ywkang
e7f376ebaa
ADR-0027 is a design-only change (no production code). Rev 7 closes design across 7 iterations of review. Key decisions: - D0 (worker-wait generalization): ctx.wait in worker context yields to main scheduler, which drains env.run. Solves ADR-0024 Phase B orphan bug (ring_default_ws strict xfail). Normative contracts on resume invariant, fast-path, main-context non-reentrance, barrier loop-until-empty, and scheduler non-progress as user contract. - D0.5 (host-read barrier): Tensor.numpy/data/__getitem__/__repr__/copy_ auto-drain pending before reading. Closed-set via explicit registry (T5.g). copy_ uses global-pending barrier with explicit over-serialization tradeoff. - D1 (torch.multiprocessing.spawn): real-PyTorch API-signature parity, cooperative greenlet scheduler internally. Explicit non-goal on process isolation / address space / failure isolation. Sibling cleanup via SystemExit + SpawnException(errors) wrapping root-cause ranks. - D4/D5 (TP layers): ColumnParallelLinear / RowParallelLinear use torch.launch(gemm_kernel) — no host-side torch.matmul. Yield-safety contract normatively required for all TP forward paths. - Supersedes ADR-0024 D7/D12/D13 as design (none landed). Source of truth declared normative. Test strategy: T1-T8 with numerical-correctness primary (not mean/ aggregate-only), orphan invariant direct assertion, host-read barrier closed-set via registry. Phase 2 acceptance = 524 passed + 0 xfail (ring_default_ws unblocked by D0). ADR-0026 typo fix: torch.cuda.set_device → torch.ahbm.set_device in DPPolicy docstring (ADR-0024 D10 convention). Co-Authored-By: Claude Opus 4.6 (1M context) <noreply@anthropic.com>
1109 lines
52 KiB
Markdown
1109 lines
52 KiB
Markdown
# ADR-0027: Megatron-style Tensor Parallelism API
|
||
|
||
## Status
|
||
|
||
Proposed (Revision 7 — resume invariant / main-context wait 비재귀 invariant /
|
||
global barrier over-serialization tradeoff / TP forward yield-safety 명시,
|
||
2026-04-14)
|
||
|
||
## Context
|
||
|
||
### 목표
|
||
|
||
SIP 간 tensor parallelism(TP)을 **Megatron-LM 스타일의 명시적 parallel layer**
|
||
API로 지원한다. DTensor 같은 선언적 추상화는 별도 ADR(0028) future work.
|
||
|
||
Megatron-style을 선택한 이유:
|
||
- TP는 model의 특정 layer 경계에서 발생. 명시적 primitive가 mental model에
|
||
자연스러움.
|
||
- NVIDIA Megatron / DeepSpeed가 확립한 인더스트리 표준.
|
||
- DTensor는 선언적이라 디자인 공간이 더 크다 → 단계적.
|
||
|
||
### 현재 상태
|
||
|
||
- KernBench는 TP가 없음. 기존 `DPPolicy.sip="column_wise"` 경로는 ADR-0026에서
|
||
제거됨. rank = SIP launcher (ADR-0024) 위에 TP primitive를 얹는다.
|
||
- ADR-0024 Phase B에서 **worker-greenlet env.run 재진입 버그**가 드러남:
|
||
worker가 `ctx.wait(h)` (tensor 생성 시 MmuMapMsg 등)를 호출하면 `env.run`이
|
||
worker 컨텍스트에서 돌고, 이때 spawn되는 kernel greenlet의 `_parent`가
|
||
worker가 되어 orphan 발생. `ring_default_ws` strict xfail의 근본 원인.
|
||
- `dist.all_reduce`는 이미 `_defer_wait=True` + worker yield 패턴으로 이 문제를
|
||
피함 ([distributed.py:119-134](src/kernbench/runtime_api/distributed.py#L119-L134)).
|
||
- TP layer의 forward는 매번 `torch.launch("gemm", ...)`를 호출하고, 그 뒤에
|
||
`dist.all_reduce`가 따라오는 패턴이 반복됨. worker-wait 문제를 **반드시**
|
||
해결하지 않으면 TP 샘플이 첫 실행에서 실패.
|
||
|
||
### TP primitive 스펙 (Megatron-LM 참조)
|
||
|
||
- **ColumnParallelLinear**: weight의 **column(out_features)** 축을 TP ranks에
|
||
분산. 입력 full-replicated, 출력 column-sharded. 후속 RowParallelLinear가
|
||
올 때 forward all-reduce 없음.
|
||
- **RowParallelLinear**: weight의 **row(in_features)** 축을 TP ranks에 분산.
|
||
입력이 이미 column-sharded (ColumnParallel의 출력). forward 끝에
|
||
**all-reduce** 필요.
|
||
- **VocabParallelEmbedding**: embedding을 vocab 축에 분산. forward 끝에
|
||
all-reduce. (초기 scope에서는 stub, 실제 구현은 all-gather kernel 선행 필요.)
|
||
- **`copy_to_tp_region`**, **`reduce_from_tp_region`**, **`scatter_to_tp_region`**,
|
||
**`gather_from_tp_region`** — 기본 primitive.
|
||
|
||
### 풀어야 할 문제
|
||
|
||
1. **Worker-wait 일반화 (D0)**: `dist.all_reduce`의 defer/yield/drain 패턴을
|
||
모든 `ctx.wait` 경로로 확장. **이 ADR의 가장 큰 아키텍처 결정**.
|
||
|
||
2. **런처 API 정규화 (D1)**: 현 bench들이 hand-rolled greenlet loop을 사용.
|
||
`torch.multiprocessing.spawn(fn, args, nprocs)`로 흡수해 real-PyTorch API 면
|
||
유지 + D0의 scheduler drain을 단일 구현 위치에 집중.
|
||
|
||
3. **Per-rank weight 분산 표현**: 각 worker가 weight tensor의 자기 slice를
|
||
소유. ADR-0024의 `set_device(rank)` + ADR-0026의 intra-device DPPolicy로
|
||
자연스럽게 표현.
|
||
|
||
4. **Forward-only scope**: 현재 KernBench는 backward가 없음 (simulation 목적).
|
||
본 ADR은 **forward만** 우선 지원. Training simulation은 별도 ADR.
|
||
|
||
5. **Collective 호출 지점**: RowParallelLinear가 forward 끝에 `all_reduce` 호출.
|
||
ADR-0024의 multi-greenlet 구조 + D0 generalization에서 자연스럽게 동작.
|
||
|
||
6. **TP group 개념**: Megatron은 DP × TP × PP group을 교차 사용. 초기 scope는
|
||
**TP group = 전체 SIP** 단순화. Mixed DP+TP는 future.
|
||
|
||
---
|
||
|
||
## Decision
|
||
|
||
### D0. Worker-wait 일반화 — `ctx.wait`가 worker 컨텍스트면 main으로 defer
|
||
|
||
**문제 재확인**. `kernel_runner.run`은 spawn 시점의 `greenlet.getcurrent()`를
|
||
kernel greenlet의 `_parent`로 캡처한다
|
||
([kernel_runner.py:94](src/kernbench/triton_emu/kernel_runner.py#L94)).
|
||
main 컨텍스트에서 `env.run`이 돌면 parent=main이라 safe. worker 컨텍스트에서
|
||
`env.run`이 돌면 parent=worker가 되고, worker가 yield/finish하는 순간 kernel
|
||
greenlet은 orphan → `GreenletExit` → ADR-0024 Phase B의 `ring_default_ws` 실패.
|
||
|
||
**해결**. worker greenlet이 `ctx.wait(h)`를 호출하면 직접 `env.run`을 driving
|
||
하는 대신 **main scheduler로 yield**. main이 env.run을 drive해 handle이 완료
|
||
되면 worker로 control return.
|
||
|
||
#### D0.1 `RuntimeContext` 확장
|
||
|
||
```python
|
||
# context.py
|
||
@dataclass
|
||
class RuntimeContext:
|
||
...
|
||
_pending_worker_waits: list[RequestHandle] = field(default_factory=list, init=False)
|
||
```
|
||
|
||
#### D0.2 `ctx.wait`의 worker fork
|
||
|
||
```python
|
||
def wait(self, handle, *, _meta=None):
|
||
# Fast-path: already completed — skip enqueue + switch (consistent with
|
||
# D0.4-(3) idempotency). Avoids needless worker→main→worker round-trip
|
||
# and prevents redundant _pending_worker_waits growth.
|
||
if handle in self._completed:
|
||
completion, _trace = self.engine.get_completion(handle)
|
||
return completion
|
||
|
||
from greenlet import getcurrent
|
||
g = getcurrent()
|
||
if g.parent is not None and not g.parent.dead:
|
||
# Worker greenlet: defer to main. Push handle, yield to parent.
|
||
# Parent (scheduler loop) drains env.run, then switches back.
|
||
self._pending_worker_waits.append(handle)
|
||
g.parent.switch()
|
||
# On resume: handle must have completed (main drained the list).
|
||
# Fall through to the status-quo completion/trace assembly.
|
||
|
||
# Main context (or single-driver): drive engine directly.
|
||
wait_fn = getattr(self.engine, "wait", None)
|
||
if wait_fn is not None:
|
||
wait_fn(handle)
|
||
completion, trace = self.engine.get_completion(handle)
|
||
self._completed.add(handle)
|
||
if _meta is not None and trace is not None:
|
||
entry = dict(trace) if isinstance(trace, dict) else {"raw": trace}
|
||
entry.update(_meta)
|
||
self._traces.append(entry)
|
||
return completion
|
||
```
|
||
|
||
#### D0.3 `ctx.wait`의 worker-context 세만틱 contract (normative)
|
||
|
||
본 ADR은 `ctx.wait`의 세만틱을 worker 컨텍스트에서 **명시적으로 변경**한다.
