mindspore.ops.AlltoAllVC

查看源文件
class mindspore.ops.AlltoAllVC(group=GlobalComm.WORLD_COMM_GROUP, block_size=1, transpose=False)[源代码]

AllToAllVC通过输入参数 send_count_matrix 传入所有rank的收发参数。相对AllToAllV来说，AllToAllVC不需要汇聚所有rank的收发参数，因此性能更优。

说明

只支持一维的输入，使用该接口前需要将输入数据展开成一维。

参数：

  • group (str，可选) - AlltoAll的通信域。默认值： GlobalComm.WORLD_COMM_GROUP ，在Ascend平台中表示为 "hccl_world_group" 。

  • block_size (int，可选) - 通过 send_count_matrix 切分和聚合数据量的基本单位。默认值： 1 。

  • transpose (bool，可选) - 表示 send_count_matrix 是否需要做转置运算，该参数在反向计算场景下使用。默认值： False 。

输入：

  • input_x (Tensor) - 一维待分发的张量，shape为 \((x_1)\)。

  • send_count_matrix (Union[list[int], Tensor]) - 所有rank的收发参数， \(\text{send_count_matrix}[i*\text{rank_size}+j]\) 表示rank i发给rank j的数据量，基本单位是Tensor的数据类型。其中， rank_size 表示通信组大小。

输出：

Tensor，从每张卡上聚合的一维数据结果。如果结果为空，则返回空张量，且值无意义。

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/GPU/CPU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。

>>> from mindspore.ops import AlltoAllVC
>>> import mindspore.nn as nn
>>> from mindspore.communication import init, get_rank
>>> from mindspore import Tensor
>>>
>>> init()
>>> rank = get_rank()
>>> class Net(nn.Cell):
...     def __init__(self):
...         super(Net, self).__init__()
...         self.all_to_all_v_c = AlltoAllVC()
...
...     def construct(self, x, send_count_matrix):
...         return self.all_to_all_v_c(x, send_count_matrix)
>>> send_count_matrix = Tensor([[0, 3], [3, 0]])
>>> send_tensor = Tensor([0, 1, 2.]) * rank
>>> net = Net()
>>> output = net(send_tensor, send_count_matrix)
>>> print(output)
rank 0:
[0. 1. 2]
rank 1:
[0. 0. 0]
教程样例：