name.json')

Note: 在当前实现中,DGL仅允许创建单个DistGraph对象。销毁DistGraph并创建一个新DistGraph的行为没有被定义。

访问图结构

DistGraph 提供了几个API来访问图结构。当前,它们主要被用来提供图信息,例如节点和边的数量。 主要应用场景是运行采样API以支持小批量训练(请参阅下文里分布式图采样部分)。

print(g.number_of_nodes())

访问节点/边数据

DGLGraph 一样, DistGraph 也提供了 ndataedata 来访问节点和边中的数据。它们的区别在于 DistGraph 中的 ndata / edata 返回的是 DistTensor, 而不是底层框架里的张量。用户还可以将新的 DistTensor 分配给 DistGraph 作为节点数据或边数据。

g.ndata['train_mask']
<dgl.distributed.dist_graph.DistTensor at 0x7fec820937b8>
g.ndata['train_mask'][0]
tensor([1], dtype=torch.uint8)

分布式张量

如前所述,在分布式模式下,DGL会划分节点和边特征,并将它们存储在计算机集群中。 DGL为分布式张量提供了类似于单机普通张量的接口,以访问群集中的分区节点和边特征。 在分布式设置中,DGL仅支持密集节点和边特征,暂不支持稀疏节点和边特征。

DistTensor 管理在多个计算机中被划分和存储的密集张量。 目前,分布式张量必须与图的节点或边相关联。换句话说,DistTensor中的行数必须与图中的节点数或边数相同。 以下代码创建一个分布式张量。 除了张量的形状和数据类型之外,用户还可以提供唯一的张量名称。 如果用户要引用一个固定的分布式张量(即使 DistTensor 对象消失,该名称仍存在于群集中), 则(使用这样的)名称就很有用。

tensor = dgl.distributed.DistTensor((g.number_of_nodes(), 10), th.float32, name='test')

Note: DistTensor 的创建是一个同步操作。所有训练器都必须调用创建, 并且只有当所有训练器都调用它时,此创建过程才能成功。

用户可以将 DistTensor 作为节点数据或边数据之一添加到 DistGraph 对象。

g.ndata['feat'] = tensor

Note: 节点数据名称和张量名称不必相同。前者在 DistGraph 中标识节点数据(在训练器进程中), 而后者则标识DGL服务器中的分布式张量。

DistTensor 提供了一些功能。它具有与常规张量相同的API,用于访问其元数据, 例如形状和数据类型。DistTensor 支持索引读取和写入, 但不支持一些计算运算符,例如求和以及求均值。

data = g.ndata['feat'][[1, 2, 3]]
print(data)
g.ndata['feat'][[3, 4, 5]] = data

Note: 当前,当一台机器运行多个服务器时,DGL不提供对来自多个训练器的并发写入的保护。 这可能会导致数据损坏。

分布式嵌入

DGL提供 DistEmbedding 以支持需要节点嵌入的直推(transductive)模型。 分布式嵌入的创建与分布式张量的创建非常相似。

def initializer(shape, dtype):
    arr = th.zeros(shape, dtype=dtype)
    arr.uniform_(-1, 1)
    return arr
emb = dgl.distributed.DistEmbedding(g.number_of_nodes(), 10, init_func=initializer)

在内部,分布式嵌入建立在分布式张量之上,因此,其行为与分布式张量非常相似。 例如,创建嵌入时,DGL会将它们分片并存储在集群中的所有计算机上。(分布式嵌入)可以通过名称唯一标识。

Note: 服务器进程负责调用初始化函数。因此,必须在初始化( initialize )之前声明分布式嵌入。

因为嵌入是模型的一部分,所以用户必须将其附加到优化器上以进行小批量训练。当前, DGL提供了一个稀疏的Adagrad优化器 SparseAdagrad (DGL以后将为稀疏嵌入添加更多的优化器)。 用户需要从模型中收集所有分布式嵌入,并将它们传递给稀疏优化器。如果模型同时具有节点嵌入和规则的密集模型参数, 并且用户希望对嵌入执行稀疏更新,则需要创建两个优化器,一个用于节点嵌入,另一个用于密集模型参数,如以下代码所示:

sparse_optimizer = dgl.distributed.SparseAdagrad([emb], lr=lr1)
optimizer = th.optim.Adam(model.parameters(), lr=lr2)
feats = emb(nids)
loss = model(feats)
loss.backward()
optimizer.step()
sparse_optimizer.step()