|
||
|
||
- **Submit-vs-complete 분리**: `ctx.wait(h)`는 worker에서 호출될 때 "즉시 완료
|
||
보장"이 아니라 "**다음 scheduler drain 이후** 완료 보장"이다. worker가
|
||
`wait()`에서 return하는 시점 = main이 해당 handle에 대해 `engine.wait`을
|
||
마친 시점. Main context 호출은 기존대로 즉시-동기 (status quo).
|
||
- **Resume invariant (normative)**: worker-deferred `ctx.wait(h)`에서
|
||
`g.parent.switch()`가 return해 worker가 resume되는 시점에는 **반드시
|
||
`h in ctx._completed`가 True여야 한다**. 이 invariant가 깨지면 worker가
|
||
stale 상태에서 이후 단계를 진행하므로 `_drain_pending` / scheduler loop /
|
||
`ctx.wait` 어느 부분을 수정하든 이 불변식을 지켜야 한다. T3.b가 이
|
||
invariant를 직접 assert한다.
|
||
- **관찰 가능 변화**: worker 안에서 `h = ctx.submit(msg); ctx.wait(h);
|
||
read(handle_result)` 패턴은 여전히 성립 — 단 `wait()`와 `read` 사이에는
|
||
자동으로 main-drain이 삽입되었다는 사실을 세만틱 명세로 포함한다.
|
||
- **Host 객체 직접 read는 D0.5 참조**: `ctx.wait` 없이 `tensor.numpy()`를
|
||
부르는 경우의 계약은 D0.5에서 별도로 규정.
|
||
|
||
#### D0.4 Main scheduler drain — 규약 (normative)
|
||
|
||
(D1의 `multiprocessing.spawn` 내부 구현. 아래는 세만틱 정의.)
|
||
|
||
```python
|
||
while alive:
|
||
for g in alive: # (1) round-based worker switch
|
||
g.switch()
|
||
_drain_pending(ctx) # (2) drain in main context
|
||
```
|
||
|
||
(`_drain_pending`의 실제 정의는 D0.5 참조 — outer while-loop으로 두 큐가
|
||
모두 빌 때까지 drain.)
|
||
|
||
**규약**:
|
||
|
||
1. **Round-based cooperative scheduling & yield 의무 (worker contract)**.
|
||
`g.switch()`는 해당 worker가 **자발적으로 yield**할 때까지 return하지 않는다
|
||
(cooperative greenlet 세만틱). 따라서:
|
||
- Worker가 yield 없이 `while True: do_compute()` 같은 pure-compute loop를
|
||
돌면 `g.switch()`는 영원히 return하지 않고 **scheduler loop 자체가 hard
|
||
block**된다 (다른 worker는 switch 기회를 못 얻음, drain도 안 일어남). 이는
|
||
starvation이 아니라 **scheduler non-progress (deadlock 등가)**이며 본
|
||
ADR이 **unsupported**로 규정한다.
|
||
- Worker는 **반드시** `ctx.wait(h)`, `dist.all_reduce`, host-read barrier
|
||
(D0.5) 중 하나를 유한 step 내에 호출해야 한다. TP layer의 `forward`는
|
||
매 layer 끝에서 launch→wait 쌍을 포함하므로 자연스럽게 이 조건을 만족.
|
||
CCL kernel도 `dist.all_reduce` 내부에서 yield한다.
|
||
- 구현이 이를 **감지**할 필요는 없다 (타임아웃/steps-since-yield 카운터
|
||
등). 이는 user contract이며 위반 시 증상은 "simulation hang"이다.
|
||
- **Future extension**: non-collective 긴 계산 경로가 자주 나오면
|
||
ADR-0024 D13의 `torch.distributed.cooperative_yield()` primitive (명시적
|
||
no-op yield)를 도입할 수 있다. 현 ADR 범위 밖. Breaking change 아님 —
|
||
필요 시 추가하면 됨.
|
||
- Round 내에서는 alive worker 전체가 한 번씩 `switch`를 받는다. 단일 round
|
||
안에서 한 worker가 여러 번 wait를 호출해도 그 turn 안에서 순차적으로
|
||
enqueue된 뒤 scheduler drain 한 번에 일괄 처리 (FIFO).
|
||
|
||
2. **Drain 순서 = submission 순서 (FIFO)**. `_pending_worker_waits`는 list
|
||
append/pop(0)로 엄격한 FIFO. 완료 순서가 아니라 submission 순서로 drain되며,
|
||
SimPy scheduler 자체가 인과적으로 올바른 완료 순서를 보장하므로 submission
|
||
순서 drain이 안전하다. `completion order`와 `drain order`는 혼동하지 말 것.
|
||
|
||
**Two-queue ordering (worker waits → collectives)**: `_drain_pending`은
|
||
worker wait 큐를 먼저, collective 큐를 나중에 drain한다. 이 순서의 근거:
|
||
- **두 큐는 서로 다른 dependency source**: worker wait은 worker가 직접
|
||
`submit + wait` 쌍으로 만들어낸 handle (tensor deploy, MmuMap 등). collective
|
||
큐는 `dist.all_reduce`가 내부적으로 enqueue한 kernel launch handle이며
|
||
worker는 이걸 직접 wait하지 않는다 (ADR-0024 D7).
|
||
- **Correctness 관점 독립**: collective는 worker 관점에선 "이미 submit된
|
||
후 yield한" 상태. 그 완료 타이밍은 worker의 다음 action 시점 이전이기만
|
||
하면 됨. worker wait 큐와의 순서 dependency 없음.
|
||
- **단일 drain barrier 안에서 둘 다 완료**: D0.5의 loop-until-empty 규약에
|
||
따라 한 barrier invocation에서 worker → collective → (새로 생긴 것이
|
||
있으면 반복) 순으로 모두 빠짐. worker가 resume될 땐 양쪽 모두 drained.
|
||
- **대안 (collective 먼저)도 가능**: 본 ADR은 현 구현 단순성을 위해 worker
|
||
먼저를 고정했을 뿐 의미상 동치. 성능 프로파일 차이가 관찰되면 재조정.
|
||
|
||
3. **중복 enqueue — correctness는 idempotent drain, dedup은 non-guaranteed**.
|
||
`ctx.wait(h)`는 `h in ctx._completed`면 즉시 return. `_drain_pending`도
|
||
동일 guard. 같은 handle이 `_pending_worker_waits`에 여러 번 appended
|
||
되더라도 실제 `engine.wait`는 한 번만 호출된다 (idempotent).
|
||
- **Correctness**: idempotent drain에 의존 → safe.
|
||
- **Memory/성능**: 본 ADR은 `_pending_worker_waits`의 **dedup을 보장하지
|
||
않는다**. 같은 handle이 N번 enqueue되면 큐에 N개 element가 보관되고
|
||
drain 시 N번 pop + in-set guard가 돈다. 단일 worker가 같은 handle을
|
||
반복 wait하는 비정상 패턴이 아니면 N은 1~수 수준.
|
||
- **Implementation freedom**: 구현은 선택적으로 dedup (예: `set`을 side
|
||
index로 두거나 append 전 `h not in pending_set` 검사) 가능. correctness
|
||
를 바꾸지 않는 최적화로 분류.
|
||
|
||
4. **Exception propagation + sibling cleanup (ADR-0024 D13 방식 채택)**.
|
||
worker greenlet이 raise하면 `g.switch()`가 main으로 예외를 전달한다.
