CUDA 流清理器¶
注意
這是一個原型功能，這意味著它處於早期階段，用於收集反饋和進行測試，其元件可能會發生變化。
概述¶
本模組介紹了 CUDA Sanitizer，一個用於檢測在不同流上執行的核心之間的同步錯誤的工具。
它儲存對張量的訪問資訊，以確定它們是否已同步。在 Python 程式中啟用它時，如果檢測到可能的資料競爭，將列印詳細警告並退出程式。
可以透過匯入此模組並呼叫 enable_cuda_sanitizer() 或匯出 TORCH_CUDA_SANITIZER 環境變數來啟用它。
用法¶
這是一個 PyTorch 中簡單同步錯誤的示例
import torch
a = torch.rand(4, 2, device="cuda")
with torch.cuda.stream(torch.cuda.Stream()):
torch.mul(a, 5, out=a)
張量 a 在預設流上初始化，並在沒有任何同步方法的情況下在新流上被修改。這兩個核心將在同一個張量上併發執行，這可能導致第二個核心在第一個核心寫入之前讀取未初始化的資料，或者第一個核心可能會覆蓋第二個核心的部分結果。當在命令列中執行此指令碼時，帶上
TORCH_CUDA_SANITIZER=1 python example_error.py
CSAN 會列印以下輸出
============================
CSAN detected a possible data race on tensor with data pointer 139719969079296
Access by stream 94646435460352 during kernel:
aten::mul.out(Tensor self, Tensor other, *, Tensor(a!) out) -> Tensor(a!)
writing to argument(s) self, out, and to the output
With stack trace:
File "example_error.py", line 6, in <module>
torch.mul(a, 5, out=a)
...
File "pytorch/torch/cuda/_sanitizer.py", line 364, in _handle_kernel_launch
stack_trace = traceback.StackSummary.extract(
Previous access by stream 0 during kernel:
aten::rand(int[] size, *, int? dtype=None, Device? device=None) -> Tensor
writing to the output
With stack trace:
File "example_error.py", line 3, in <module>
a = torch.rand(10000, device="cuda")
...
File "pytorch/torch/cuda/_sanitizer.py", line 364, in _handle_kernel_launch
stack_trace = traceback.StackSummary.extract(
Tensor was allocated with stack trace:
File "example_error.py", line 3, in <module>
a = torch.rand(10000, device="cuda")
...
File "pytorch/torch/cuda/_sanitizer.py", line 420, in _handle_memory_allocation
traceback.StackSummary.extract(
這提供了對錯誤根源的深入瞭解
從 ID 為 0（預設流）和 94646435460352（新流）的流中錯誤地訪問了張量
張量是透過呼叫
a = torch.rand(10000, device="cuda")分配的- 錯誤的訪問是由運算子引起的
a = torch.rand(10000, device="cuda")在流 0 上torch.mul(a, 5, out=a)在流 94646435460352 上
錯誤訊息還會顯示所呼叫運算子的模式，以及一個說明哪些運算子引數對應於受影響張量的註釋。
在此示例中，可以看出張量
a對應於呼叫運算子torch.mul的引數self、out和output值。
另請參閱
支援的 torch 運算子及其模式列表可以在此處檢視。
可以透過強制新流等待預設流來修復此錯誤
with torch.cuda.stream(torch.cuda.Stream()):
torch.cuda.current_stream().wait_stream(torch.cuda.default_stream())
torch.mul(a, 5, out=a)
再次執行指令碼時，不會報告任何錯誤。
