如何理解Nvidia英偉達的Multi-GPU多卡通信框架NCCL？

深度學習中常常需要多GPU並行訓練，而Nvidia的NCCL庫NVIDIA/nccl在各大深度學習框架（Caffe/Tensorflow/Torch/Theano）的多卡並行中經常被使用，請問如何理解NCCL的原理以及特點？

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

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、最後分享實際使用NCCL的一些經驗。

（1）communication primitive

並行任務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那裡接收數據，最終combine到一個節點上。

All-reduce：從多個sender那裡接收數據，最終combine到每一個節點上。

而傳統Collective communication假設通信節點組成的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可能比較複雜，並不是一個fat tree。因此一般用ring-based Collective communication。

(2) ring-base collectives

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

下面把要傳輸的數據分成S份，每次只傳N/S的數據量，傳輸過程如下所示：

GPU1接收到GPU0的一份數據後，也接著傳到環的下個節點，這樣以此類推，最後花的時間為

S*(N/S/B) + (k-2)*(N/S/B) = N(S+K-2)/(SB) --&> N/B，條件是S遠大於K，即數據的份數大於節點數，這個很容易滿足。所以通信時間不隨節點數的增加而增加，只和數據總量以及帶寬有關。其它通信操作比如reduce、gather以此類推。

那麼在以GPU為通信節點的場景下，怎麼構建通信環呢？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：

（3）NCCL實現

NCCL實現成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，在多機多卡內部，也要構成一個通信環

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在單機不同架構下的速度比較：

先不看DGX-1架構，這是Nvidia推出的深度學習平台，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相連後再經過CPU連接，速度會稍微低一點，第一種是兩個GPU通過CPU然後通過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，左圖兩機8卡，機內PCIe，機間InfiniBand能達到&>10GB/s的速度，InfiniBand基本上能達到機內的通信速度。

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

（4）我們的實測經驗

首先，在一台K40 GPU的機器上測試了GPU的連接拓撲，如下：

可以看到前四卡和後四卡分別通過不同的CPU組連接，GPU0和GPU1直接通過PCIe switch相連，然後經過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通信由於要經過CPU，速度稍慢，和GPU4~7的通信需要經過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在不同的深度學習框架（CNTK/Tensorflow/Torch/Theano/Caffe）中，由於不同的模型大小，計算的batch size大小，會有不同的表現。比如上圖中CNTK中Resnet50能達到32卡線性加速比，Facebook之前能一小時訓練出ImageNet，而在NMT任務中，可能不會有這麼大的加速比。因為影響並行計算效率的因素主要有並行任務數、每個任務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，那麼並行計算的任務會越高效。NMT模型一般較大，多大幾十M上百M，不像現在image的模型能做到幾M大小，通信所佔比重會較高。

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，很多資料也是來自於NCCL的官方文檔，歡迎交流討論。