|
||
scheduler loop은 즉시 중단되고 다음 cleanup을 **명시적으로** 수행:
|
||
|
||
```python
|
||
try:
|
||
while True:
|
||
alive = [g for g in gs if not g.dead]
|
||
if not alive:
|
||
break
|
||
for g in alive:
|
||
if not g.dead:
|
||
g.switch()
|
||
_drain_pending(ctx)
|
||
except Exception as outer:
|
||
# (a) 살아남은 sibling worker greenlet 강제 종료.
|
||
for other in gs:
|
||
if not other.dead:
|
||
try:
|
||
other.throw(SystemExit)
|
||
except Exception:
|
||
pass # 사일런트 — 이미 예외 상황
|
||
# (b) Backend barrier / pending 상태 초기화 (장래 epoch barrier 도입 대비).
|
||
backend = getattr(ctx.distributed, "_backend", None)
|
||
if backend is not None and hasattr(backend, "_barrier"):
|
||
backend._barrier.reset()
|
||
backend_pending = getattr(backend, "_pending_collective_handles", None)
|
||
if backend_pending is not None:
|
||
backend_pending.clear()
|
||
ctx._pending_worker_waits.clear()
|
||
# (c) 원인 예외는 SpawnException으로 래핑.
|
||
raise SpawnException(errors) from outer
|
||
```
|
||
|
||
규약:
|
||
- **Sibling abort 보장**: worker 하나가 raise하면 모든 sibling greenlet에
|
||
`SystemExit`을 throw — greenlet은 즉시 terminate된다. greenlet leak 없음.
|
||
- **Pending queue 명시적 clear**: worker-wait + collective-pending 두 큐를
|
||
비움. 재사용 시 오염 방지.
|
||
- **`SpawnException(errors)` 래핑**: `errors: dict[int, Exception]`에 각
|
||
rank의 원래 예외를 담는다. real-PyTorch `torch.multiprocessing.spawn`의
|
||
failure 패턴과 호환.
|
||
- **Scope 제한**: `errors`에는 **자기 코드로 raise한 rank (root cause)만**
|
||
포함된다. Sibling cleanup 과정에서 `throw(SystemExit)`으로 종료된 rank는
|
||
`errors`에 나타나지 않는다 (SystemExit은 D1.2의 entry 래퍼 `try/except
|
||
Exception`에 걸리지 않음 — 의도된 설계: sibling 종료는 실패가 아니라
|
||
cleanup signal). 독자가 "모든 failed rank가 다 들어올 것"으로 기대하지
|
||
않도록 명시.
|
||
- **`ctx._traces`는 예외 이전 시점까지의 partial 상태**. trace completeness
|
||
는 보장되지 않음 (일부 launch/all_reduce가 entry를 남기지 못한 채 종료
|
||
가능).
|
||
- **Allocator / MemoryStore**는 예외 이전 상태 유지 — 재사용은 non-goal,
|
||
새 `RuntimeContext` 생성 권장.
|
||
- **`join=False` / retry / partial recovery**는 본 ADR의 non-goal.
|
||
|
||
`SpawnException`은 `runtime_api/multiprocessing.py`에 정의:
|
||
|
||
```python
|
||
class SpawnException(RuntimeError):
|
||
def __init__(self, errors: dict[int, Exception]):
|
||
self.errors = errors
|
||
first = next(iter(errors.items()), None)
|
||
msg = (f"spawn failed on ranks {sorted(errors.keys())}"
|
||
+ (f": rank {first[0]} raised {first[1]!r}" if first else ""))
|
||
super().__init__(msg)
|
||
```
|
||
|
||
5. **Single-driver 호환**. `g.parent is None`인 main-only 실행 (legacy 단일
|
||
드라이버 테스트)에서는 D0.2의 worker-fork 조건이 거짓 → 기존 즉시-동기
|
||
경로 유지. `_drain_pending`은 호출되지 않는다.
|
||
|
||
#### D0.5 Host-read barrier — 결정 (normative)
|
||
|
||
Worker 안에서 `tensor.numpy()`, `tensor.__getitem__`, `tensor.data` 등
|
||
**host-observable read**는 **자동 drain barrier**로 정의한다. 호출 직전:
|
||
|
||
1. `ctx._pending_worker_waits`와 `backend._pending_collective_handles`가 비어
|
||
있지 않으면 `g.parent.switch()`로 main에 yield → main은 `_drain_pending`
|
||
실행 → 완료 후 worker resume.
|
||
2. 두 큐가 모두 비어 있으면 즉시 read.
|
||
|
||
**Barrier 반복 규약 (normative — re-entrance)**: `_drain_pending`은 while-loop
|
||
로 **두 큐가 모두 완전히 비어질 때까지** drain한다. 단일 pass가 아님:
|
||
|
||
```python
|
||
def _drain_pending(ctx):
|
||
while ctx._pending_worker_waits or (
|
||
ctx.distributed._backend
|
||
and ctx.distributed._backend._pending_collective_handles
|
||
):
|
||
while ctx._pending_worker_waits:
|
||
h = ctx._pending_worker_waits.pop(0)
|
||
if h not in ctx._completed:
|
||
ctx.engine.wait(h)
|
||
backend = ctx.distributed._backend
|
||
if backend is not None:
|
||
while backend._pending_collective_handles:
|
||
h, _sip_id, meta = backend._pending_collective_handles.pop(0)
|
||
ctx.wait(h, _meta=meta) # main context: safe; ctx.wait가
|
||
# 다시 pending에 push하지 않음
|
||
```
|
||
|
||
**Main-context ctx.wait 비재귀 invariant (normative)**: `_drain_pending` 내부의
|
||
`ctx.wait(h, _meta=meta)` 호출은 main greenlet 컨텍스트에서 실행된다. D0.2의
|
||
worker-fork 조건(`g.parent is not None and not g.parent.dead`)이 False이므로
|
||
즉시-동기 경로로 진입 → **`_pending_worker_waits`에 절대 enqueue하지 않는다**.
|
||
이 invariant 덕분에 drain loop은 재귀/큐 재증가 없이 끝난다. 구현 시
|
||
`g.parent is None`을 단일 main greenlet 보장으로 유지하는 것이 중요.
|
||
|
||
**왜 loop인가**: `ctx.wait(h, _meta=meta)`는 main 컨텍스트에서 호출되므로 D0.2
|
||
경로에 따라 engine을 **직접 drive**한다 (추가 enqueue 없음 — 위 invariant).
|
||
따라서 이론적으로는 single pass로 충분하지만 — 규약은 **loop-until-empty**로
|
||
고정한다. 이유:
|
||
|
||
1. **미래 확장 안전성**: 향후 drain 중 새 pending이 enqueue되는 구현 (예:
|
||
collective가 sub-handle을 가진 tree-reduce)이 생길 수 있다. loop 규약이면
|
||
이때도 correctness 유지.
|
||
2. **가독성**: "barrier는 pending이 빌 때까지 drain"이라는 단일 문장으로
|
||
의미가 닫힘. `ctx.wait` 호출이 새 enqueue를 안 한다는 non-trivial invariant
|
||
에 의존하지 않음.
|
||
3. **Barrier의 세만틱은 "해당 read에 필요한 모든 dependency 완료"**: 현 모델
|
||
에선 모든 pending이 곧 모든 dependency이므로 둘은 동일. 사용자 mental model
|
||
은 전자.
|
||
|
||
**Termination 보증**: 두 체제로 분리해 서술한다.
|
||
|
||
- **현재 구현**: `ctx.wait`는 main context에서 호출 시 engine을 직접 drive
|
||
(D0.2) → 새 pending을 enqueue하지 않는다. 한 iteration마다 pending의 크기가
|
||
`pop(0)` + `engine.wait`로 엄격히 감소. iteration 수는 **초기 pending 크기
|
||
자체가 상한** → 유한 종료.
|
||
- **Future extension (loop 규약을 정당화하는 상한)**: 향후 drain 중 새 pending이
|
||
enqueue되는 구현 (예: tree-reduce sub-handle)이 도입되면 초기 크기 상한은
|
||
깨진다. 그러나 SimPy causality는 handle의 dependency가 유한 DAG임을 보장하므로
|
||
**nested depth가 finite**. loop 규약이 이 경우까지 자동 수용한다.
|
||
|
||
두 체제 모두 무한 루프가 불가능함을 보장. 현 구현의 단일-pass 상한은 공격적
|
||
최적화 시 참고 값일 뿐 규약은 loop-until-empty로 고정.
|
||
|
||
**왜 implicit drain at read가 맞는가**:
|
||
|
||
- 기존 open question에서 (a) implicit drain, (b) explicit barrier 둘 중 선택
|
||
문제였다. (b)는 명확하지만 TP layer 사용자가 `out = fc1.forward(x);
|
||
ctx.drain(); result = out.numpy()` 3-step을 매번 써야 하는 부담. (a)는
|
||
"읽을 때 반영된 값을 보장"하는 단일 규약으로 CUDA의 `cudaDeviceSynchronize
|
||
before host copy` 패턴과 동일 — 숨은 규칙이 아닌 **명명된 entry-point의
|
||
contract**이다.
|
||
- 본 ADR은 (a)를 채택하되 그 entry-point 목록을 **명시적으로 닫는다**:
|
||
`Tensor.numpy()`, `Tensor.data` (numpy alias), `Tensor.__getitem__`,
|
||
`Tensor.__repr__` (data가 포함되는 경우), 그 외 공식 host-read API는 본
|
||
ADR 구현 시점에 코드베이스 검색으로 확정. 추가되는 host-read API는 반드시
|
||
이 contract를 따라야 한다 (테스트로 회귀 방지).
