[原始碼解析] PyTorch 分散式(12) ----- DistributedDataParallel 之前向傳播

每個程式讀去自己的訓練資料，DistributedSampler確保每個程式讀到的資料不同。
DDP 獲取輸入並將其傳遞給本地模型。
模型進行前向計算，結果設定為 out。現在計算都是在每個程式（CUDA裝置）上完成。
如果find_unused_parameters設定為True，DDP 會分析本地模型的輸出，從 out 開始遍歷計算圖，把未使用引數標示為 ready，因為每次計算圖都會改變，所以每次都要遍歷。
- 此模式（Mode）允許在模型的子圖上向後執行，並且 DDP 通過從模型輸出out遍歷 autograd 圖，將所有未使用的引數標記為就緒，以減少反向傳遞中涉及的引數。
- 在後向傳播期間，Reducer會規約所有桶，在此過程中，Reducer會等待未準備好的引數。將引數梯度標記為就緒並不能幫助 DDP 跳過桶，但它會阻止 DDP 在向後傳遞期間永遠等待不存在的梯度。
- 請注意，遍歷 autograd 圖會引入額外的開銷，因此應用程式僅在必要時才設定 find_unused_parameters為True 。
返回out即可。這點與 DP不同，DDP的模型網路輸出不需要被gather到 rank 0程式。

0x02 Python 世界

我們還是從 Python 程式碼入手開始分析，程式碼位於：torch/nn/parallel/distributed.py。

我們這裡省略 join 相關，只關注主體部分，forward 方法邏輯如下：

儲存執行緒本地狀態。
如果做配置，則呼叫 reducer.prepare_for_forward 為forward做準備。
如果配置ddp_join_enabled，做相應處理。
在前向傳播之前使用 _rebuild_buckets 來重置桶。
- 在 _rebuild_buckets 函式之中，也許會在釋放舊bucket之前分配新bucket。
- 如果要節省峰值記憶體使用量，請在正向計算期間峰值記憶體使用量增加之前呼叫_rebuild_bucket。
如果需要同步，則呼叫_sync_params對前向傳播引數進行前向傳播引數。
進行前向傳播。
如果需要同步後向傳播梯度，則呼叫prepare_for_backward。
- 當DDP引數 find_unused_parameter 為 true 時，其會在 forward 結束時，啟動一個回溯，標記出所有沒被用到的 parameter，提前把這些設定為 ready，這樣 backward 就可以在一個 subgraph 之上進行，但這樣會犧牲一部分時間。

具體程式碼如下：

    def forward(self, *inputs, **kwargs):
        with torch.autograd.profiler.record_function("DistributedDataParallel.forward"):
        
        		# 儲存執行緒本地狀態
            self.reducer.save_thread_local_state()
          
            # 如果做配置，則呼叫 reducer 為forward做準備
            if torch.is_grad_enabled() and self.require_backward_grad_sync:
                self.logger.set_runtime_stats_and_log()
                self.num_iterations += 1
                self.reducer.prepare_for_forward()
                
            # 如果配置ddp_join_enabled，做相應處理    
            if self.ddp_uneven_inputs_config.ddp_join_enabled:
                ones = torch.ones(1, device=self.device)
                work = dist.all_reduce(ones, group=self.process_group, async_op=True)
                if self.ddp_uneven_inputs_config.ddp_join_throw_on_early_termination:
                    # Active ranks schedule an allreduce with zeros, inactive
                    # ranks schedule them with 1. If the result != 0 it
                    # indicates at least one rank has terminated and we should
                    # throw.
                    zeros = torch.zeros(1, device=self.device)
                    dist.all_reduce(zeros, group=self.process_group)
                    should_throw_stop_iteration = zeros.item()
                    if should_throw_stop_iteration:
                        raise RuntimeError(
                            "Detected at least one rank that exhausted inputs. Throwing across all ranks."
                        )
                else:
                    self.reducer._set_forward_pass_work_handle( # 是join這裡用到
                        work,
                        self.ddp_uneven_inputs_config.ddp_join_divide_by_initial_world_size,
                    )

            # Calling _rebuild_buckets before forward compuation,
            # It may allocate new buckets before deallocating old buckets
            # inside _rebuild_buckets. To save peak memory usage,
            # call _rebuild_buckets before the peak memory usage increases
            # during forward computation.
            # This should be called only once during whole training period.
            
