如何将自定义代码生成TVM
如何将自定义代码生成TVM
本文参考链接：
https://tvm.apache.org/docs/dev/how_to/relay_bring_your_own_codegen.html
https://blog.csdn.net/weixin_42164269/article/details/104291635
简介
深度学习针对的硬件设备的数量不断增加，用户需要在各种设备上实现高性能所需的知识。硬件后端提供者要么提供像MKLDNN或cuDNN类的库，包含许多常用的深度学习运算符，要么提供诸如TensorRT这样的框架，用户以某种方式描述模型实现高性能。但是，用户尝试在新的库或设备上工作时，必须学习新的编程接口。结果，对统一编程接口的需求变得越来越重要。
1）让所有用户和硬件后端提供者站在同一页面上
2）提供一种可行的解决方案，允许专用硬件或库仅支持具有极高性能的广泛使用的运算符，但不支持的运算符回退到CPU / GPU等常规设备。
本文主要内容如下：
目录
简介
1. 生成C代码。
2. 生成任何其它图形表示。
实现一个C代码生成器
实现【CodegenC】
运算符代码生成
输入变量的代码生成
代码发送
实现【CSourceCodegen 】
实现【GenCFunc 】
实现【CreateCSourceModule 】
注册代码生成
实现一个代码生成表示
实现【ExampleJsonCodeGen 】
实现自定义runtime
实现构造函数
实现【GetFunction 】
实现运行
实现【SaveToBinary】和【LoadFromBinary 】
总结
在本开发人员指南中，演示了作为硬件后端提供者，如何轻松实现自定义代码生成，注册为Relay后端编译器，支持硬件设备/库。本文根据需要的不同图形表示形式，涵盖两种类型的代码生成器：
1. 要生成C代码。
如果硬件已经具有经过优化的C/C ++库，如对CPU拥有Intel CBLAS / MKL，GPU拥有NVIDIA CUBLAS，这就是所需要的。幸运的是，C源代码模块与TVM runtime模块完全兼容，生成的代码可以由具有适当编译标志的任何C / C ++编译器进行编译，唯一的任务就是实现一个为子图生成C代码的代码生成器和一个C源模块，集成到TVM runtime模块中。在下一节中，将演示如何为硬件实现C代码生成器。
2. 生成任何其它图形表示。
硬件可能需要其它形式的图形表示形式，如JSON。在这种情况下，不仅需要实现代码生成，还需要实现自定义的TVM runtime模块，使TVM runtime知道应如何执行图形表示。如果已经为硬件配备了完整的图形执行引擎，如用于GPU的TensorRT，可以考虑采用这种解决方案。
在完成代码生成和runtime后，可以让客户使用自定义标签注释模型使用。
实现一个C代码生成器
在这一部分中，演示如何实现使用预实现的运算符函数，生成C代码的代码生成器。简化起见，示例代码生成器不依赖于第三方库。相反，在C中手动实现了两个宏：
#define CSOURCE_BINARY_OP_1D(p_ID_, p_OP_, p_DIM1_) \
extern "C" void p_ID_(float* a, float* b, float* out) { \
for (int64_t i = 0; i < p_DIM1_; ++i) { \
out[i] = a[i] p_OP_ b[i]; \
} \
}
#define CSOURCE_BINARY_OP_2D(p_ID_, p_OP_, p_DIM1_, p_DIM2_) \
extern "C" void p_ID_(float* a, float* b, float* out) { \
for (int64_t i = 0; i < p_DIM1_; ++i) { \
for (int64_t j = 0; j < p_DIM2_; ++j) { \
int64_t k = i * p_DIM2_ + j; \
out[k] = a[k] p_OP_ b[k]; \
} \
} \
}
使用这两个宏，可以为一维和二维张量，生成二进制运算符。如给定一个子图如下。假设所有输入都是二维张量，形状为（10，10）。
c_compiler_input0
|
add <-- c_compiler_input1
|
subtract <-- c_compiler_input2
|
multiply <-- c_compiler_input3
|
out
目标是生成以下可编译代码执行子图：
#include <tvm/runtime/c_runtime_api.h>
#include <tvm/runtime/packed_func.h>
#include <dlpack/dlpack.h>
#include <cstdint>
#include <cstring>
#include <iostream>
#define GCC_BINARY_OP_1D(p_ID_, p_OP_, p_DIM1_) \
extern "C" void p_ID_(float* a, float* b, float* out) { \
for (int64_t i = 0; i < p_DIM1_; ++i) { \
out[i] = a[i] p_OP_ b[i]; \
} \
}
#define GCC_BINARY_OP_2D(p_ID_, p_OP_, p_DIM1_, p_DIM2_) \
extern "C" void p_ID_(float* a, float* b, float* out) { \
for (int64_t i = 0; i < p_DIM1_; ++i) { \
for (int64_t j = 0; j < p_DIM2_; ++j) { \
int64_t k = i * p_DIM2_ + j; \
out[k] = a[k] p_OP_ b[k]; \
} \
} \
}
// Note 1
GCC_BINARY_OP_2D(gcc_0_0, *, 10, 10);
GCC_BINARY_OP_2D(gcc_0_1, -, 10, 10);
GCC_BINARY_OP_2D(gcc_0_2, +, 10, 10);
// Note 2
extern "C" void gcc_0_(float* gcc_input0, float* gcc_input1,