Note: DistEmbedding 不是PyTorch的nn模块,因此用户无法从nn模块的参数访问它。

分布式采样

DGL提供了两个级别的API,用于对节点和边进行采样以生成小批次训练数据(请参阅小批次训练的章节)。 底层API要求用户编写代码以明确定义如何对节点层进行采样(例如,使用 dgl.sampling.sample_neighbors() )。 高层采样API为节点分类和链接预测任务实现了一些流行的采样算法(例如 NodeDataloaderEdgeDataloader )。

分布式采样模块遵循相同的设计,也提供两个级别的采样API。对于底层的采样API,它为 DistGraph 上的分布式邻居采样提供了 sample_neighbors()。另外,DGL提供了用于分布式采样的分布式数据加载器( DistDataLoader)。除了用户在创建数据加载器时无法指定工作进程的数量, 分布式数据加载器具有与PyTorch DataLoader相同的接口。其中的工作进程(worker)在 dgl.distributed.initialize() 中创建。

Note: 在 DistGraph 上运行 dgl.distributed.sample_neighbors() 时, 采样器无法在具有多个工作进程的PyTorch Dataloader中运行。主要原因是PyTorch Dataloader在每个训练周期都会创建新的采样工作进程, 从而导致多次创建和删除 DistGraph 对象。

使用底层API时,采样代码类似于单进程采样。唯一的区别是用户需要使用 dgl.distributed.sample_neighbors()DistDataLoader

def sample_blocks(seeds):
    seeds = th.LongTensor(np.asarray(seeds))
    blocks = []
    for fanout in [10, 25]:
        frontier = dgl.distributed.sample_neighbors(g, seeds, fanout, replace=True)
        block = dgl.to_block(frontier, seeds)
        seeds = block.srcdata[dgl.NID]
        blocks.insert(0, block)
        return blocks
    dataloader = dgl.distributed.DistDataLoader(dataset=train_nid,
                                                batch_size=batch_size,
                                                collate_fn=sample_blocks,
                                                shuffle=True)
    for batch in dataloader:
        ...

DGLGraphDistGraph 都可以使用相同的高级采样API( NodeDataloaderEdgeDataloader)。使用 NodeDataloaderEdgeDataloader 时,分布式采样代码与单进程采样完全相同。

sampler = dgl.sampling.MultiLayerNeighborSampler([10, 25])
dataloader = dgl.sampling.NodeDataLoader(g, train_nid, sampler,
                                         batch_size=batch_size, shuffle=True)
for batch in dataloader:
    ...

分割数据集

用户需要分割训练集,以便每个训练器都可以使用自己的训练集子集。同样,用户还需要以相同的方式分割验证和测试集。

对于分布式训练和评估,推荐的方法是使用布尔数组表示训练、验证和测试集。对于节点分类任务, 这些布尔数组的长度是图中节点的数量,并且它们的每个元素都表示训练/验证/测试集中是否存在对应节点。 链接预测任务也应使用类似的布尔数组。

DGL提供了 node_split()edge_split() 函数来在运行时拆分训练、验证和测试集,以进行分布式训练。这两个函数将布尔数组作为输入,对其进行拆分,并向本地训练器返回一部分。 默认情况下,它们确保所有部分都具有相同数量的节点和边。这对于同步SGD非常重要, 因为同步SGD会假定每个训练器具有相同数量的小批次。

下面的示例演示了训练集拆分,并向本地进程返回节点的子集。

train_nids = dgl.distributed.node_split(g.ndata['train_mask'])