            # 在前向傳播之前使用 _rebuild_buckets 來重置桶
            # 在此函式內，也許在釋放舊bucket之前分配新bucket。
            # 如果要節省峰值記憶體使用量，請在正向計算期間峰值記憶體使用量增加之前呼叫_rebuild_bucket。
            # 在整個訓練期間，這隻能呼叫一次。
            if torch.is_grad_enabled() and self.reducer._rebuild_buckets():
                logging.info("Reducer buckets have been rebuilt in this iteration.")

            # 如果需要同步前向傳播引數，則進行同步    
            if self.require_forward_param_sync:
                self._sync_params()

            if self.ddp_uneven_inputs_config.ddp_join_enabled:
                # Notify joined ranks whether they should sync in backwards pass or not.
                self._check_global_requires_backward_grad_sync(is_joined_rank=False)

            # 進行前向傳播    
            if self.device_ids:
			        	# 多卡情況
                inputs, kwargs = self.to_kwargs(inputs, kwargs, self.device_ids[0])
                output = self.module(*inputs[0], **kwargs[0])
            else:
                output = self.module(*inputs, **kwargs)

            # 如果需要同步後向傳播梯度，則呼叫prepare_for_backward  
            if torch.is_grad_enabled() and self.require_backward_grad_sync:
			        	# 當DDP引數 find_unused_parameter 為 true 時，其會在 forward 結束時，啟動一個回溯，標記出所有沒被用到的 parameter，提前把這些設定為 ready，這樣 backward 就可以在一個 subgraph 進行，但這樣會犧牲一部分時間。

                self.require_forward_param_sync = True
                # We'll return the output object verbatim since it is a freeform
                # object. We need to find any tensors in this object, though,
                # because we need to figure out which parameters were used during
                # this forward pass, to ensure we short circuit reduction for any
                # unused parameters. Only if `find_unused_parameters` is set.
                if self.find_unused_parameters and not self.static_graph:
                    # Do not need to populate this for static graph.
                    self.reducer.prepare_for_backward(list(_find_tensors(output)))
                else:
                    self.reducer.prepare_for_backward([])
            else:
                self.require_forward_param_sync = False

        # TODO. Right now we add this sink for static_graph training only. once
        # this feature is stable, we will add this sink for all cases. E.g.
        # This sink can help capture more accuracte backward start time as well.
        if self.static_graph and self.num_iterations == 1:
            # Need to grab list of tensors from user output in order to pass
            # to custom autograd function.
            output_tensor_list, treespec = tree_flatten(output)
            passthrough_tensor_list = _DDPSink.apply(
                self.reducer,
                *output_tensor_list
            )
            # Reconstruct output data structure.
            output = tree_unflatten(passthrough_tensor_list, treespec)
        return output

其中，使用 _sync_params 來同步模型引數，具體是使用 _distributed_broadcast_coalesced 進行完成。

def _sync_params(self):
    with torch.no_grad():
        # module buffer sync
        if self.will_sync_module_buffers():
            # Synchronize buffers across processes.
            # If we are running DDP with the join manager, we have to agree
            # upon a rank to sync module buffers from, since rank 0 may
            # already have been joined and have stale module buffers.
            if self.ddp_uneven_inputs_config.ddp_join_enabled:
                authoritative_rank = self._find_common_rank(
                    self._distributed_rank, True
                )
            else:
                # The process with rank 0 is considered the authoritative copy.
                authoritative_rank = 0
            self._distributed_broadcast_coalesced(
                self.modules_buffers[0],
                self.broadcast_bucket_size,
                authoritative_rank,
            )

