一個運算元在深度學習框架中的旅程
撰文|趙露陽
運算元即Operator,這裡簡稱op。op是深度學習的基礎操作,任意深度學習框架中都包含了數百個op,這些op用於各種型別的數值、tensor運算。
在深度學習中,通過nn.Module這樣搭積木的方式搭建網路,而op就是更基礎的,用於製作積木的配方和原材料。
譬如如下的一個dem o 網路:
import oneflow as torchclass TinyModel(torch.nn.Module):
def __init__(self):
super(TinyModel, self).__init__()
self.linear1 = torch.nn.Linear(100, 200)
self.activation = torch.nn.ReLU()
self.linear2 = torch.nn.Linear(200, 10)
self.softmax = torch.nn.Softmax()
def forward(self, x):
x = self.linear1(x)
x = self.activation(x)
x = self.linear2(x)
x = self.softmax(x)
return xtinymodel = TinyModel()print('The model:')print(tinymodel)
從結構來看,這個網路是由各種nn.Module如Linear、ReLU、Softmax搭建而成,但從本質上,這些nn.Module則是由一個個基礎op拼接,從而完成功能的。 這其中就包含了Matmul、Relu、Softmax等op。 在OneFlow中,對於一個已有op,是如何完成從Python層->C++層的呼叫、流轉和執行過程? 本文將以
output = flow.relu(input)
為例,梳理一個op從Python -> C++執行的完整過程。
首先,這裡給出一個流程示意圖:
![](http://mdimg.wxwenku.com/getimg/ccdf080c7af7e8a10e9b88444af983934ebc7e9e932ed3e514e69e4473d21efae5cbcb10a221b2bb258d62ca32b0c735.jpg)
下面,將分別詳細從原始碼角度跟蹤其各個環節。
1
Binding
這裡,binding是指Python和C++程式碼的繫結。通常,我們用Python搭建網路,訓練模型,呼叫函式完成各種操作。實際上,這些函式通常在Python層只是一層wrapper,底層實現還是通過C++程式碼完成的,那麼Python -> C++是如何呼叫的? 這就需要用到Python和C++的繫結。
在深度學習框架的實現中, 即可以用Python原生的C API,也可以通過pybind11來完成函式繫結 ,在OneFlow中,二者均有使用,譬如:
-
oneflow/api/python/framework/tensor.cpp
-
oneflow/api/python/framework/tensor_functions.cpp
中涉及到的 tensor.xxx 方法都是通過Python C API完成了函式繫結;
-
oneflow/core/functional/functional_api.yaml
中定義的諸多 flow.xxx 方法則是通過pybind實現的繫結。這裡關於Python C API和pybind不做過多介紹,具體用法可以參考相應文件:
-
http://docs.python.org/zh-cn/3.8/c-api/index.html
-
http://pybind11.readthedocs.io/en/stable/index.html
下面我們回到flow.relu方法,我們在Python層呼叫的flow.relu實際是呼叫了在
python/oneflow/ __init__ .py
中定義的oneflow._C.relu。 _C表示其實現位於底層C++。和PyTorch類似,我們也基於.yaml定義了一套介面匯出及code gen的規則,譬如在 functional_api.yaml 中,我們可以看到Relu的匯出介面的函式簽名:
- name: "relu" signature: "Tensor (Tensor x, Bool inplace=False) => Relu" bind_python: True
從yaml定義可以看出,flow._C.relu 接收兩個引數,tensor和一個bool值,其綁定了C++的Relu方法,函式返回值也是tensor。實際上,在OneFlow編譯時,會通過執行
tools/ function al / generate_functional_api . py
這個檔案,對 functional_api.yaml 進行解析和程式碼生成,動態生成C++的.h和.cpp檔案。
-
build/oneflow/core/functional/functional_api.yaml.h
-
build/oneflow/core/functional/functional_api.yaml.cpp
並在.cpp檔案中呼叫相應的functor完成C++層面的函式呼叫。這裡,還是以flow._C.relu為例,其對應的functor定義位於 oneflow/core/functional/impl/activation_functor.cpp :
class ReluFunctor { public: ReluFunctor() { op_ = CHECK_JUST(one::OpBuilder("relu").Input("x", 1).Output("y", 1).Build()); } Maybe<Tensor> operator()(const std::shared_ptr<Tensor>& x, bool inplace) const { ... } private: std::shared_ptr<OpExpr> op_; };
ReluFunctor通過
ONEFLOW_FUNCTION_LIBRARY(m) { m.add_functor<impl::ReluFunctor>("Relu"); ... }
完成functor的註冊,註冊成functional介面後,在Python層flow._C.relu就完成了和“Relu”的繫結。同時,這個函式在C++中也可以通過functional::Relu直接呼叫。