float* gcc_input2, float* gcc_input3, float* out) {
float* buf_0 = (float*)malloc(4 * 100);
float* buf_1 = (float*)malloc(4 * 100);
gcc_0_2(gcc_input0, gcc_input1, buf_0);
gcc_0_1(buf_0, gcc_input2, buf_1);
gcc_0_0(buf_1, gcc_input3, out);
free(buf_0);
free(buf_1);
}
// Note 3
extern "C" int gcc_0_wrapper(DLTensor* arg0, DLTensor* arg1, DLTensor* arg2,
DLTensor* arg3, DLTensor* out) {
gcc_0_(static_cast<float*>(arg0->data), static_cast<float*>(arg1->data),
static_cast<float*>(arg2->data), static_cast<float*>(arg3->data),
static_cast<float*>(out->data));
return 0;
}
TVM_DLL_EXPORT_TYPED_FUNC(gcc_0, gcc_0_wrapper);
在这里，突出显示上面代码中标记的注释：
Note1，子图中三个节点的函数实现。
Note2，一个函数，通过分配中间缓冲区，调用相应函数执行子图。
Note3，TVM runtime兼容的包装函数。接受一个输入张量和一个输出张量的列表（最后一个参数），转换为正确的数据类型，调用Note2中描述的子图函数。此外，【TVM_DLL_EXPORT_TYPED_FUNC】是一个TVM宏，生成另一个函数【gcc_0】，【gcc_0】具有统一的函数参数，通过把所有的参数张量打包成【TVMArgs】。结果，TVM runtime可以直接调用gcc_0执行子图，无需付出额外的努力。使用上面生成的代码，TVM可以与图的其余部分一起编译，导出单个库以进行部署。
在本节的其余部分，将逐步实现一个codegen生成上述代码。自定义代码源必须位于src/relay/backend/contrib/<your-codegen-name>/。在示例中，将代码源命名为“ codegen_c”，将放在“此处<https://github.com/apache/incubator-tvm/blob/master/src/relay/backend/contrib/codegen_c/codegen.cc>下`_。可以随时检查文件，获取完整的实现。
在此文件中实现两个类，这是相互关系：
subgraph subgraph
TVM backend -----------------------------> CSourceCodegen -------------> CodegenC
^ | ^ |
| | | |
---------------------------------------- ------------------------
generated C source runtime module generated C code
当TVM后端在Relay中找到一个函数（子图）时，使用已注册的编译器标记进行注释（【ccompiler】在此示例中），TVM后端将调用【CSourceCodegen】，转换该子图。【CSourceCodegen】的成员函数【CreateCSourceModule】将
1）为子图生成C代码，
2）将生成的C代码包装到C源runtime模块中，供TVM后端编译和部署。
特别地，C代码生成对于【CodegenC】类是透明的，因为提供了许多有用的实用程序，简化代码生成的实现。以下各节将以自底向上的顺序实现这两个类。
实现【CodegenC】
在src/relay/backend/contrib/codegen_c/codegen.cc中，先在【tvm.relay.contrib】名称空间下，创建一个代码生成类骨架：
#include <tvm/relay/expr_functor.h>
#include <tvm/relay/transform.h>
#include <tvm/relay/type.h>
#include <tvm/runtime/module.h>
#include <tvm/runtime/object.h>
#include <fstream>
#include <sstream>
#include "codegen_c.h"
namespace tvm {
namespace relay {
namespace contrib {
class CodegenC : public ExprVisitor, public CodegenCBase {
public:
explicit CodegenC(const std::string& id) { this->ext_func_id_ = id; }
void VisitExpr_(const VarNode* node) { ; }
void VisitExpr_(const CallNode* call) final { ; }
std::string JIT() { ; }
private:
/*! \brief The function id that represents a C source function. */
std::string ext_func_id_ = "";
/*! \brief The index of a wrapped C function. */
int func_idx = 0;
/*! \brief The index of allocated buffers. */
int buf_idx_ = 0;
/*! \brief The arguments of a C compiler compatible function. */
std::vector<std::string> ext_func_args_;
/*! \brief The statements of a C compiler compatible function. */
std::vector<std::string> ext_func_body;
