自訂後端¶
概觀¶
torch.compile 提供了一個簡單的方法，讓使用者能夠定義自訂後端。
後端函數具有合約 (gm: torch.fx.GraphModule, example_inputs: List[torch.Tensor]) -> Callable。
TorchDynamo（torch.compile 的圖形追蹤元件）可以在追蹤 FX 圖形後呼叫後端函數，並且預期會返回一個與追蹤的 FX 圖形等效的已編譯函數。返回的可呼叫物件應具有與傳遞到後端的原始 torch.fx.GraphModule 的 forward 函數相同的合約：(*args: torch.Tensor) -> List[torch.Tensor]。
為了讓 TorchDynamo 呼叫您的後端，請將您的後端函數作為 backend 關鍵字參數傳遞到 torch.compile 中。例如，
import torch
def my_custom_backend(gm, example_inputs):
return gm.forward
def f(...):
...
f_opt = torch.compile(f, backend=my_custom_backend)
@torch.compile(backend=my_custom_backend)
def g(...):
...
如需更多範例，請參閱下方。
註冊自訂後端¶
您可以使用 register_backend 裝飾器註冊您的後端，例如，
from torch._dynamo import register_backend
@register_backend
def my_compiler(gm, example_inputs):
...
除了 register_backend 裝飾器之外，如果您的後端位於另一個 Python 套件中，您也可以透過 Python 套件的入口點註冊您的後端，這為套件提供了一種為另一個套件註冊插件的方法。
提示
您可以在 python packaging 文件 中瞭解更多關於 entry_points 的資訊。
若要透過 entry_points 註冊您的後端，您可以將您的後端函數新增到套件的 setup.py 檔案中的 torch_dynamo_backends 入口點群組，例如
...
setup(
...
'torch_dynamo_backends': [
'my_compiler = your_module.submodule:my_compiler',
]
...
)
請將 = 之前的 my_compiler 替換為您的後端名稱，並將 = 之後的部份替換為您的後端函數的模組和函數名稱。安裝套件後，入口點將會新增到您的 Python 環境中。當您呼叫 torch.compile(model, backend="my_compiler") 時，PyTorch 會先搜尋已使用 register_backend 註冊的名為 my_compiler 的後端。如果找不到，它將會繼續搜尋透過 entry_points 註冊的所有後端。
註冊有兩個目的
您可以將包含後端函數名稱的字串傳遞到
torch.compile中，而不是傳遞函數本身，例如torch.compile(model, backend="my_compiler")。這是與 縮小器 一起使用時所必需的。縮小器產生的任何程式碼都必須呼叫註冊後端函數的程式碼，通常是透過
import語句。
AOTAutograd 之後的自訂後端¶
可以定義由 AOTAutograd 而不是 TorchDynamo 呼叫的自訂後端。這在兩個主要方面很有用
使用者可以定義支援模型訓練的後端，因為 AOTAutograd 可以產生用於編譯的反向圖形。
AOTAutograd 產生的 FX 圖形包含 核心 Aten 運算子。因此，自訂後端只需要支援核心 Aten 運算子集，而這比整個 torch/Aten 運算子集小得多。
使用 torch._dynamo.backends.common.aot_autograd 包裝您的後端，並像以前一樣使用 torch.compile 和 backend 關鍵字參數。由 aot_autograd 包裝的後端函數應具有與以前相同的合約。
後端函數透過 fw_compiler（正向編譯器）或 bw_compiler（反向編譯器）關鍵字參數傳遞到 aot_autograd。如果未指定 bw_compiler，則反向編譯函數會預設為正向編譯函數。
一個需要注意的是，AOTAutograd 要求後端返回的已編譯函數是「已裝箱」的。這可以透過使用 functorch.compile.make_boxed_func 包裝已編譯的函數來完成。
例如，
from torch._dynamo.backends.common import aot_autograd
from functorch.compile import make_boxed_func
def my_compiler(gm, example_inputs):
return make_boxed_func(gm.forward)
my_backend = aot_autograd(fw_compiler=my_compiler) # bw_compiler=my_compiler
model_opt = torch.compile(model, backend=my_backend)
範例¶
除錯後端¶
如果您想更好地理解編譯期間發生的事情，您可以創建一個自定義編譯器（在本節中稱為後端），它將漂亮地列印從 Dynamo 的位元組碼分析中提取的 fx GraphModule 並返回一個可呼叫的 forward()。
例如
from typing import List
import torch
def my_compiler(gm: torch.fx.GraphModule, example_inputs: List[torch.Tensor]):
print("my_compiler() called with FX graph:")
gm.graph.print_tabular()
return gm.forward # return a python callable
@torch.compile(backend=my_compiler)
def fn(x, y):
a = torch.cos(x)
b = torch.sin(y)
return a + b
fn(torch.randn(10), torch.randn(10))
執行上述範例會產生以下輸出
my_compiler() called with FX graph:
opcode name target args kwargs
------------- ------ ------------------------------------------------------ ---------- --------
placeholder x x () {}
placeholder y y () {}
call_function cos <built-in method cos of type object at 0x7f1a894649a8> (x,) {}
call_function sin <built-in method sin of type object at 0x7f1a894649a8> (y,) {}