|
||
- `ctx.submit`만 하고 `wait` 없이 `numpy`를 직접 호출하는 경우도 drain
|
||
barrier가 동작 (pending queue에 handle이 있기 때문). 사용자가 explicit
|
||
wait을 생략해도 read 시점에 invariant가 복원된다.
|
||
|
||
**`Tensor.copy_(source)` — write barrier 규정**:
|
||
|
||
`copy_`는 semantically "target에 write"이지만 내부적으로 `source.numpy()`를
|
||
호출하여 host에서 source 데이터를 가져온 뒤 `target._memory_store.write(...)`
|
||
로 각 shard에 쓴다. 두 방향 모두 barrier 처리:
|
||
|
||
1. **Source-side (read barrier)**: `source.numpy()`가 D0.5 read barrier를
|
||
트리거 (source 자체가 deployed tensor이고 pending이 있을 때).
|
||
2. **Target-side (write barrier — global pending 기준)**: `copy_` 진입 시
|
||
`ctx._pending_worker_waits` 또는 `backend._pending_collective_handles`가
|
||
비어 있지 않으면 write 전에 `g.parent.switch()`로 drain. **Per-tensor /
|
||
per-shard dependency tracking이 아니라 global pending queue 기준**.
|
||
- 왜 global인가: KernBench의 handle 표현에는 "이 handle이 target의 어느
|
||
shard를 write한다"는 역추적 정보가 없다. 안전한 보수적 규약으로 "전역
|
||
pending이 있으면 drain". 이 결과로 **unrelated tensor의 pending도 copy_를
|
||
막을 수 있다** — drop-in invariant 우선.
|
||
- **명시적 tradeoff**: 이 규약은 서로 독립적인 tensor 사이에도 불필요한
|
||
serialization을 도입할 수 있다. 그러나 현 single-queue execution model
|
||
하에서는 이 비용이 허용 가능 — cross-rank correctness와 "읽을 때 최신"
|
||
invariant를 단순한 규칙으로 보장하는 편이 우선.
|
||
- 실질적 영향: 단일 worker는 대부분 한 layer step 안에서 pending이 주로
|
||
자기 작업 — over-barrier로 인한 추가 context switch는 round 끝 scheduler
|
||
drain 시점과 일치하는 경우가 많아 큰 문제 안 됨.
|
||
- Future refinement: per-tensor pending tracking을 도입하면 이 규약을
|
||
좁힐 수 있으나 본 ADR scope 밖.
|
||
|
||
**Non-barrier**:
|
||
|
||
- `tensor.shape`, `tensor.dtype`, `tensor.name` 등 **metadata-only** 접근은
|
||
drain하지 않음. 데이터 의존성이 없음.
|
||
- `tensor.pa`, `tensor.va` 등 raw address accessor도 drain하지 않음 (주소만,
|
||
내용 아님).
|
||
|
||
**공식 barrier entry-point (closed set)**:
|
||
|
||
| API | Kind | Rationale |
|
||
|---|---|---|
|
||
| `Tensor.numpy()` | read | host-observable copy |
|
||
| `Tensor.data` | read | `numpy()` alias |
|
||
| `Tensor.__getitem__` | read | shard-aligned read |
|
||
| `Tensor.__repr__` (data 포함 시) | read | debugging/log |
|
||
| `Tensor.copy_(source)` | read + write | source read + target write |
|
||
|
||
이 contract를 T5/T6에서 직접 검증.
|
||
|
||
#### D0.6 왜 worker 함수 API는 불변인가 (informative)
|
||
|
||
- `torch.zeros(...)` 내부는 `self.submit(msg)` + `self.wait(h)` 쌍. `wait`가
|
||
D0.2/D0.3에 따라 자동으로 main-defer → 겉보기 동기적으로 보이지만 한 번
|
||
yield.
|
||
- `tensor.numpy()`는 D0.5에 따라 host-read barrier → pending이 있으면
|
||
drain→read, 없으면 즉시 read.
|
||
- `dist.all_reduce`는 기존 `_defer_wait=True` + `_pending_collective_handles`
|
||
경로를 그대로 사용. D0.4의 drain이 두 큐를 함께 처리.
|
||
|
||
#### D0.7 불변 조건 (invariants)
|
||
|
||
- **kernel greenlet의 `_parent`는 항상 main**: env.run이 worker 컨텍스트에서
|
||
절대 돌지 않기 때문. (T3의 핵심 assertion.)
|
||
- **cross-rank 동기 지점**: 모든 worker가 yield한 뒤에만 drain → 모든 rank의
|
||
kernel이 한 라운드에 함께 진행 (cross-rank IPCQ 교환의 필수 조건).
|
||
- **Single-driver 호환**: D0.4-(5).
|
||
|
||
### D1. `torch.multiprocessing.spawn(fn, args, nprocs)`
|
||
|
||
Real-PyTorch API 파리티 + D0의 scheduler loop의 단일 구현 위치.
|
||
|
||
#### D1.0 API parity only — execution parity 아님 (normative)
|
||
|
||
`torch.multiprocessing.spawn` 이름은 **API signature parity**에 한정된다.
|
||
실제 실행 모델은 **cooperative greenlet scheduler** (단일 Python 프로세스,
|
||
단일 OS 스레드, D0.4의 round-robin drive)이다. 다음은 **본 ADR이 제공하지
|
||
않는 속성** — real-PyTorch `torch.multiprocessing.spawn`이 보장하는 것 중
|
||
명시적으로 **non-goal**:
|
||
|
||
- 프로세스 격리 (independent OS process per rank).
|
||
- 독립 address space (각 rank가 자기 Python heap 보유).
|
||
- Failure isolation (한 rank의 hard crash가 다른 rank 영향 없음).
|
||
- OS-level scheduler fairness (rank 간 preemptive time slicing).
|
||
- `mp.Queue`, `mp.Lock` 등 inter-process primitive.
|
||
|
||
이 구현의 실제 성질:
|
||
|
||
- 모든 rank는 같은 Python 프로세스 안의 greenlet. shared global state가
|
||
그대로 보임 (의도된 simulation convenience).
|
||
- GIL 하의 단일 스레드 → parallel execution 아님. SimPy 이벤트 순서로
|
||
"논리적 동시성"만 재현.
|
||
- 한 worker에서 unhandled exception → 전체 simulation 중단 (D0.4-(4)).
|
||
|
||
**호출자 의무**: real-PyTorch multi-process 샘플을 KernBench로 이식할 때
|
||
프로세스 격리에 의존하는 로직 (예: `os.getpid`, 독립 임시 파일, 신호 처리
|
||
등)은 지워야 한다. Namespace 이름은 코드 이식성을 위해 유지 — 세만틱은
|
||
다르다.
|
||
|
||
#### D1.1 Public surface
|
||
|
||
```python
|
||
# runtime_api/multiprocessing.py (new)
|
||
class _MultiprocessingNamespace:
|
||
def __init__(self, ctx):
|
||
self._ctx = ctx
|
||
|
||
def spawn(self, fn, args: tuple, nprocs: int, join: bool = True) -> None:
|
||
"""Spawn `nprocs` worker greenlets, each calling fn(rank, *args).
|
||
|
||
Mirrors torch.multiprocessing.spawn signature (minus `daemon`).
|
||
Drives the D0 scheduler loop until all workers finish.
|
||
"""
|
||
...
|
||
```
|
||
|
||
#### D1.2 구현
|
||
|
||
```python
|
||
def spawn(self, fn, args, nprocs, join=True):
|
||
from greenlet import greenlet
|
||
ctx = self._ctx
|
||
dist = ctx.distributed
|
||
gs: list[greenlet] = []
|
||
errors: dict[int, Exception] = {}
|
||
for rank in range(nprocs):
|
||
def _entry(r=rank):
|
||
try:
|
||
fn(r, *args)
|
||
except Exception as e:
|
||
errors[r] = e
|
||
raise
|
||
g = greenlet(_entry)
|
||
dist._bind_rank(g, rank)
|
||
gs.append(g)
|
||
|
||
try:
|
||
while True:
|
||
alive = [g for g in gs if not g.dead]
|
||
if not alive:
|
||
break
|
||
for g in alive:
|
||
if not g.dead:
|
||
g.switch()
|
||
_drain_pending(ctx) # D0.5
|
||
except Exception as outer:
|
||
# Sibling cleanup per D0.4-(4)
|
||
for other in gs:
|
||
if not other.dead:
|
||
try:
|
||
other.throw(SystemExit)
|
||
except Exception:
|
||
pass
|
||
backend = getattr(dist, "_backend", None)
|
||
if backend is not None:
|
||
if hasattr(backend, "_barrier"):
|
||
backend._barrier.reset()
|
||
if getattr(backend, "_pending_collective_handles", None) is not None:
|
||
backend._pending_collective_handles.clear()
|
||
ctx._pending_worker_waits.clear()
|
||
raise SpawnException(errors) from outer
|
||
# `join=True` semantics: we already wait for all workers.
|
||
```
|
||
|
||
#### D1.3 `torch` namespace attach
|
||
|
||
`runtime_api/context.py` `__post_init__`에서:
|
||
```python
|
||
self.multiprocessing = _MultiprocessingNamespace(self)
|
||
```
|
||
|
||
→ bench 코드에서 `torch.multiprocessing.spawn(worker, args=(ws,), nprocs=ws)`.