/*! \brief The declaration statements of a C compiler compatible function. */
std::vector<std::string> func_decl_;
/*! \brief The declaration statements of buffers. */
std::vector<std::string> buf_decl_;
/*! \brief The name and index pairs for output. */
std::vector<std::pair<std::string, int>> out_;
}
【CodegenC】类继承两个类：【ExprVisitor】提供遍历子图，收集所需的信息并生成子图的功能的能力，如【gcc_0_】; 【CodegenCBase】提供了生成包装函数的功能和用法，如gcc_0上面的示例。可以看出，只需要在此codegen类中，实现三个函数即可工作。
运算符代码生成
先实现【VisitExpr_(const CallNode* call)】。遍历子图时，此函数访问所有调用节点。每个调用节点都包含一个要卸载到硬件上的运算符。结果，需要按照拓扑顺序使用正确的运算符，生成相应的C代码。按以下步骤逐步实现此功能。
1. 生成函数声明
结果示例：【GCC_BINARY_OP_2D(gcc_0_0, *, 10, 10);】
如上所示，要生成函数声明，需要
1）函数名称（例如gcc_0_0）
2）运算符的类型（如*）
3）输入张量形状（如(10, 10)）。
幸运的是，可以从【CallNode】位置轻松获取此信息：
std::ostringstream macro_stream;
std::ostringstream decl_stream;
std::ostringstream buf_stream;
// Generate a unique function name you like.
std::string func_name = ext_func_id_ + "_" + std::to_string(func_idx++);
// Make function declaration string.
macro_stream << "CSOURCE_BINARY_OP_" << call->args.size() << "D(" << func_name << ", ";
// Check the operator type.
if (IsOp(call, "add")) {
macro_stream << "+";
} else if (IsOp(call, "subtract")) {
macro_stream << "-";
} else if (IsOp(call, "multiply")) {
macro_stream << "*";
} else {
LOG(FATAL) << "Unrecognized op";
}
// Extract the input tensor shape.
auto in_shape = GetShape(call->args[0]->checked_type());
for (size_t i = 0; i < in_shape.size(); ++i) {
macro_stream << ", " << in_shape[i];
}
macro_stream << ");";
func_decl_.push_back(macro_stream.str());
可以看出，将生成的代码放到类成员变量【func_decl_】。在完成遍历整个子图后，已经收集了所有必需的函数声明，唯一需要做的就是让由GCC进行编译。【VisitExpr_(const CallNode* call)】的实现，也遵循此概念。
2. 生成函数调用
结果示例：【gcc_0_0(buf_1, gcc_input3, out);】
生成函数声明后，需要生成具有正确输入和输出的函数调用。要知道在调用此函数时，应放置哪些输入或缓冲区，必须访问参数：
bool first = true;
decl_stream << func_name << "(";
for (size_t i = 0; i < call->args.size(); ++i) {
VisitExpr(call->args[i]); // Note 1
for (auto out : out_) {
if (!first) {
decl_stream << ", ";
}
first = false;
decl_stream << out.first;
}
}
// Note 2
同样，要突出显示以上代码中的注释：
Note1：【VisitExpr(call->args[i])】是递归调用，访问当前函数的参数。参数可以是另一个节点的输出或输入张量。在示例实现中，确保每个节点在离开访问器前，都更新一个类变量【out_】。这是一个例子：
arg_node arg_node <- Visit arg (Note 1) arg_node
| | |
curr_node <- Process curr_node curr_node <- Put "buf_0" as an input buffer
(a) out_ = {} (b) out_ = {} (c) out_ = {("buf_0", 20)}
可以在上图中看到，在访问参数节点前，类变量【out_】为空，填充了【arg_node】输出缓冲区的名称和大小。结果，当完成访问参数节点时，可以通过查看【out_】，应该放置适当的输入缓冲区。将在本节末尾和下一节中找到更新【out_】的方式。
注意2：可能会注意到，在此步骤中没有关闭函数调用字符串。当前的函数调用字符串，如下所示：【gcc_0_0(buf_1, gcc_input3】。这是因为没有将最后一个参数（即输出）放入此调用。函数调用的输出可以是分配的临时缓冲区，也可以是子图输出张量。简化起见，在此示例中，为每个调用节点分配一个输出缓冲区（下一步），将结果从最后一个缓冲区复制到输出张量。
3.生成输出缓冲区
结果示例： 【float* buf_0 = (float*)malloc(4 * 100);】
如上一步所述，除了子图输入和输出张量外，可能还需要缓冲区来保留中间结果。为了生成缓冲区，提取形状信息以确定缓冲区的类型和大小：
// This example only supports single output.