0x03 C++世界

我們接下來進入到 C++ 世界，看看這裡如何支援前向傳播。具體分為：準備前向傳播，重建桶，準備後向傳播這幾部分。

3.1 準備前向傳播

這裡把 num_iterations_ 增加，並且記錄時間。

void Reducer::prepare_for_forward() {
  std::lock_guard<std::mutex> lock(mutex_);
  num_iterations_++; // 這裡會遞增
  if (should_collect_runtime_stats()) {
    record_forward_compute_start_time();
  }
}

3.2 重建桶

接下來進行重建桶，具體分為：

配置各種尺寸限制。
計算桶的尺寸。
同步桶indices。
初始化桶。

bool Reducer::rebuild_buckets() {
  // Ensure reduction for previous backwards pass is finished. If user's model
  // has unused parameters for example, this will raise an error recommending to
  // run with find_unused_parameters=True, instead of the size mismatch
  // exception below.
  std::lock_guard<std::mutex> lock(mutex_);
  ensure_prior_reduction_finished();
  if (!should_rebuild_buckets() || rebuilt_params_.empty()) {
    return false;
  }

  std::vector<std::vector<size_t>> rebuilt_bucket_indices;
  // 配置各種尺寸限制
  std::vector<size_t> bucket_size_limits;
  bucket_size_limits.push_back(kDefaultFirstBucketBytes);
  bucket_size_limits.push_back(bucket_bytes_cap_);
  // 計算桶的尺寸
  rebuilt_bucket_indices = compute_bucket_assignment_by_size(
      rebuilt_params_,
      bucket_size_limits,
      expect_sparse_gradients_[0],
      rebuilt_param_indices_);

  // For rebuilt bucket indices, it needs to be synced across all ranks.
  // Broadcast the newly rebuilt bucket indices from rank 0 in default.
  // After syncing up rebuilt bucket indices, initialize buckets for reducer.
  // 同步桶indices
  sync_bucket_indices(rebuilt_bucket_indices);

  has_rebuilt_bucket_ = true;
  rebuilt_params_.clear();
  rebuilt_param_indices_.clear();

  // 初始化桶
  initialize_buckets(std::move(rebuilt_bucket_indices));
  return true;
}

我們接下來具體看看如何重建。

3.2.1 計算桶尺寸

我們首先要看看compute_bucket_assignment_by_size 之中關鍵結構如下，BucketAccumulator 可以認為是實際的桶。

struct BucketAccumulator {
    std::vector<size_t> indices; // 桶內容，是張量列表
    size_t size = 0; // 桶大小，比如若干mb
  }; // 桶的邏輯內容

  // Keep vector of indices and size accumulator by tensor type and device.
std::unordered_map<BucketKey, BucketAccumulator, c10::hash<BucketKey>>
      buckets; // 所有桶的列表，每一個實際桶可以認為是 BucketAccumulator

其次，我們來看看 compute_bucket_assignment_by_size的具體邏輯：

生成一個計算結果 result，並且使用引數tensors的大小來為result預留出空間。
生成一個buckets，這是所有桶的列表，每一個實際桶可以認為是 BucketAccumulator
遍歷傳入的所有張量，對於每一個張量：
- 如果有index，就拿到張量的index。
- 如果配置了期待sparse gradient，則把這個張量自己放入一個桶，因為沒法和其他張量放在一起。
- 使用張量資訊構建桶的key。
- 使用 key 找到對應的桶, 拿到BucketAccumulator。
- 向該桶的張量列表 indices 裡面插入新張量的index，indices 是 tensor index list。
- 增加對應桶大小。
- 如果需要，就設定成大小限制的初始值。
- 如果桶的尺寸大於最小值限制，就是說目前桶的尺寸已經達到了桶的最大限制，按說需要轉移到新桶了（實際上確實轉移到了邏輯的新桶，但是實際還是在現有桶內執行，因為 type, device 還是同樣的，還是應該在原有桶內繼續累積，不過原有桶的indice已經轉移到了result之中，就相當於清空了）。
  - 把桶內容插入到返回result，就是說，當桶尺寸過大的時候，就先插入到result之中。
  - 利用 BucketAccumulator() 重新生成桶，bucket是個引用，所以直接賦值，就相當於清空原有的桶，就是原來桶繼續用，但是桶內原有的indices已經轉移到了result之中。
把剩餘的桶內indices插入到返回值result。之前已經有些直接插入到了result之中。
對 result 進行排序：
- 如果 tensor_indices 非空，說明張量的順序已經是梯度準備好的順序，不需要再排序了。
- 如果 tensor_indices 是空的，依據最小張量index來排序，這裡假定張量的順序是他們使用的順序（或者說是他們梯度產生次序的反序）。這種排序可保證桶是按照連續不斷的順序準備好。
- 注意，這裡就是正序排列，等到建立Reducer的時候，才反序傳入：list(reversed(bucket_indices))