2
Functor
Functor不僅是Python -> C++互動的核心,也是op呼叫、輸入引數推導和檢查的第一站。通常,各種op在functor層需要完成對輸入tensor的shape、dtype、維度、元素個數等各種check,以及對op特有的邏輯進行解析和處理。Relu Functor程式碼如下:
class ReluFunctor { public: ReluFunctor() { op_ = CHECK_JUST(one::OpBuilder("relu").Input("x", 1).Output("y", 1).Build()); } Maybe<Tensor> operator()(const std::shared_ptr<Tensor>& x, bool inplace) const { if (inplace) { JUST(CheckInplaceValid(x)); std::shared_ptr<TensorTuple> outputs = std::make_shared<TensorTuple>(1); outputs->at(0) = x; JUST(OpInterpUtil::Dispatch(*op_, {x}, outputs.get(), AttrMap{})); return outputs->at(0); } else { return OpInterpUtil::Dispatch<Tensor>(*op_, {x}); } } private: std::shared_ptr<OpExpr> op_; };
可以看見,ReluFunctor是比較簡單的,其定義了一個私有變數
std :: shared_ptr <OpExpr> op_;
這個op_即需要執行的Relu op,通過OpBuilder進行構建;functor的operator()內部,根據是否inplace走到2個不同分支,並最終通過OpInterpUtil::Dispatch()將op、輸入tensor和引數派發至Interpreter處理。
3
Dispatch
各種op在functor中完成check和邏輯處理後,大多需要通過OpInterpUtil::Dispatch() 進行派發,其目的地是Interpreter。在Interpreter中,將會對op進行更進一步的處理。在 oneflow/core/framework/op_interpreter/op_interpreter_util.h 中,我們可以看見多種過載的Dispatch模板程式碼:
class OpInterpUtil { public: template<typename T> static Maybe<T> Dispatch(const OpExpr& op_expr, const TensorTuple& inputs, const AttrMap& attrs) { return Dispatch<T>(op_expr, inputs, OpExprInterpContext(attrs)); } template<typename T> static Maybe<T> Dispatch(const OpExpr& op_expr, const TensorTuple& inputs) { return Dispatch<T>(op_expr, inputs, OpExprInterpContext(AttrMap{})); } template<typename T> static Maybe<T> Dispatch(const OpExpr& op_expr, const TensorTuple& inputs, const OpExprInterpContext& ctx); static Maybe<void> Dispatch(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const AttrMap& attrs) { return Dispatch(op_expr, inputs, outputs, OpExprInterpContext(attrs)); } static Maybe<void> Dispatch(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs) { return Dispatch(op_expr, inputs, outputs, OpExprInterpContext(AttrMap{})); } static Maybe<void> Dispatch(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const OpExprInterpContext& ctx);
這些過載,是為了應對不同的輸入、輸出以及OpExprInterpContext的情況。譬如這個OpExprInterpContext是op在Interpreter中所需的上下文,可能攜帶op計算所需要的屬性(如conv2d op所需要的kernel_size、padding等)、device、sbp、parallel等描述資訊。這些過載的Dispatch最終都會走到:
/* static */ Maybe<void> OpInterpUtil::Dispatch( const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const OpExprInterpContext& ctx) { return JUST(GetInterpreter(inputs, ctx, op_expr))->Apply(op_expr, inputs, outputs, ctx); }
Dispatch至此,剩下的就要交給Interpreter了。
4
Interpreter
Get Interpreter
這裡先看看GetInterpreter,這裡其實就是獲取所需的Interpreter,來負責op接下來的執行。省略check相關的邏輯,主要程式碼如下: oneflow/core/framework/op_interpreter/op_interpreter_util.cpp