|
||
|
||
#### D1.4 기존 bench 마이그레이션
|
||
|
||
`benches/ccl_allreduce.py`의 hand-rolled loop은 `torch.multiprocessing.spawn`
|
||
한 줄로 축소. 기존 matrix 회귀는 그대로 유지. 현재 xfail인 `ring_default_ws`는
|
||
D0 덕분에 PASS로 전환 예상 (worker가 kernel greenlet orphan을 발생시키지 않음).
|
||
|
||
### D2. 새 패키지 `kernbench.tp`
|
||
|
||
```
|
||
src/kernbench/tp/
|
||
__init__.py — public API re-exports
|
||
parallel_state.py — TP group 관리 (현재 single global group)
|
||
layers.py — ColumnParallelLinear, RowParallelLinear, VocabParallelEmbedding
|
||
primitives.py — copy/reduce/scatter/gather_to/from_tp_region
|
||
kernels.py — TP layer가 launch하는 gemm kernel (재사용 가능)
|
||
mappings.py — forward identity/all_reduce, backward stub
|
||
```
|
||
|
||
### D3. `parallel_state` — TP group
|
||
|
||
```python
|
||
# parallel_state.py
|
||
_TP_WORLD_SIZE = None
|
||
|
||
def initialize_model_parallel(tensor_model_parallel_size: int) -> None:
|
||
"""Initialize TP group. Must be called after dist.init_process_group."""
|
||
global _TP_WORLD_SIZE
|
||
from kernbench.runtime_api.distributed import get_dist # or torch.distributed
|
||
dist = get_dist()
|
||
total = dist.get_world_size()
|
||
if tensor_model_parallel_size != total:
|
||
raise NotImplementedError(
|
||
"Only TP == world_size supported in initial scope"
|
||
)
|
||
_TP_WORLD_SIZE = tensor_model_parallel_size
|
||
|
||
def get_tensor_model_parallel_world_size() -> int:
|
||
return _TP_WORLD_SIZE
|
||
|
||
def get_tensor_model_parallel_rank() -> int:
|
||
from kernbench.runtime_api.distributed import get_dist
|
||
return get_dist().get_rank() # ADR-0024 greenlet-local rank
|
||
```
|
||
|
||
초기 scope: TP size = world_size = topology SIP count. Pure TP 모델.
|
||
|
||
### D4-pre. TP shard ownership vs DPPolicy — 역할 분리 (normative)
|
||
|
||
TP layer의 weight/output 표현에서 두 개념을 명확히 분리한다:
|
||
|
||
| 개념 | 결정 주체 | 범위 |
|
||
|---|---|---|
|
||
| **TP shard ownership** (어느 rank가 weight의 어떤 slice를 소유하는가) | greenlet-local rank + `torch.ahbm.set_device(rank)` (ADR-0024 D9/D10) | **cross-rank, cross-SIP** |
|
||
| **Intra-rank placement** (소유된 slice를 rank 내부에서 cube × PE로 어떻게 분산하는가) | `DPPolicy(cube=..., pe=...)` (ADR-0026) | **한 rank 내부 (SIP 경계 안)** |
|
||
|
||
따라서 `ColumnParallelLinear`가 `(in_features, out_features // ws)` shape로
|
||
weight를 생성하고 `DPPolicy(cube="column_wise", pe="column_wise")`를 부여
|
||
하면:
|
||
|
||
- **Rank r**이 소유하는 slice = weight의 column 축 [r * k_local, (r+1) *
|
||
k_local) — **set_device(r)**가 이걸 결정 (해당 rank가 SIP r에 존재).
|
||
- **그 slice 내부**에서 cube × PE column-wise 분산 — **DPPolicy**가 이걸
|
||
결정.
|
||
|
||
두 축은 **독립적**이다. 같은 DPPolicy로 두 rank가 자기 slice를 만들면
|
||
slice 자체는 다른 SIP에 있지만 intra-SIP placement 패턴은 동일. 반대로
|
||
DPPolicy를 `cube="replicate", pe="replicate"`로 바꿔도 TP shard ownership은
|
||
유지되고 intra-rank placement만 달라짐.
|
||
|
||
**이 경계가 흐려지는 실수** (본 ADR이 금지):
|
||
|
||
- DPPolicy에 "SIP 축"이 다시 등장 (ADR-0026에서 제거됨).
|
||
- TP layer가 `set_device` 없이 `DPPolicy`만으로 cross-rank sharding을
|
||
표현 → 단일 rank 안에서 세로로 자른 것과 구분 안 됨.
|
||
|
||
본 ADR의 TP layer는 항상 "rank = SIP = one slice 소유 + DPPolicy intra-SIP
|
||
분산" 관점에서만 weight/output을 다룬다.
|
||
|
||
### D4. `ColumnParallelLinear`
|
||
|
||
**중요**: host-side `torch.matmul` 추상화를 신규 도입하지 않는다. layer의
|
||
forward는 `torch.launch("gemm", gemm_kernel, ...)`로 기존 gemm kernel을
|
||
호출 — KernBench bench들이 이미 쓰는 패턴
|
||
([benches/gemm_single_pe.py](benches/gemm_single_pe.py),
|
||
[benches/gpt3_qkv.py](benches/gpt3_qkv.py)).
|
||
|
||
```python
|
||
# layers.py
|
||
from kernbench.policy.placement.dp import DPPolicy
|
||
from kernbench.tp.kernels import _gemm_kernel
|
||
from kernbench.tp.parallel_state import (
|
||
get_tensor_model_parallel_rank,
|
||
get_tensor_model_parallel_world_size,
|
||
)
|
||
|
||
class ColumnParallelLinear:
|
||
"""Weight의 K(out_features) 축을 TP rank에 분산.
|
||
|
||
forward(x):
|
||
x: (M, N) — full-replicated across ranks
|
||
W_k: (N, K / world_size) — rank-local slice (set_device로 SIP r에 거주)
|
||
y_k = x @ W_k → (M, K / world_size) — rank-local output
|
||
|
||
출력은 column-sharded. RowParallelLinear가 기대하는 입력 형태.
|
||
"""
|
||
|
||
def __init__(self, in_features: int, out_features: int, bias: bool = False,
|
||
dtype: str = "f16", torch=None):
|
||
ws = get_tensor_model_parallel_world_size()
|
||
assert out_features % ws == 0
|
||
self.in_features = in_features
|
||
self.k_local = out_features // ws
|
||
self._torch = torch
|
||
# 각 rank가 자기 slice 소유 — set_device(rank)에 의해 SIP r에 배치.
|
||
self.weight = torch.zeros(
|
||
(in_features, self.k_local), dtype=dtype,
|
||
dp=DPPolicy(cube="column_wise", pe="column_wise"),
|
||
name="col_parallel_w",
|
||
)
|
||
self.bias = None
|
||
if bias:
|
||
self.bias = torch.zeros(
|
||
(self.k_local,), dtype=dtype,
|
||
dp=DPPolicy(cube="replicate", pe="replicate"),
|
||
name="col_parallel_b",
|
||
)
|
||
|
||
def forward(self, x):
|
||
# x는 full-replicated (caller 보장). 단순 local gemm.
|
||
M = x.shape[0]
|
||
out = self._torch.empty(
|
||
(M, self.k_local), dtype=x.dtype,
|
||
dp=DPPolicy(cube="column_wise", pe="column_wise"),
|
||
name="col_parallel_out",
|
||
)
|
||
self._torch.launch(
|
||
"col_parallel_gemm", _gemm_kernel,
|
||
x, self.weight, out, M, self.in_features, self.k_local,
|
||
)
|
||
# bias add는 별도 kernel 혹은 composite gemm의 fused bias.
|
||
# 초기 scope에서는 bias=False만 충분히 검증.
|
||
return out
|
||
```
|
||
|
||
**Yield-safety contract (normative)**: `ColumnParallelLinear.forward`는 한 번의
|
||
`torch.launch` 호출로 kernel launch → 내부 `ctx.wait` 쌍을 포함한다. 이는
|
||
D0.4-(1)의 "worker는 유한 step 내 yield" 조건을 자동으로 만족 — TP layer
|
||
사용자가 yield 패턴을 수동으로 삽입할 필요 없음.
|
||
|
||
### D5. `RowParallelLinear`
|
||
|
||
```python
|
||
class RowParallelLinear:
|
||
"""Weight의 N(in_features) 축을 TP rank에 분산.