另外需要注意的是：因為 tensors就是 Python 程式碼中的引數 parameters[0]，而 parameters[0] 是按照 parametes() 的返回結果來的，所以DDP最終是按model.parameters()的相反順序啟動AllReduce。

std::vector<std::vector<size_t>> compute_bucket_assignment_by_size(
    const std::vector<at::Tensor>& tensors,
    const std::vector<size_t>& bucket_size_limits, // 桶大小限制
    const std::vector<bool>& expect_sparse_gradient,
    const std::vector<int64_t>& tensor_indices) { //實際上，初始化時候沒有傳入 tensor_indices
  // Either expect_sparse_gradient is not specified or it has as many elements
  // as the vector with tensors.
  TORCH_INTERNAL_ASSERT(
      expect_sparse_gradient.empty() ||
      (tensors.size() == expect_sparse_gradient.size()));
  TORCH_INTERNAL_ASSERT(tensors.size() > 0);

  std::vector<std::vector<size_t>> result;
  result.reserve(tensors.size()); // 預留大小

  // Keep iterator into the size_limit vector by tensor type and device.
  // This is done so that we can use the consecutive bucket limits per type.
  std::unordered_map<
      BucketKey,
      std::vector<size_t>::const_iterator,
      c10::hash<BucketKey>>
      bucket_size_limit_iterators;

  // Local accumulator type for a single bucket.
  struct BucketAccumulator {
    std::vector<size_t> indices; // 桶內容，是張量列表
    size_t size = 0; // 桶大小，比如若干mb
  }; // 桶的邏輯內容

  // Keep vector of indices and size accumulator by tensor type and device.
  std::unordered_map<BucketKey, BucketAccumulator, c10::hash<BucketKey>>
      buckets; // 所有桶的列表，每一個實際桶可以認為是 BucketAccumulator

  for (size_t i = 0; i < tensors.size(); i++) { // 遍歷傳入的所有張量
    const auto& tensor = tensors[i]; //拿到張量
    TORCH_CHECK(!tensor.is_sparse(), "No support for sparse tensors.");

    // when tensor_indices is empty, the index of tensors[i] assigned to
    // bucket is i, otherwise the tensor index is tensor_indices[i].
    auto tensor_index = i; // 就是給所有的tensor一個index，從0開始遞增，一直到 tensors.size()
    if (!tensor_indices.empty()) {
      tensor_index = tensor_indices[i]; // 如果有index，就拿到張量的index
    }
    // If we expect a sparse gradient to be produced for this tensor, it cannot
    // be grouped together with other gradients and gets its own bucket.
    // 如果配置了期待sparse gradient，則把這個張量自己放入一個桶，因為沒法和其他張量放在一起
    if (!expect_sparse_gradient.empty() &&
        expect_sparse_gradient[tensor_index]) {
      result.push_back({tensor_index});
      continue;
    }

    auto key = BucketKey(tensor.scalar_type(), tensor.device()); //使用張量資訊構建桶的key
    auto& bucket = buckets[key]; // 找到對應的桶, 拿到BucketAccumulator
    bucket.indices.push_back(tensor_index); // 該桶的張量列表裡面插入新張量的index，indices 是 tensor index list
    bucket.size += tensor.numel() * tensor.element_size();// 增加對應桶大小