Maybe<AutogradInterpreter> GetInterpreter(const TensorTuple& inputs, const OpExprInterpContext& ctx, const OpExpr& op_expr) { static const auto& g_lazy_interpreter = BuildLazyInterpreter(); static const auto& g_eager_consistent_interpreter = BuildEagerInterpreter(/*is_mirrored=*/false); static const auto& g_eager_mirrored_interpreter = BuildEagerInterpreter(/*is_mirrored=*/true); if (!LazyMode::is_enabled()) { if (inputs.empty()) { if (ctx.parallel_desc.has_value()) { JUST(ctx.nd_sbp); CHECK_OR_RETURN(!ctx.device.has_value()); return g_eager_consistent_interpreter; } else { CHECK_OR_RETURN(!ctx.nd_sbp.has_value()); return g_eager_mirrored_interpreter; } } else { if (inputs.at(0)->is_consistent()) { ... return g_eager_consistent_interpreter; } else { ... return g_eager_mirrored_interpreter; } } UNIMPLEMENTED_THEN_RETURN(); } return g_lazy_interpreter; }
通過上面的邏輯可以看出,Interpreter大體上分為Eager Interpteter和Lazy Interpreter;其中Eager Interpteter又根據Eager Mirrored和Eager Consistent有所區別。具體就是以下3種子類實現:
-
EagerMirroredInterpreter
-
EagerConsistentInterpreter
-
LazyInterpreter
普通的Eager mode下(無論是單卡還是DDP的情況)都會走到 EagerMirroredInterpreter 的邏輯;在普通Eager Mode之外,為輸入tensor設定了sbp、placement則會進入到 EagerConsistentInterpreter 的邏輯;在Lazy Mode時(使用nn.Graph),則會進入到 LazyInterpreter 。
下面,我們看下這3種Interpreter的構建:
std::shared_ptr<AutogradInterpreter> BuildEagerInterpreter(const bool& is_mirrored) { std::shared_ptr<OpExprInterpreter> internal; if (is_mirrored) { internal = std::make_shared<EagerMirroredInterpreter>(); } else { internal = std::make_shared<EagerConsistentInterpreter>(); } return std::make_shared<AutogradInterpreter>(internal); } std::shared_ptr<AutogradInterpreter> BuildLazyInterpreter() { auto internal = std::make_shared<LazyInterpreter>(); return std::make_shared<AutogradInterpreter>(internal); }
可見,這3種Interpreter構建完成後,都會以私有變數internal的形式,參與AutogradInterpreter的構建,並最終返回 AutogradInterpreter 。
class AutogradInterpreter { public: AutogradInterpreter() = delete; AutogradInterpreter(const std::shared_ptr<OpExprInterpreter>& internal) : internal_(internal) {} virtual ~AutogradInterpreter() = default; Maybe<void> Apply(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const AttrMap& attrs) const { return Apply(op_expr, inputs, outputs, OpExprInterpContext(attrs)); } Maybe<void> Apply(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs) const { return Apply(op_expr, inputs, outputs, OpExprInterpContext(AttrMap{})); } Maybe<void> Apply(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const OpExprInterpContext& ctx) const; private: std::shared_ptr<OpExprInterpreter> internal_; };
Apply()
通過上面我們知道, EagerMirroredInterpreter 、 EagerConsistentInterpreter 和 LazyInterpreter 都將為其包裹上 AutogradInterpreter 的殼,通過AutogradInterpreter觸發Apply的呼叫。顧名思義,AutogradInterpreter的作用主要是和autograd相關,其主要為eager mode下前向的op節點插入對應的用於反向計算grad的節點。
我們看看這部分程式碼,關鍵部分的作用在註釋裡給出:
Maybe<void> AutogradInterpreter::Apply(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const OpExprInterpContext& ctx) const { // 判斷是否需要計算梯度,如果處於GradMode的作用域切改op註冊時沒有禁用梯度 // 則requires_grad的值根據輸入tensor的requires_grad屬性判斷 // any of input tensors requires_grad==True,則表示需要計算梯度 bool requires_grad = false; if (autograd::GradMode::is_enabled() && !JUST(op_expr.IsGradDisabled())) { requires_grad = std::any_of(inputs.begin(), inputs.end(), [](const std::shared_ptr<Tensor>& tensor) { return tensor->requires_grad(); }); } // 這一坨邏輯比較醜陋,是因為近期支援了oneflow系統中支援了stride&&view機制 // 而大部分op尚未註冊stride推導、尚未支援non-contiguous的輸入tensor // 所以需要在這對這部分op的輸入進行強制轉換,將其變為contiguous的 // NOTE: if this op not support stride, then need to tensor->contiguous() #define HANDLE_NON_CONTIGUOUS_INPUT(tensor_tuple_ptr) \ TensorTuple tmp_inputs; \ if (!LazyMode::is_enabled() && !JUST(op_expr.SupportNonContiguous())) { \ tmp_inputs.resize(inputs.size()); \ for (size_t i = 0; i < inputs.size(); i++) { tmp_inputs[i] = inputs[i]->contiguous(); } \ tensor_tuple_ptr = &tmp_inputs; \ } const TensorTuple* inputs_ptr = &inputs; HANDLE_NON_CONTIGUOUS_INPUT(inputs_ptr); // 這裡是進行實際Interpreter執行的主要過程 { autograd::AutoGradMode mode(false); JUST(internal_->Apply(op_expr, *inputs_ptr, outputs, ctx)); } // 這裡主要是為了eager mode下,且requires_grad==True的op, // 插入反向節點(AddNode)用於autograd,該節點包含反向梯度計算的方法(backward_fn) // Lazy mode will construct backward compute graph in passes, so disable autograd if lazy mode. std::shared_ptr<OpExprGradClosure> grad_closure(nullptr); if (requires_grad && !LazyMode::is_enabled()) { grad_closure = JUST(op_expr.GetOrCreateOpGradClosure()); auto backward_fn = std::make_shared<BackwardFunction>(); backward_fn->body = [=](const TensorTuple& out_grads, TensorTuple* in_grads, bool create_graph) -> Maybe<void> { autograd::AutoGradMode mode(create_graph); JUST(grad_closure->Apply(out_grads, in_grads)); return Maybe<void>::Ok(); }; backward_fn->status = [=]() { return grad_closure->state()->SavedTensors().size() > 0; }; JUST(GetThreadLocalAutogradEngine()->AddNode(op_expr.op_type_name() + "_backward", backward_fn, *inputs_ptr, outputs)); } // Update outputs autograd meta // Note: if requires_grad is True, we will create a new autograd meta for each output // in `AddBackwardFuncPtr` to support inplace operation, so the update should after // `AddBackwardFuncPtr` for (auto& output : *outputs) { output->set_is_leaf(inputs_ptr->size() == 0 || !requires_grad); ... if (!output->requires_grad()) { JUST(output->set_requires_grad( requires_grad && IsSupportRequireGradDataType(output->dtype()->data_type()))); } } // 捕獲前向的inputs outputs,反向計算時可能用到 if (requires_grad && !LazyMode::is_enabled()) { // Capture inputs and outputs after `AddBackwardFuncPtr` because of that grad function // node has been attached to them. JUST(grad_closure->Capture(*inputs_ptr, *outputs, ctx)); } return Maybe<void>::Ok(); }