|
||
|
||
forward(x):
|
||
x: (M, N / world_size) — rank-local slice (ColumnParallel의 출력)
|
||
W_k: (N / world_size, K) — rank-local slice
|
||
y_k = x @ W_k → (M, K) — partial sum on each rank
|
||
y = all_reduce(y_k, op="sum") → (M, K) on every rank
|
||
"""
|
||
|
||
def __init__(self, in_features: int, out_features: int, bias: bool = False,
|
||
dtype: str = "f16", torch=None):
|
||
ws = get_tensor_model_parallel_world_size()
|
||
assert in_features % ws == 0
|
||
self.n_local = in_features // ws
|
||
self.out_features = out_features
|
||
self._torch = torch
|
||
self.weight = torch.zeros(
|
||
(self.n_local, out_features), dtype=dtype,
|
||
dp=DPPolicy(cube="column_wise", pe="column_wise"),
|
||
name="row_parallel_w",
|
||
)
|
||
# bias는 rank 0에만 (Megatron convention). 초기 scope에서는 생략.
|
||
self.bias = None
|
||
|
||
def forward(self, x):
|
||
M = x.shape[0]
|
||
y_partial = self._torch.empty(
|
||
(M, self.out_features), dtype=x.dtype,
|
||
dp=DPPolicy(cube="column_wise", pe="column_wise"),
|
||
name="row_parallel_partial",
|
||
)
|
||
self._torch.launch(
|
||
"row_parallel_gemm", _gemm_kernel,
|
||
x, self.weight, y_partial, M, self.n_local, self.out_features,
|
||
)
|
||
# Cross-rank reduce. ADR-0024의 dist.all_reduce는 D0 + mp.spawn 하에서
|
||
# 정상 동작 (kernel parent = main 유지).
|
||
self._torch.distributed.all_reduce(y_partial, op="sum")
|
||
return y_partial
|
||
```
|
||
|
||
**Yield-safety contract (normative)**: `RowParallelLinear.forward`는 launch →
|
||
내부 wait에 이어 `all_reduce` (defer + worker yield 패턴)까지 포함하므로 forward
|
||
한 번당 **최소 2회 yield**가 보장됨. D0.4-(1)의 scheduler progress 조건 자동
|
||
만족. 모든 본 ADR의 TP layer forward는 "최소 하나의 wait 또는 collective를
|
||
포함해 yield-safe하다"를 invariant로 유지한다 — 이후 추가되는 TP primitive
|
||
(VocabParallelEmbedding 등)도 동일 계약 필수.
|
||
|
||
### D6. Primitive 함수
|
||
|
||
```python
|
||
# primitives.py
|
||
def copy_to_tp_region(x):
|
||
"""Forward: identity. Backward: all-reduce. (Training 추가 시 구현)."""
|
||
return x
|
||
|
||
def reduce_from_tp_region(x, torch):
|
||
"""Forward: all-reduce. Backward: identity."""
|
||
torch.distributed.all_reduce(x, op="sum")
|
||
return x
|
||
|
||
def scatter_to_tp_region(x):
|
||
raise NotImplementedError(
|
||
"Phase 2: 사용자가 이미 sharded tensor를 생성하는 것으로 대체"
|
||
)
|
||
|
||
def gather_from_tp_region(x):
|
||
raise NotImplementedError(
|
||
"Phase 2: all-gather kernel 선행 필요 (future)"
|
||
)
|
||
```
|
||
|
||
### D7. 샘플 bench — 2-layer MLP with TP
|
||
|
||
```python
|
||
# benches/tp_mlp.py (신규)
|
||
from kernbench.policy.placement.dp import DPPolicy
|
||
import kernbench.tp as tp
|
||
import numpy as np
|
||
|
||
|
||
def worker(rank: int, world_size: int, torch):
|
||
torch.ahbm.set_device(rank)
|
||
tp.initialize_model_parallel(world_size)
|
||
|
||
B, D_in, D_hidden, D_out = 1, 512, 2048, 512
|
||
fc1 = tp.ColumnParallelLinear(D_in, D_hidden, torch=torch)
|
||
fc2 = tp.RowParallelLinear(D_hidden, D_out, torch=torch)
|
||
|
||
x = torch.zeros(
|
||
(B, D_in), dtype="f16",
|
||
dp=DPPolicy(cube="replicate", pe="replicate"),
|
||
name="x",
|
||
)
|
||
# init x with some pattern (e.g., constant)
|
||
x.copy_(torch.from_numpy(np.full((B, D_in), 0.1, dtype=np.float16)))
|
||
|
||
h = fc1.forward(x) # column-sharded (B, D_hidden / ws)
|
||
y = fc2.forward(h) # all-reduced (B, D_out) on every rank
|
||
|
||
# rank 0만 결과 출력 / 검증
|
||
if rank == 0:
|
||
result = y.numpy()
|
||
# 실제 검증 값은 zero-init weight이면 전부 0 — scope에서는 "완료 자체" 검증
|
||
print(f" tp_mlp: shape={result.shape}, mean={float(result.mean()):.4f}")
|
||
|
||
|
||
def run(torch):
|
||
torch.distributed.init_process_group(backend="ahbm")
|
||
ws = torch.distributed.get_world_size()
|
||
torch.multiprocessing.spawn(worker, args=(ws,), nprocs=ws)
|
||
```
|
||
|
||
### D8. Non-functional — training 미지원
|
||
|
||
본 ADR은 **inference/forward only**. Backward / gradient / optimizer는 future.
|
||
기존 KernBench가 training이 아니므로 자연스러움.
|
||
|
||
### D9. 초기 scope 제약
|
||
|
||
- TP size = world_size (mixed DP+TP 없음).
|
||
- `scatter_to_tp_region`, `gather_from_tp_region`은 unimplemented.
|
||
- **Weight 기본값은 zero**. 적절한 init scheme (Xavier, Kaiming 등)은 future.
|
||
단 테스트는 `tensor.copy_`로 결정론적 non-zero pattern을 주입해 numerical
|
||
correctness를 검증 (T2/T6). 즉 "production default = zero, 검증 = 결정론적
|
||
non-zero"로 운영 분리.
|
||
- Bias 초기 scope에서 생략 (Megatron의 rank 0-only bias 정책은 future).
|
||
- Pipeline parallelism은 scope 밖.
|
||
- VocabParallelEmbedding은 all-gather 선행 필요 → stub only.
|
||
|
||
### D10. 회귀: `ring_default_ws` xfail 해제 — 필수 acceptance
|
||
|
||
D0 (worker-wait 일반화) + D0.5 (host-read barrier) 덕분에 모든 worker-driven
|
||
`ctx.wait` 및 host-read가 main-drain 경로로 routing됨 → ADR-0024 Phase B의
|
||
kernel-greenlet orphan 원인이 소멸. 기존 matrix test의 `ring_default_ws`
|
||
strict-xfail 케이스를 본 ADR 구현 이후 **PASS**로 전환하는 것을 **필수 회귀
|
||
기준**으로 포함. Observable acceptance criteria는 **T7**에 명시 (deadlock
|
||
부재, GreenletExit 부재, numerical tolerance 등).
|
||
|
||
---
|
||
|
||
## Dependencies
|
||
|
||
- **ADR-0024** (launcher): rank = SIP, greenlet-local rank, `dist.all_reduce`,
|
||
`torch.ahbm.set_device(rank)`. 본 ADR의 D0/D1이 이 인프라를 확장.
|
||
- **ADR-0026** (DPPolicy intra-device): weight tensor의 per-rank slice 표현.
|
||
- **ADR-0023 / ADR-0025** (IPCQ): `dist.all_reduce` 구현의 기반.
|
||
|
||
### Supersedes (partial)
|
||
|
||
ADR-0024의 다음 섹션은 **미구현 상태의 설계**이며, 본 ADR이 더 단순한 모델로
|
||
대체한다:
|
||
|
||
- **ADR-0024 D7 (`_CollectiveBarrier.submit_and_drain`)** — epoch 기반 last-
|
||
arriver-drains 패턴. 문제: last arriver가 **worker 컨텍스트에서** `ctx.wait`을
|
||
호출해 env.run을 drive → D0.2가 막으려는 orphan 원인을 재현한다. 본 ADR의
|
||
**D0.4 two-queue drain** (worker가 모두 yield한 뒤 main이 drain)이 동일한
|
||
"모든 rank가 submit 완료 전까지 어떤 rank의 collective도 진행되지 않음"
|
||
invariant를 **worker-safe하게** 제공한다. `_CollectiveBarrier` 클래스는
|
||
구현하지 않는다.