    // Initialize bucket size limit iterator if necessary.
    // 如果需要，就設定成大小限制的初始值
    if (bucket_size_limit_iterators.count(key) == 0) {
      bucket_size_limit_iterators[key] = bucket_size_limits.begin();
    }

    // bucket_size_limit_iterator 就是桶大小的範圍, 即 [_DEFAULT_FIRST_BUCKET_BYTES, int(bucket_cap_mb * 1024 * 1024)]
    auto& bucket_size_limit_iterator = bucket_size_limit_iterators[key];
    const auto bucket_size_limit = *bucket_size_limit_iterator; // 當前最小值限制
    if (bucket.size >= bucket_size_limit) { 
      // 如果桶的尺寸大於最小值限制，就是說目前桶的尺寸已經達到了桶的最大限制，按說需要轉移到新桶了（實際上確實轉移到了邏輯的新桶，但是實際還是在現有桶內執行，因為 type, device 還是同樣的，還是應該在原有桶內繼續累積，不過原有桶的indice已經轉移到了result之中，就相當於清空了）
      result.emplace_back(std::move(bucket.indices)); // 把桶內容插入到返回result，就是說，當桶尺寸過大的時候，就先插入到result之中。
      bucket = BucketAccumulator(); // 重新生成桶，bucket是個引用，所以直接賦值，就相當於清空原有的桶，就是原來桶繼續用，但是桶內原有的indices已經轉移到了result之中。

      // Advance to the next bucket size limit for this type/device.
      // 前進到下一個尺寸限制
      auto next = bucket_size_limit_iterator + 1;
      if (next != bucket_size_limits.end()) {
        bucket_size_limit_iterator = next;
      }
    }
  }

  // Add remaining buckets. 把剩餘的桶內indices插入到返回值，因為之前已經有些直接插入到了result之中
  for (auto& it : buckets) {
    auto& bucket = it.second;
    if (!bucket.indices.empty()) {
      result.emplace_back(std::move(bucket.indices));
    }
  }

  // If tensor_indices is not empty, the order of the tensors is in the gradient
  // ready order, so no need to sort.
  // If tensor_indices is empty, sort resulting buckets by the minimum tensor
  // index they include. We assume that the order of the tensors is the order in
  // which they are used (or the reverse order in which their gradients are
  // produced). This sorting step ensures that the buckets are ready in
  // consecutive order.
  // 如果 tensor_indices 非空，說明張量的順序已經是梯度準備好的順序，不需要再排序了
  // 如果 tensor_indices 是空的，依據最小張量index來排序，這裡假定張量的順序是他們使用的順序（或者說是他們梯度產生次序的反序）。這種排序可保證桶是按照連續不斷的順序準備好。
  // 注意，這裡就是正序排列，等到建立Reducer的時候，才反序傳入：list(reversed(bucket_indices))
  if (tensor_indices.empty()) {
    std::sort(
        result.begin(),
        result.end(),
        [](const std::vector<size_t>& a, const std::vector<size_t>& b) {
          // 對於任意兩個vector，排序的依據是：用這兩個vector之中最小index來排序
          const auto amin = std::min_element(a.begin(), a.end()); // a中的最小index
          const auto bmin = std::min_element(b.begin(), b.end()); // b中的最小index
          return *amin < *bmin;
        });
  }

  return result;
}

result 最終如下，裡面每個vector 都對應了一個bucket，裡面是都是 tensor 的 index，這裡都是從小到大順序排序。模型引數以（大致）Model.parameters()與給定模型相反的順序分配到桶中。使用相反順序的原因是因為 DDP 期望梯度在反向傳遞期間以大約該順序準備就緒。

+-----------------------------------------------------------------------+
|                                                                       |
|  <tensor index 1, tensor index 2, tensor index 3, tensor index 4>     |
|                                                                       |
|                                                                       |
|  <tensor index 5, tensor index 6, tensor 7>                           |
|                                                                       |
|                                                                       |
|  ......                                                               |
|                                                                       |
|                                                                       |
|  <tensor index 8, tensor index 9, tensor index 10, tensor index 11>   |
|                                                                       |
+-----------------------------------------------------------------------+

