mindspore.mint.distributed.reduce_scatter_tensor_uneven

mindspore.mint.distributed.reduce_scatter_tensor_uneven(output, input, input_split_sizes=None, op=ReduceOp.SUM, group=None, async_op=False)

在指定通信组中执行归约分发操作，根据 input_split_sizes 将归约后的张量分散到各rank的输出张量中。

说明

• 输入张量在所有进程中的shape和格式必须一致。

• 输出张量的第一个维度尺寸应该等于 input_split_sizes 的所有值之和。

参数：

• output (Tensor) - 输出张量，与输入张量具有相同数据类型，shape为 \((input_split_sizes[rank], *)\)，其中rank是当前的设备的id。

• input (Tensor) - 待归约分发的输入张量，shape为 \((N, *)\)，* 表示任意数量的附加维度，N应为各rank的 input_split_sizes 值之和。

• input_split_sizes (list[int], 可选) - 输入张量在第一个维度的切分尺寸列表。当为None时，将按通信组大小对输入张量进行均分。默认值： None。

• op (str, 可选) - 规约的具体操作。可选值： "sum" 、 "max" 、 "min" 。默认值： ReduceOp.SUM。

• group (str，可选) - 通信组名称，如果为 None，Ascend平台表示为 "hccl_world_group" 。 默认值： None。

• async_op (bool, 可选) - 本算子是否是异步算子。默认值： False。

返回：

CommHandle。若 async_op 是True，CommHandle是一个异步工作句柄；若 async_op 是False，CommHandle将返回None。

异常：

• ValueError - 如果 output 的shape与 input_split_sizes 的值不满足约束。

• RuntimeError - 如果目标设备无效，或者后端无效，或者分布式初始化失败。

支持平台：

Ascend

样例：

说明

运行以下样例之前，需要配置好通信环境变量。

针对Ascend设备，推荐使用msrun启动方式，无第三方以及配置文件依赖。详见 msrun启动 。

该样例需要在2卡环境下运行。

>>> import mindspore as ms
>>> from mindspore import Tensor
>>> from mindspore.mint.distributed import init_process_group, get_rank
>>> from mindspore.mint.distributed import reduce_scatter_tensor_uneven
>>> import numpy as np
>>>
>>> ms.set_device(device_target="Ascend")
>>> init_process_group()
>>> input_tensor = Tensor(np.ones([5, 8]).astype(np.float32))
>>> if get_rank() == 0:
>>>     output_tensor = Tensor(np.ones([2, 8]).astype(np.float32))
>>> else:
>>>     output_tensor = Tensor(np.ones([3, 8]).astype(np.float32))
>>> input_split_sizes = [2, 3]
>>> output = reduce_scatter_tensor_uneven(output_tensor, input_tensor, input_split_sizes)
>>> print(output_tensor)
rank 0:
[[2. 2. 2. 2. 2. 2. 2. 2.]
[2. 2. 2. 2. 2. 2. 2. 2.]]
rank 1:
[[2. 2. 2. 2. 2. 2. 2. 2.]
[2. 2. 2. 2. 2. 2. 2. 2.]
[2. 2. 2. 2. 2. 2. 2. 2.]]