|
||
- **ADR-0024 D12/D13 (`spawn_workers` skeleton)** — signature / scheduler
|
||
loop / exception handling 설계. 본 ADR의 **D1**이 real-PyTorch API와 일치하는
|
||
signature (`spawn(fn, args, nprocs)`)로 재정의하며, D0 scheduler drain을 단일
|
||
위치에서 수행한다. ADR-0024 D13의 exception cleanup (siblings
|
||
`throw(SystemExit)` + `SpawnException` 래핑)은 본 ADR에 그대로 흡수
|
||
(D0.4-(4) 참조).
|
||
|
||
현 구현은 ADR-0024의 D7/D12/D13 어느 것도 landing하지 않았으므로 supersede에
|
||
따른 마이그레이션 비용은 없음. 향후 `docs/adr/ADR-0024`에 "superseded by
|
||
ADR-0027 D0/D1" 주석만 추가하면 정합.
|
||
|
||
**Source of truth (normative, 구현자 대상)**: worker scheduling / collective
|
||
drain / spawn / exception cleanup의 구현 기준은 **ADR-0027 D0/D1이다**. 구현
|
||
시 ADR-0024 D7/D12/D13의 pseudocode / contract / signature를 참고하지 말 것 —
|
||
두 ADR이 다른 결론을 낼 때는 항상 ADR-0027이 우선한다. 리뷰어도 이 원칙으로
|
||
PR을 심사.
|
||
|
||
---
|
||
|
||
## Non-goals
|
||
|
||
- **Backward pass / training**: inference only. Training simulation은 별도 ADR.
|
||
- **Mixed parallelism (DP + TP + PP)**: 초기엔 pure TP only.
|
||
- **Weight init schemes**: 단순 zero / debug pattern.
|
||
- **Fused ops**: Megatron의 fused matmul+bias+gelu는 kernel 레벨 문제.
|
||
- **DTensor 통합**: ADR-0028 future.
|
||
- **Host-side `torch.matmul` 추상화**: TP layer는 `torch.launch(gemm_kernel, ...)`
|
||
로 기존 gemm kernel을 호출. 신규 matmul host-op 도입 안 함.
|
||
|
||
---
|
||
|
||
## Open questions
|
||
|
||
- **`initialize_model_parallel` 위치**: `kernbench.tp.initialize_model_parallel`
|
||
(현 결정) vs real-PyTorch의 `torch.distributed.init_device_mesh`. TP 전용
|
||
모듈에 유지.
|
||
- **Weight init**: ADR은 zero. Debug pattern (e.g., identity)이 유효 검증에
|
||
필요할 수 있음 — Phase 1 test에서 필요 시 추가.
|
||
- **bias 배치 정책**: Megatron은 RowParallelLinear bias를 rank 0에만. 초기
|
||
scope에서는 bias=False로 회피.
|
||
- **GEMM kernel 위치**: `kernbench.tp.kernels._gemm_kernel` vs 기존
|
||
`benches/gemm_single_pe.py`에서 import. TP가 bench 의존을 가지면 안 되므로
|
||
tp 내부에 복제. 향후 `kernbench.kernels` 공용 패키지로 이관 가능.
|
||
|
||
**Resolved (이전 rev에서 open이었던 것들)**:
|
||
- ~~`tensor.numpy()` 호출 시 drain 타이밍~~ → **D0.5에서 결정**: 공식 host-read
|
||
entry-point(`numpy`, `data`, `__getitem__`, data-포함 `__repr__`)는 자동
|
||
drain barrier. metadata-only accessor는 barrier 아님.
|
||
|
||
---
|
||
|
||
## Test strategy
|
||
|
||
### T1. Unit — `tests/test_tp_parallel_state.py` (신규)
|
||
|
||
- `initialize_model_parallel(ws)`가 world_size와 일치하는 경우만 통과.
|
||
- `get_tensor_model_parallel_rank()`가 greenlet-local rank 반환 (ADR-0024 D9
|
||
회귀).
|
||
- 미초기화 상태에서 `get_tensor_model_parallel_world_size()`가 적절히 실패.
|
||
|
||
### T2. Unit — `tests/test_tp_layers.py` (신규)
|
||
|
||
**Shape / structural checks**:
|
||
|
||
- `ColumnParallelLinear(in=256, out=512).weight.shape` per-rank가 `(256, 512/ws)`.
|
||
- `RowParallelLinear(in=512, out=256).weight.shape` per-rank가 `(512/ws, 256)`.
|
||
- `ColumnParallelLinear.forward(x)`의 출력 텐서 shape이 `(M, K/ws)`.
|
||
|
||
**Numerical correctness (weight ≠ zero)**: 단순 shape assert는 대수적 오류를
|
||
놓치므로, 결정론적 non-zero 입력/weight으로 실제 연산 결과 검증:
|
||
|
||
- **T2.a (ColumnParallel, deterministic)**: weight를 per-rank identity
|
||
(또는 `(i, j) → i + rank * k_local + j` 같은 결정론적 패턴)으로 초기화
|
||
(`tensor.copy_`). 입력 `x`를 상수 벡터로 둔 뒤 forward. 각 rank의 출력이
|
||
**기대치 `x @ W_rank_local`와 rtol/atol 1e-2 이내로 일치** (gemm kernel의
|
||
fp16 round-off 고려).
|
||
- **T2.b (RowParallel, reduced output equality — primary)**: 모든 rank의
|
||
forward 결과가 동일 전역 행렬 곱 `concat([x_0..x_{ws-1}]) @ concat([W_0..
|
||
W_{ws-1}])`과 일치하는지 검증. rank-별 `y.numpy()` 비교로 (i) all-reduce 후
|
||
elementwise equality와 (ii) 기대치(host-side numpy로 계산) 일치 **둘 다**
|
||
assert. observable-only 검증 — internal hook 불필요.
|
||
|
||
*Optional implementation note*: partial-sum 단계를 더 세밀히 관찰하고 싶으면
|
||
`_pending_collective_handles` enqueue 직전 intercept hook을 쓸 수 있으나,
|
||
이는 내부 구현 detail에 결합되므로 ADR 수준의 test contract는 T2.b의
|
||
observable equality만 요구한다.
|
||
- **T2.c (rank-identity after all_reduce)**: 모든 rank의 `y.numpy()`이 elementwise
|
||
identical (mean뿐 아니라 full array equality, rtol 1e-2).
|
||
|
||
**기존 weak assertion 금지**: `output mean이 identical` 같은 aggregate-only
|
||
검증은 silently 깨지기 쉽기에 **main assertion으로 쓰지 말 것** — 보조
|
||
sanity로만 사용.
|
||
|
||
### T3. Worker-wait 일반화 + orphan regression — `tests/test_worker_wait_drain.py` (신규)
|
||
|
||
본 테스트의 핵심 목적은 queue 동작이 아니라 **ADR-0024 Phase B orphan
|
||
regression의 직접 방지**이다. 다음을 assert:
|
||
|
||
- **T3.a**: Worker가 `ctx.wait(h)`을 호출하면 `_pending_worker_waits`에
|
||
handle이 enqueue되고 main이 drain하기 전까지 worker는 resume되지 않는다.
|
||
- **T3.b**: `_drain_pending` 직후 worker가 resume되고 handle은 `_completed`
|
||
상태.
|
||
- **T3.c**: Multi-worker에서 모든 worker가 같은 drain 지점에서 resume.
|
||
- **T3.d (orphan invariant, 핵심)**: Worker 함수가 `torch.launch(...)`를
|
||
호출한 뒤, SimPy engine이 실제로 돌기 시작하는 시점에 **kernel greenlet의
|
||
`_parent`는 main greenlet**이다. 테스트는 `kernel_runner.run`을 monkey-patch
|
||
하거나 `KernelRunner._parent` capture 시점에 assertion hook을 걸어 이
|
||
invariant를 직접 검증.
|
||
- **T3.e (symptom regression)**: D0 없이는 T3.d와 등가인 GreenletExit 실패가
|
||
재현되어야 함 (historical failure mode 문서화 — 실제 테스트는 D0 도입 후
|
||
skip 또는 xfail 처리).
|
||
- **T3.f (idempotency)**: 같은 handle을 `ctx.wait(h)`로 두 번 호출해도
|
||
`engine.wait`은 한 번만 불린다 (D0.4-(3)).
|
||
- **T3.g (exception propagation)**: Worker가 `wait` 호출 후 raise하면 main
|
||
scheduler loop이 즉시 중단되고 예외가 위로 전파. 남은 `_pending_worker_waits`는
|
||
drain되지 않는다 (D0.4-(4)).
|
||
|
||
### T4. `torch.multiprocessing.spawn` — `tests/test_mp_spawn.py` (신규)
|
||
|
||
- `spawn(fn, args, nprocs)`이 nprocs 개의 greenlet을 생성하고 각각 rank로 bind.
|
||
- 모든 worker 완료 후 return.
|
||
- 기존 bench `ccl_allreduce.py`의 hand-rolled loop을 `mp.spawn`으로 교체해도
|
||
matrix 회귀 통과.