3.2.2 同步桶indices

產生尺寸之後，就使用 sync_bucket_indices 同步桶的indices，其邏輯如下：

遍歷桶，把桶的大小都記錄到bucket_sizes。
配置TensorOptions。
把桶對應的indices和桶數目放入indices_tensor，這裡是通過 PyTorch accessor來對張量進行讀寫，accessor就像是一個張量，但它將張量的維度和 dtype 硬編碼為了模板引數，可以高效的訪問元素。
因為 NCCL這樣的 ProcessGroup 只支援device之間的操作，所以把indices_tensor拷貝到indices_tensor_device。
對 indices_tensor_device 進行廣播。
類似，對桶尺寸進行廣播。
廣播結束之後，遍歷桶，使用從rank 0收到的num_buckets, bucket_sizes_tensor 和 indices_tensor 更新傳進來的引數bucket_indices。

void Reducer::sync_bucket_indices(
    std::vector<std::vector<size_t>>& bucket_indices) {
  
  auto num_buckets = bucket_indices.size();
  std::vector<size_t> bucket_sizes;
  bucket_sizes.reserve(num_buckets);
  int64_t total_size = 0;
  
  //遍歷桶，把桶的大小都記錄到bucket_sizes
  for (size_t i = 0; i < num_buckets; i++) {
    auto bucket_size = bucket_indices.at(i).size();
    bucket_sizes.push_back(bucket_size);
    total_size += bucket_size;
  }

  // 配置TensorOptions
  at::TensorOptions options;
  options = options.dtype(at::kInt);
  options = options.device(replicas_[0][0].device());

  // Group indices and num_bucket together into indices_tensor
  // Broadcast this tensor first, as its size is equal among all processes
  // 把桶對應的indices和桶數目放入indices_tensor，這裡是通過 PyTorch accessor來對張量進行讀寫，accessor就像是一個張量，但它將張量的維度和 dtype 硬編碼為了模板引數，可以高效的訪問元素
  auto indices_tensor = at::empty({total_size + 1}, at::kInt);
  auto indices_accessor = indices_tensor.accessor<int, 1>();
  auto indices_accessor_Index = 0;
  for (size_t i = 0; i < num_buckets; i++) {
    const auto& bucket_size = bucket_indices.at(i).size();
    for (size_t j = 0; j < bucket_size; j++) {
      indices_accessor[indices_accessor_Index++] = bucket_indices[i][j];
    }
  }
  indices_accessor[indices_accessor_Index] = num_buckets;

  // Copy CPU tensor to device tensor, as the process_group_ could be NCCL and
  // it can only broadcast device tensors.
  auto indices_tensor_device = at::empty({total_size + 1}, options);
  // 因為 NCCL這樣的 ProcessGroup 只支援device之間的操作，所以把indices_tensor拷貝到indices_tensor_device
  indices_tensor_device.copy_(indices_tensor, /*non_blocking=*/true);
  std::vector<at::Tensor> indices_tensor_list = {indices_tensor_device};
  // 對 indices_tensor_device 進行廣播
  process_group_->broadcast(indices_tensor_list)->wait();
  indices_tensor.copy_(indices_tensor_list.front(), /*non_blocking=*/false);

  // Update num_buckets after receiving it from rank 0
  num_buckets = indices_accessor[indices_accessor_Index];

  // Broadcast bucket_sizes
  // 類似，對桶尺寸進行廣播
  auto bucket_sizes_tensor = at::empty({(int64_t)num_buckets}, at::kInt);
  auto bucket_sizes_accessor = bucket_sizes_tensor.accessor<int, 1>();
  for (size_t i = 0; i < num_buckets; i++) {
    // For rank != 0, it is possible that local num buckets bucket_sizes.size()
    // is smaller than broadcasted num_buckets
    bucket_sizes_accessor[i] =
        bucket_sizes.at(std::min(i, (bucket_sizes.size() - 1)));
  }
  auto bucket_sizes_tensor_device = at::empty({(int64_t)num_buckets}, options);
  bucket_sizes_tensor_device.copy_(bucket_sizes_tensor, /*non_blocking=*/true);
  std::vector<at::Tensor> bucket_sizes_tensor_list = {
      bucket_sizes_tensor_device};
  process_group_->broadcast(bucket_sizes_tensor_list)->wait();
  bucket_sizes_tensor.copy_(
      bucket_sizes_tensor_list.front(), /*non_blocking=*/false);