上面一坨邏輯有點多,讓我們看一下重點,對於簡單的Relu op,我們只需關注這部分程式碼:
// 這裡是進行實際Interpreter執行的主要過程 { autograd::AutoGradMode mode(false); JUST(internal_->Apply(op_expr, *inputs_ptr, outputs, ctx)); }
這裡,還是以上面的flow.relu為例,由於是簡單的Eager Mode,所以實際會走到EagerInterpreter的Apply方法:
Maybe<void> EagerInterpreter::Apply(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const OpExprInterpContext& ctx) const { #define APPLY_IF(op_type) \ if (const auto* op = dynamic_cast<const op_type##Expr*>(&op_expr)) { \ return ApplyImpl(*op, inputs, outputs, ctx); \ } APPLY_IF(UserOp); APPLY_IF(VariableOp); APPLY_IF(CastToMirroredOp); APPLY_IF(CastFromMirroredOp); APPLY_IF(ConsistentToConsistentOp); APPLY_IF(CastToConsistentOp); APPLY_IF(CastFromConsistentOp); APPLY_IF(DistributeSplitOp); APPLY_IF(DistributeCloneOp); APPLY_IF(DistributeConcatOp); APPLY_IF(DistributeAddOp); APPLY_IF(FunctionOp); APPLY_IF(SelectTopNOp) #undef APPLY_IF OF_UNIMPLEMENTED() << "The type " << op_expr.op_type_name() << " has not been supported in EagerInterpreter::Apply."; }
這裡,通過巨集定義APPLY_IF,增加了對不同型別op的分支處理。對於大多數使用者來說,用到的op都是UserOp型別,所以這裡實際上會走到這個分支中:
if (const auto* op = dynamic_cast<const UserOpExpr*>(&op_expr)) { return ApplyImpl(*op, inputs, outputs, ctx); }
再看看 EagerMirroredInterpreter::ApplyImpl ,位於
oneflow/core/framework/op_interpreter/eager_mirrored_op_interpreter.cpp :
Maybe<void> EagerMirroredInterpreter::ApplyImpl(const UserOpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const OpExprInterpContext& ctx) const { return NaiveInterpret(op_expr, inputs, outputs, ctx); }
其最終實現是NaiveInterpret。
NaiveInterpret
NaiveInterpret簡單來說,主要用於做以下幾件事:
-
check input tensor的device是否一致
-
生成output tensor
-
為output tensor推導和檢查shape/stride/dtype
-
構建op執行指令,並派發至vm
簡化版的程式碼如下:
Maybe<void> NaiveInterpret(const UserOpExpr& user_op_expr, const TensorTuple& inputs, const Symbol<Device>& default_device, TensorTuple* outputs, const OpExprInterpContext& ctx) { const auto& attrs = ctx.attrs; std::shared_ptr<EagerBlobObjectList> input_eager_blob_objects = std::make_shared<EagerBlobObjectList>(inputs.size()); // check devices for (int i = 0; i < inputs.size(); i++) { const auto& input_device = JUST(inputs.at(i)->device()); if (i > 0) { CHECK_OR_RETURN(*default_device == *input_device) << Error::RuntimeError() << "Expected all tensors to be on the same device, but found at least two devices, " << default_device->ToString() << " (positional 0) and " << input_device->ToString() << " (positional " << i << ")!"; } input_eager_blob_objects->at(i) = JUST(inputs.at(i)->eager_blob_object()); } // make output tensors std::shared_ptr<EagerBlobObjectList> output_eager_blob_objects = std::make_shared<EagerBlobObjectList>(outputs->size()); auto* output_tensor_metas = ThreadLocalDefaultOutputMutTensorMetas(outputs->size()); for (int i = 0; i < outputs->size(); i++) { if (!outputs->at(i)) { const auto& tensor_impl = std::make_shared<EagerMirroredTensorImpl>(); outputs->at(i) = std::make_shared<MirroredTensor>(tensor_impl); output_tensor_metas->at(i) = tensor_impl->mut_tensor_meta(); } else { bool has_eager_blob_object = JUST(outputs->at(i)->has_eager_blob_object()); CHECK_OR_RETURN(has_eager_blob_object); output_eager_blob_objects->at(i) = JUST(outputs->at(i)->eager_blob_object()); } } Symbol<Stream> stream; bool need_check_mem_case = true; // Infer devices ... // Infer shapes strides dtype ... // 構建op執行指令,並派發至vm JUST(PhysicalRun([&](InstructionsBuilder* builder) -> Maybe<void> { return builder->LocalCallOpKernel(kernel, input_eager_blob_objects, output_eager_blob_objects, ctx, stream); })); return Maybe<void>::Ok(); }
Interpreter的終點是虛擬機器(vm)。vm部分,是OneFlow比較獨特的設計,內容很多,這裡暫不展開了:) 可以簡單理解,派發至vm後,此op將進入一個任務執行的佇列,將會等待其vm的排程、執行。
5
Compute
在Interpreter將op執行指令派發至vm後,經過排程邏輯處理後,將會在
oneflow/core/eager/opkernel_instruction_type.cpp
被觸發執行,核心程式碼如下:
static inline void OpKernelCompute( LocalCallOpKernelPhyInstrOperand* operand, DeviceCtx* device_ctx, user_op::OpKernelState* state, const user_op::OpKernelCache* cache) { auto* opkernel = operand->mut_opkernel(); auto* compute_ctx = opkernel->UpdateComputeContext(operand->inputs().get(), operand->outputs().get(), operand->consistent_tensor_infer_result().get(), device_ctx); ... operand->user_opkernel()->Compute(compute_ctx, state, cache); opkernel->UpdateComputeContext(nullptr, nullptr, nullptr, nullptr); }
其中,
operand->user_opkernel()->Compute(compute_ctx, state, cache);
將觸發op kernel的實際執行。通常來說,op的kernel實現根據device的不同,會派發到不同的實現,其一般都位於:
oneflow/user/kernels/xxx_kernel.cpp
或
oneflow/user/kernels/xxx_kernel.cu
這裡的Relu op相對比較特殊,是用primitive實現的(primitive也是oneflow中一種獨特的設計,有著良好的抽象和可組合性),具體這個UnaryPrimitive就是elementwise unary的模板+UnaryFunctor的組合。其呼叫鏈如下:
![](http://mdimg.wxwenku.com/getimg/6b990ce30fa9193e296dd37902816f4b5b5e5805ee035bce23485e71eb064f67a65d733282d996ff5b82d2774d889c05.jpg)
UnaryPrimitiveKernel
class UnaryPrimitiveKernel final : public user_op::OpKernel, public user_op::CudaGraphSupport { public: OF_DISALLOW_COPY_AND_MOVE(UnaryPrimitiveKernel); UnaryPrimitiveKernel() = default; ~UnaryPrimitiveKernel() = default; using PrimitiveFactoryFuncType = std::function<std::unique_ptr<ep::primitive::ElementwiseUnary>( user_op::KernelComputeContext*)>; UnaryPrimitiveKernel(const std::string& output_name, const std::string& input_name, PrimitiveFactoryFuncType fn) : output_name_(output_name), input_name_(input_name), primitive_factory_func_(std::move(fn)) {} private: using user_op::OpKernel::Compute; void Compute(user_op::KernelComputeContext* ctx) const override { auto primitive = primitive_factory_func_(ctx); CHECK(primitive); const user_op::Tensor* input_tensor = ctx->Tensor4ArgNameAndIndex(input_name_, 0); ... const int64_t elem_cnt = input_shape.elem_cnt(); if (elem_cnt != 0) { primitive->Launch(ctx->stream(), input_tensor->dptr(), output_tensor->mut_dptr(), elem_cnt); } } bool AlwaysComputeWhenAllOutputsEmpty() const override { return false; } std::string output_name_; std::string input_name_; PrimitiveFactoryFuncType primitive_factory_func_; };
ep::primitive::ElementwiseUnary
template<UnaryOp unary_op, typename Src, typename Dst> class ElementwiseUnaryImpl : public ElementwiseUnary { public: OF_DISALLOW_COPY_AND_MOVE(ElementwiseUnaryImpl); ElementwiseUnaryImpl(Scalar attr0, Scalar attr1) : attr0(attr0), attr1(attr1) {} ~ElementwiseUnaryImpl() override = default; void Launch(Stream* stream, const void* src_ptr, void* dst_ptr, size_t count) override { CpuStream* cpu_stream = stream->As<CpuStream>(); Dst* dst = reinterpret_cast<Dst*>(dst_ptr); const Src* src = reinterpret_cast<const Src*>(src_ptr); auto functor = UnaryFunctor<DeviceType::kCPU, unary_op, Dst, Src>(attr0, attr1); cpu_stream->ParallelFor(0, count, [functor, src, dst](int64_t begin, int64_t end) { for (int64_t i = begin; i < end; i++) { dst[i] = functor(src[i]); } }); } protected: Scalar attr0, attr1; };
UnaryFunctor
這個UnaryFuntor根據不同的Unaray op型別,特化出不同的具體functor實現,具體到Relu op,其實現位於
oneflow/core/ep/common/primitive/unary_functor.h:
template<DeviceType device, typename Dst, typename Src> struct UnaryFunctor<device, UnaryOp::kRelu, Dst, Src> { UnaryFunctor(Scalar attr0, Scalar attr1) {} OF_DEVICE_FUNC Dst operator()(Src src) const { const Src zero_val = static_cast<Src>(0.0); if (src <= zero_val) { return static_cast<Dst>(zero_val); } else { return static_cast<Dst>(src); } } };
至此,我們已經完成了一個op的Python -> C++ 之旅。從細節上看,是相對複雜的,但從整體流程上看,其實是比較簡單的,排除了binding,vm排程機制等細節,其主要過程其實就4個環節: Functor -> Dispatch -> Interpreter -> Kernel Compute。
實現/新增一個op,通常也不需要管中間的Dispatch以及Interpreter,我們只需重點關注和該op強相關的部分——Functor層面的引數、op邏輯檢查,以及Kernel Compute部分的實際op運算。
(參考程式碼:
http://github.com/Oneflow-Inc/oneflow/commit/1dbdf8faed988fa7fd1a9034a4d79d5caf18512d)
其他人都在看
點選“ 閱讀原文 ” ,歡迎下載體驗OneFlow v0.7.0
- GPU加速Pinterest推薦模型,引數量增加100倍,使用者活躍度提高16%
- 一塊GPU訓練TB級推薦模型不是夢,OneEmbedding效能一騎絕塵
- 左益豪:用程式碼創造一個新世界|OneFlow U
- OneFlow原始碼解析:運算元指令在虛擬機器中的執行
- GPU加速Pinterest推薦模型,引數量增加100倍,使用者活躍度提高16%
- 左益豪:用程式碼創造一個新世界|OneFlow U
- OneFlow原始碼解析:Op、Kernel與直譯器
- 18張圖,直觀理解神經網路、流形和拓撲
- OpenMLDB OneFlow: 手把手教你快速連結特徵工程到模型訓練
- Geoffery Hinton:深度學習的下一個大事件
- OneFlow原始碼解析:Op、Kernel與直譯器
- 一種分散式深度學習程式設計新正規化:Global Tensor
- OneFlow v0.8.0正式釋出
- 一種分散式深度學習程式設計新正規化:Global Tensor
- OneFlow原始碼一覽:GDB編譯除錯
- 如何在OneFlow中新增運算元
- 大模型訓練難於上青天?效率超群、易用的“李白”模型庫來了
- 我,AI博士生,線上眾籌研究主題
- 平行計算的量化模型及其在深度學習引擎裡的應用
- 大模型訓練難於上青天?效率超群、易用的“李白”模型庫來了