|
||
|
||
### T5. Host-read barrier — `tests/test_host_read_barrier.py` (신규)
|
||
|
||
D0.5 contract를 직접 검증:
|
||
|
||
- **T5.a**: Worker가 `launch → tensor.numpy()`를 연속 호출하면 barrier가 동작,
|
||
numpy 결과는 kernel 완료 후 값 (post-drain).
|
||
- **T5.b**: `launch → tensor.shape` (metadata)는 barrier 발동 안 함 (pending
|
||
queue 그대로 유지).
|
||
- **T5.c**: Pending 큐가 비어 있는 상태의 `numpy()` 호출은 yield 없이 즉시
|
||
read (불필요한 context switch 방지).
|
||
- **T5.d**: `__getitem__`, `data` 역시 T5.a와 동일한 barrier 발동.
|
||
- **T5.e**: Collective pending (all_reduce) 진행 중 상태에서 `numpy()` 호출 시
|
||
collective drain까지 기다린 뒤 read.
|
||
- **T5.f (copy_ write barrier)**: target tensor에 미완료 pending handle이
|
||
있는 상태에서 `target.copy_(source)` 호출 시, write 전에 drain 발동.
|
||
주입한 host source가 drain-이후 상태에 덮어써지는지 확인 (stale-overwrite
|
||
없음).
|
||
- **T5.g (closed-set via registry)**: barrier entry-point의 closed-set은
|
||
**명시적 registry** (예: `tensor.py` 상단의 `_HOST_READ_BARRIERS = frozenset
|
||
({"numpy", "data", "__getitem__", "__repr__", "copy_"})`)로 유지한다.
|
||
테스트는:
|
||
1. registry에 나열된 각 entry-point에 **실제 barrier 주입이 되어 있는지**
|
||
(invocation 시 pending queue를 확인하고 yield 경로를 거치는지) 관찰.
|
||
2. 새 host-read semantic API 추가는 code review에서 registry 업데이트를
|
||
의무화 (CODEOWNERS / review checklist로 운영).
|
||
|
||
**Non-goal**: Python introspection (method 시그니처, docstring 분석 등)으로
|
||
barrier-부재 API를 자동 탐지하는 것은 정밀도 문제로 ADR scope 밖. registry
|
||
+ review 접근으로 충분.
|
||
|
||
### T6. E2E — `tests/test_tp_mlp.py` (신규)
|
||
|
||
2-layer MLP (ColumnParallel → RowParallel) forward:
|
||
|
||
**Structural / liveness**:
|
||
|
||
- `ws = SIP count` (topology.yaml 기준 current 2) 모델로 실행 완료.
|
||
- **Deadlock 없음**: scheduler loop이 유한 시간 내 종료 (pytest-timeout 등).
|
||
- **Completion trace**: 각 `launch` 및 `all_reduce`가 `ctx._traces`에 entry
|
||
남김 (count = 예상 layer 수).
|
||
|
||
**Numerical correctness (필수)**:
|
||
|
||
- **T6.a (zero-weight sanity)**: weight 전부 0 → 출력 전부 0. 파이프라인이
|
||
돌긴 하는지 확인용 smoke test. **이것만으로는 불충분 — T6.b/T6.c와 함께
|
||
채택**.
|
||
- **T6.b (deterministic pattern)**: 모든 weight를 결정론적 non-zero pattern
|
||
(예: all 0.01, 또는 per-rank identity에서 파생된 값)으로 `copy_`. 입력도
|
||
상수. 기대 출력을 host-side numpy로 계산한 뒤 각 rank의 `y.numpy()`와 rtol
|
||
1e-2로 비교.
|
||
- **T6.c (rank-consistency post all-reduce)**: RowParallel의 all-reduce
|
||
이후 **모든 rank의 output이 elementwise identical** (T2.c와 동일 기준).
|
||
단순 mean 일치가 아니라 full array equality.
|
||
- **T6.d (shape contract)**: ColumnParallel 출력이 `(B, D_hidden / ws)`,
|
||
RowParallel 출력이 `(B, D_out)`.
|
||
|
||
### T7. 회귀 — `ring_default_ws` xfail 해제
|
||
|
||
- `tests/test_ccl_allreduce_matrix.py::test_ccl_allreduce_matrix[ring_default_ws]`의
|
||
`@pytest.mark.xfail(strict=True)` 제거 → **PASS**여야 함.
|
||
- Acceptance criteria (observable):
|
||
- **Deadlock 없음**: bench가 유한 시간 내 종료.
|
||
- **GreenletExit 없음**: stderr/log에 GreenletExit trace 없음.
|
||
- **Rank 0 산출**: `ring_allreduce_tcm (ws=2): 2 OK` 문자열이 출력.
|
||
- **Completion trace**: `all_reduce` trace entry 존재.
|
||
- **Numerical**: 각 rank의 입력 `r+1`에 대한 sum(1..ws)=3 결과를 tolerance
|
||
1e-1 이내로 달성.
|
||
|
||
### T8. 회귀 — 기존 전체 test suite
|
||
|
||
- ADR-0026까지 통과하던 모든 test가 그대로 통과 (523 passed + 1 xfail).
|
||
- Phase 2 완료 기준: 524 passed (xfail 해제 포함) + 0 xfail + 위 T1~T7 신규
|
||
테스트 전부 통과.
|
||
|
||
---
|
||
|
||
## Consequences
|
||
|
||
### Positive
|
||
|
||
- **Megatron 코드 이식 용이**: real training code와 API 일치.
|
||
- **TP 벤치마크 가능**: scaling, communication-compute overlap 등 HW 특성
|
||
연구.
|
||
- **`ring_default_ws` xfail 해제**: D0의 부산물로 ADR-0024 Phase B 블로커 해소.
|
||
- **Scheduler loop 단일화**: D1 (`mp.spawn`) 도입으로 hand-rolled loop 제거.
|
||
후속 collective/TP 벤치가 동일 패턴 재사용.
|
||
- **DPPolicy 의미 명확화** (ADR-0026 시너지): TP layer가 intra-device DPPolicy
|
||
만 사용하는 모범 사례.
|
||
|
||
### Negative
|
||
|
||
- 새 모듈 (`kernbench.tp`) 유지보수 비용.
|
||
- 초기 scope가 제한적 (pure TP only, forward only).
|
||
- D0 generalization이 `ctx.wait`의 세만틱을 바꿈 — 단일 드라이버 테스트와의
|
||
호환성을 명시적으로 검증 필요 (T7).
|
||
|
||
### Neutral
|
||
|
||
- ADR-0024/0026 기반 위에 순수한 상위 레이어 추가. Hardware simulation
|
||
stack에 영향 없음 (D0 제외).
|
||
|
||
---
|
||
|
||
## Affected files
|
||
|
||
| File | Change |
|
||
|------|--------|
|
||
| `src/kernbench/runtime_api/context.py` | D0.1/D0.2: `_pending_worker_waits` + `ctx.wait`의 worker fork, D1.3: `self.multiprocessing` namespace attach |
|
||
| `src/kernbench/runtime_api/multiprocessing.py` | 신규 (D1): `_MultiprocessingNamespace.spawn` + `_drain_pending` + `SpawnException` |
|
||
| `src/kernbench/runtime_api/distributed.py` | `_pending_collective_handles` 타입 annotation 보강 (`list[tuple[RequestHandle, int, dict]]`); spawn exception cleanup에서 clear 호출 지점 노출 |
|
||
| `src/kernbench/runtime_api/tensor.py` | D0.5 barrier 주입: `numpy`, `__getitem__`, `data`, `__repr__`, `copy_` (source read + target write) |
|
||
| `src/kernbench/tp/__init__.py` | 신규: public API re-export |
|
||
| `src/kernbench/tp/parallel_state.py` | 신규: D3 |
|
||
| `src/kernbench/tp/layers.py` | 신규: D4/D5 |
|
||
| `src/kernbench/tp/primitives.py` | 신규: D6 |
|
||
| `src/kernbench/tp/kernels.py` | 신규: TP layer용 `_gemm_kernel` (bench 복제) |
|
||
| `src/kernbench/tp/mappings.py` | 신규 stub (backward TODO) |
|
||
| `benches/tp_mlp.py` | 신규 샘플 (D7) |
|
||
| `benches/ccl_allreduce.py` | hand-rolled loop → `torch.multiprocessing.spawn`으로 교체 (D1.4) |
|
||
| `tests/test_tp_parallel_state.py` | 신규 (T1) |
|
||
| `tests/test_tp_layers.py` | 신규 (T2) |
|
||
| `tests/test_worker_wait_drain.py` | 신규 (T3): orphan invariant 직접 검증 포함 |
|
||
| `tests/test_mp_spawn.py` | 신규 (T4) |
|
||
| `tests/test_host_read_barrier.py` | 신규 (T5): D0.5 host-read barrier contract |
|
||
| `tests/test_tp_mlp.py` | 신규 (T6) |
|
||
| `tests/test_ccl_allreduce_matrix.py` | `ring_default_ws` xfail 제거 (T7) |
|