call_function add <built-in function add> (cos, sin) {}
output output output ((add,),) {}
這也適用於 torch.nn.Module，如下所示
from typing import List
import torch
def my_compiler(gm: torch.fx.GraphModule, example_inputs: List[torch.Tensor]):
print("my_compiler() called with FX graph:")
gm.graph.print_tabular()
return gm.forward # return a python callable
class MockModule(torch.nn.Module):
def __init__(self):
super().__init__()
self.relu = torch.nn.ReLU()
def forward(self, x):
return self.relu(torch.cos(x))
mod = MockModule()
optimized_mod = torch.compile(mod, backend=my_compiler)
optimized_mod(torch.randn(10))
讓我們再看一個帶有控制流程的範例
from typing import List
import torch
def my_compiler(gm: torch.fx.GraphModule, example_inputs: List[torch.Tensor]):
print("my_compiler() called with FX graph:")
gm.graph.print_tabular()
return gm.forward # return a python callable
@torch.compile(backend=my_compiler)
def toy_example(a, b):
x = a / (torch.abs(a) + 1)
if b.sum() < 0:
b = b * -1
return x * b
for _ in range(100):
toy_example(torch.randn(10), torch.randn(10))
執行此範例會產生以下輸出
my_compiler() called with FX graph:
opcode name target args kwargs
------------- ------- ------------------------------------------------------ ---------------- --------
placeholder a a () {}
placeholder b b () {}
call_function abs_1 <built-in method abs of type object at 0x7f8d259298a0> (a,) {}
call_function add <built-in function add> (abs_1, 1) {}
call_function truediv <built-in function truediv> (a, add) {}
call_method sum_1 sum (b,) {}
call_function lt <built-in function lt> (sum_1, 0) {}
output output output ((truediv, lt),) {}
my_compiler() called with FX graph:
opcode name target args kwargs
------------- ------ ----------------------- ----------- --------
placeholder b b () {}
placeholder x x () {}
call_function mul <built-in function mul> (b, -1) {}
call_function mul_1 <built-in function mul> (x, mul) {}
output output output ((mul_1,),) {}
my_compiler() called with FX graph:
opcode name target args kwargs
------------- ------ ----------------------- --------- --------
placeholder b b () {}
placeholder x x () {}
call_function mul <built-in function mul> (x, b) {}
output output output ((mul,),) {}
The order of the last two graphs is nondeterministic depending
on which one is encountered first by the just-in-time compiler.
Speedy 後端¶
整合提供卓越效能的自定義後端也很容易，我們將使用 optimize_for_inference 來整合一個真實的後端
def optimize_for_inference_compiler(gm: torch.fx.GraphModule, example_inputs: List[torch.Tensor]):
scripted = torch.jit.script(gm)
return torch.jit.optimize_for_inference(scripted)
然後，您應該能夠使用以下程式碼最佳化任何現有程式碼
@torch.compile(backend=optimize_for_inference_compiler)
def code_to_accelerate():
...
可組合後端¶
TorchDynamo 包含許多後端，可以使用 torch._dynamo.list_backends() 列出。您可以使用以下程式碼將這些後端組合在一起
from torch._dynamo import lookup_backend
def my_compiler(gm: torch.fx.GraphModule, example_inputs: List[torch.Tensor]):
try:
trt_compiled = lookup_backend("tensorrt")(gm, example_inputs)
if trt_compiled is not None:
return trt_compiled
except Exception:
pass
# first backend failed, try something else...
try:
inductor_compiled = lookup_backend("inductor")(gm, example_inputs)
if inductor_compiled is not None:
return inductor_compiled
except Exception:
pass
return gm.forward