  // Clear bucket_indices first, and then update bucket_indices using received
  // num_buckets, bucket_sizes_tensor and indices_tensor from rank 0
  bucket_indices.clear();
  bucket_indices.reserve(num_buckets);
  indices_accessor_Index = 0;
  // 遍歷桶，使用從rank 0收到的num_buckets, bucket_sizes_tensor 和 indices_tensor 更新傳進來的引數bucket_indices
  for (size_t i = 0; i < num_buckets; i++) {
    const auto& bucket_size = bucket_sizes_accessor[i];
    std::vector<size_t> bucket;
    bucket.reserve(bucket_size);
    for (size_t j = 0; j < bucket_size; j++) {
      bucket.push_back(indices_accessor[indices_accessor_Index++]);
    }
    bucket_indices.emplace_back(std::move(bucket));
  }
}

3.2.3 初始化桶

同步之後就是初始化桶，本部分程式碼在前文已經分析過，故此省略。

3.3 準備後向傳播

前向傳播完成之後，呼叫 prepare_for_backward 完成了後向傳播的準備。

具體大致分為兩步：重置，查詢未使用的引數。

void Reducer::prepare_for_backward(
    const std::vector<torch::autograd::Variable>& outputs) {
  std::lock_guard<std::mutex> lock(mutex_);

  // 記錄開始時間
  cpu_timer_.backward_compute_start_time = current_time_in_nanos();
  if (should_collect_runtime_stats()) {
    record_backward_compute_start_time();
  }

  // Reset accounting.
  expect_autograd_hooks_ = true;
  reset_bucket_counting();
  // Reset unused parameter accounting.
  has_marked_unused_parameters_ = false;
  // Reset per iteration marked ready parameters.
  perIterationReadyParams_.clear(); // 重置每次迭代的marked ready parameters

  // If static graph is not set, search graph to detect unused parameters.
  // When static graph is set, unused_parameters_ will be detected and will
  // not change after 1st iteration.
  // If static_graph_ = false and find_unused_parameters_ is false,
  // we assume that autograd hooks for ALL variables will be called,
  // and we don't have to search the autograd graph for presence of these hooks.
  if (dynamic_graph_find_unused()) {
    unused_parameters_.clear();
    search_unused_parameters(outputs); // 查詢沒有使用的引數
  }
}

3.3.1 重置

這裡會遍歷桶，對於每個桶，重置其副本的pending狀態，某一個模型副本pending狀態是由這個模型副本中對應桶的變數數目決定。

如果是靜態圖，則重置numGradHooksTriggeredMapPerIteration_。

void Reducer::reset_bucket_counting() {
  next_bucket_ = 0;
  // Reset num_buckets_ready_ at the beginning of backward computation
  // in each iteration.
  num_buckets_ready_ = 0;

  for (auto& bucket : buckets_) { // 遍歷桶
    for (auto& replica : bucket.replicas) {
      replica.pending = replica.variables.size(); //對於每個桶，重置其副本的pending狀態，某一個模型副本pending，是由這個模型副本中，本桶的變數數目決定
    }
    bucket.pending = bucket.replicas.size(); // 重置桶的pending狀態，桶pending是由多少個模型副本決定
  }

  if (static_graph_) {
    // 重置numGradHooksTriggeredMapPerIteration_
    numGradHooksTriggeredMapPerIteration_ = numGradHooksTriggeredMap_;
  }
}

