NCCL （NVIDIA Collective Communications Library）

Overview of NCCL

NCCL : NVIDIA Collective Communications Library 英伟达集体通信库
提供集合通信和点对点通信的 发送/接收原语。不是个成熟的并行编程框架；而是一个加速GPU内通信的库

NCCL 提供如下集体通信原语（collective communication primitives）：

• AllReduce
• Broadcast
• Reduce
• AllGather
• ReduceScatter

他也允许点到点的收发通信，包括：散播（scatter），聚集（gather），或者all-to-all 操作。

通信处理器间的紧密同步是集合通信的关键方面。 基于CUDA的集体的传统地实现是通过 CUDA 内存复制操作和CUDA内核来进行本地削减 (redection) 。NCCL, 实现了每个集合在单一内核上处理通信和计算操作。这样就允许实现快速同步和减少达到峰值带宽所需要的资源。

NCCL 方便地消除了开发人员在特定机器上优化他们的应用的需求。NCCL 提供了节点内或跨界节点的多GPU 的快速的集体（collectives）。它支持各种互联技术，包括PCIe, NVLINK, InfiniBand Verbs, and IP sockets.

除了性能，变成易用性也是NCCL设计的考虑因素，NCCL使用见到的C API 可以从多种编程语言轻松访问。

NCCL几乎兼容任何多GPU并行化模型，例如：

• 单线程控制所有的GPU
• 多线程的，例如每个GPU由一个线程控制
• 多进程的，例如 MPI

NCCL 在深度学习框架有巨大的作用，AllReduce 集合大量应用于神经网络训练。 通过 NCCL 提供的多 GPU 和多节点通信，可以有效扩展神经网络训练。

集合操作 Collective Operations

集合操作需要被每个rank(rank 是指的CUDA设备) 待用来组成一个完整的集合操作。如果不这样做，将导致其他队伍无限期地等待。

AllRedeuce

AllReduce 操作对跨设备的数据执行规约操作，并将结果写入每个rank的接收缓冲区。

AllReduce 操作与rank的排序无关。

AllReduce 以 K个数组开始，这些数组含有各自独立的N个值。并以N个值相同的S数组结束。 对于每个rank，S[i] = V0[i] + V1[i] +…+Vk-1[i]

Broadcast

将一个root rank的N的元素的buffer 复制到所有rank上

Reduce

执行过程和allReduce相似，不过仅仅将结果写入特定的 root rank

一个reduce 操作后，执行broadcast操作效果和 allreduce一样

AllGather

K个rank中，每个rank中N个值，聚集在一起。输出结果按照rank 标号排序。

ReduceScatter

执行起来和reduce类似，不过结果会散布在各个rank的block中。每个rank 根据其标号获得一部分数据。

ReduceScatter 会受rank布局的影响。

ring-allreduce

参考 ： 知乎文章 CSDN文章

GPU分布式计算，GPU1~4卡，负责网络参数的训练，每个卡上布置了相同的深度学习网络，每个卡都分配到不同的数据的minibatch。每张卡训练结束后将网络参数同步到GPU0，也就是Reducer这张卡上，然后再求参数变换的平均下发到每张计算卡，整个流程有点像mapreduce的原理。

涉及两个问题:

• 每一轮训练迭代都需要所有的卡将数据同步完，做一次reduce才算结束。 如果卡数比较少的情况下，其实影响不大，但是如果并行的卡很多的时候，就涉及到计算快的卡需要去等待计算慢的卡的情况，造成计算资源的浪费。

• 每次迭代所有的计算GPU卡都需要针对全部模型参数，跟Redcue卡进行通信。数据量大，通信开销大，随卡的数量增多开销会线性增长。

Ring Allredcue ，通过将GPU卡的通信模型拼接成一个环形，从而减少卡数增加带来的资源消耗。

该算法的过程主要分成两步：1、scatter-reduce 2、allgather

1、 scatter-reduce
如果有n块GPU，将GPU上的数据划分成n块，并指定GPU的左右邻居
然后开始n-1次操作，在第 i 次操作时， GPU j会将自己的第 (j-i)%n 快数据发送给GPU j+1，并接受来自 GPU j-1的 (j-i-1)%n 的数据，如下图

当n-1次操作完成后，ring-allreduce的第一大步scatter-reduce就已经完成了，此时，第i块gpu的第(i + 1) % n块数据已经收集到了所有n块gpu的第(i + 1) % n块数据，那么，再进行一次allgather就可以完成算法了。

第二部： allgather，通过n-1传递把第 i 块 GPU的第 (i+1)%n 块数据传递给其他GPU。
最后每个GPU就变成了如下所示：

一下图来自 https://blog.csdn.net/dpppBR/article/details/80445569
举一个3gpu的例子：
首先是第一步，scatter-reduce：

然后是allgather的例子：