3.3.2 查詢未使用的引數

search_unused_parameters 完成了 "查詢未使用的引數" 功能。

我們首先要看看 Reducer 的 find_unused_parameters_ 成員變數。如果 find_unused_parameters_ 被設定為 true，則 DDP 會在前向傳播結束時候，從指定的輸出進行回溯，遍歷autograd計算圖來找到所有沒有使用過的引數，並且一一標記為就緒 ready。

對於所有引數，DDP 都有一個指向它們的梯度累積函式的指標，但對於那些autograd圖中不存在的引數，它們將在第一次呼叫autograd鉤子時就被標記為準備就緒。

因為模型輸出可能會被忽略，所以這個操作不是立即完成的，我們只是像在torch.autograd.backward()這裡開始執行規約操作。

大家可以發現，這麼做開銷會很大，為什麼要這麼做？這是因為計算動態圖會改變。

訓練時候，某次迭代可能只用到模型的一個子圖，而且因為PyTorch 是動態計算，所以子圖會在迭代期間改變，就是說，某些引數可能在下一次迭代訓練時候被跳過。
同時，因為所有引數在一開始就已經被分好桶，而 hook 又規定了只有整個桶 ready （即，pending == 0）之後才會進行通訊，所以如果我們不將未使用引數標記為 ready，整個通訊過程就會沒法進行。

// Traverse the autograd graph starting at the specified output.
// All parameters for which we have a pointer to their gradient accumulation
// functions, but don't show up in the autograd graph will be marked ready for
// for reduction as soon as the first autograd hook is called. This is not
// done immediately because the model output may be ignored, and we only
// want to start performing reductions on `torch.autograd.backward()`.
void Reducer::search_unused_parameters(
    const std::vector<torch::autograd::Variable>& outputs) {
  std::unordered_set<torch::autograd::Node*> seen;
  std::vector<torch::autograd::Node*> queue;

  RECORD_FUNCTION(
      "torch.distributed.ddp.reducer::search_unused_parameters",
      std::vector<c10::IValue>());

  // Seed queue with the grad functions of all outputs.
  for (const auto& output : outputs) {
    const auto& grad_fn = output.grad_fn();
    if (grad_fn) {
      queue.push_back(grad_fn.get()); // 把所有輸出節點的梯度函式插入到queue
    }
  }

  // Traverse the autograd graph starting at the specified output.
  // 遍歷這個queue中的元素，對於每一個函式，找到其後向圖之中的後續邊，然後把後續邊指向的節點再插入queue，然後繼續迴圈，最終 seen 裡面是所有從output出發，所有節點的梯度函式
  while (!queue.empty()) {
    auto fn = queue.back();
    queue.pop_back();
    for (const auto& edge : fn->next_edges()) {
      if (auto next_ptr = edge.function.get()) {
        const bool was_inserted = seen.insert(next_ptr).second;
        if (was_inserted) {
          queue.push_back(next_ptr);
        }
      }
    }
  }

  // Find accumulator functions that don't show up in this graph.
  // gradAccToVariableMap_ 裡面是所有需要被規約的variable
  // 遍歷gradAccToVariableMap_，如果 seen 之中沒有，就說明這個引數沒有被使用，插入到unused_parameters_
  for (const auto& it : gradAccToVariableMap_) {
    // If the accumulator function is present in the graph, we know
    // a gradient will be computed for the corresponding parameter.
    if (seen.count(it.first) == 0) {
      unused_parameters_.push_back(it.second);
    }
  }

  // Warn user about unnecessary perf hit if all parameters were used in
  // forward.
  if (unused_parameters_.empty()) {
    TORCH_WARN_ONCE(
        "find_unused_parameters=True was specified in DDP constructor, "
        "but did not find any unused parameters in the forward pass. This flag "
        "results in an extra traversal of the autograd graph every iteration, "
        " which can adversely affect performance. If your model indeed never "
        "has any unused parameters in the forward pass, consider turning this "
        "flag off. Note that this warning may be a false positive if your model "
        "has flow control causing later iterations to have unused parameters.");
  }
}

至此，前向傳播已經結束，我們得到了如下：