auto type_node = call->checked_type().as<TensorTypeNode>();
CHECK(type_node != nullptr && runtime::TypeMatch(type_node->dtype, kDLFloat, 32))
<< "Only support single output tensor with float type";
// Generate a unique buffer name.
std::string out = "buf_" + std::to_string(buf_idx_++);
// Extract the shape to be the buffer size.
auto out_shape = GetShape(call->checked_type());
int out_size = 1;
for (size_t i = 0; i < out_shape.size(); ++i) {
out_size *= out_shape[i];
}
// Make the buffer allocation and push to the buffer declarations.
buf_stream << "float* " << out << " = (float*)std::malloc(4 * " << out_size << ");";
buf_decl_.push_back(buf_stream.str());
分配输出缓冲区后，现在可以关闭函数调用字符串，将生成的函数调用，放到类变量【ext_func_body】。
decl_stream << ", " << out << ");";
ext_func_body.push_back(decl_stream.str());
4. 更新输出缓冲区
为了接受当前调用节点的输出，作为输入的下一个节点，知道应使用的缓冲区，需要在离开此访问函数前，更新类变量【out_】。
out_.clear();
out_.push_back({out, out_size});
恭喜！已经完成了本文中最困难的功能。在接下来的两节中，只需要组成此函数中的一些次要缺失部分。
输入变量的代码生成
回想一下，通过访问调用节点的参数，收集输入缓冲区的信息（上一节的第二步），处理了参数是另一个调用节点的情况（第四步）。在本节中，以【VarNode】示例，演示如何处理其它节点。
【VarNode】表示模型中的输入张量。拥有的唯一的，但重要的信息是名称提示（如data，weight等）。在访问【VarNode】时，只需更新类变量【out_】传递名称提示，以便后代调用节点可以生成正确的函数调用。
void VisitExpr_(const VarNode* node) {
ext_func_args_.push_back(node->name_hint());
out_.clear();
out_.push_back({node->name_hint(), 0});
}
在此示例中，假设要卸载的子图仅具有调用节点和变量节点。如果子图包含其它类型的节点，如TupleNode，需要访问并绕过输出缓冲区信息。
代码发送
该【codegen】类的最后一部分是一个【JIT】函数，该函数为子图发送C函数，将刚生成的C代码用作函数体。除了前面几节中生成的子图函数外，需要一个包装器函数，该函数具有统一的参数，TVM runtime可以调用和传递数据。幸运的是，继承的基类已经提供了实现【JitImpl】来生成函数。例如，可以调用【JitImpl】如下：
JitImpl("gcc_0" /* Subgraph symbol (ID) */,
{"gcc_input0", "gcc_input1", "gcc_input2", "gcc_input3"} /* Input arguments */,
{"float *buf_0 = (float*)malloc(4 * 20)", ...} /* Buffer allocations */,
{"gcc_0_2(gcc_input0, gcc_input1, buf_0);"} /* Function body */,
{"out"} /* Output */);
上面的调用将生成三个函数（一个来自TVM包装器宏）：
1. 子图函数【gcc_0_】（在函数名的末尾，还有一个下划线），包含生成的所有C代码以执行子图。
2. 装饰函数【gcc_0__wrapper_】带有【DLTensor】参数列表，该参数列表将数据转换为正确的类型，调用【gcc_0_】。
3. TVM runtime兼容函数【gcc_0】具有TVM统一函数参数，可解压缩TVM打包的张量，调用【gcc_0__wrapper_】。
因此，【JIT】实现过程中唯一需要做的，就是将生成的所有子图函数代码传递给【JitImpl】：
std::string JIT() {
// Write function macros
for (auto decl : func_decl_) {
code_stream_ << decl << "\n";
}
return JitImpl(ext_func_id_, ext_func_args_, buf_decl_, ext_func_body, out_);
}
传递的所有的变量（【ext_func_id】等）都是类变量，在遍历子图时会被填充。
实现【CSourceCodegen 】
同样，创建一个类框架，实现所需的功能。注意，继承【CSourceModuleCodegenBase】
class CSourceCodegen : public CSourceModuleCodegenBase {
public:
// Pass a subgraph function, and generate the C code.
void GenCFunc(const Function& func) { ; }
// Use GenCFunc to generate the C code and wrap it as a C source module.
runtime::Module CreateCSourceModule(const NodeRef& ref) override { ; }
private:
std::ostringstream code_stream_;
};
实现【GenCFunc 】
【GenCFunc】只需使用【CodegenC】，只是实现遍历Relay函数（子图），获得生成的C代码即可。内置函数【GetExtSymbol】在Relay 函数中，检索唯一的符号名称（例如gcc_0），用作C函数名称，因为该符号将用于DSOruntime查找。
void GenCFunc(const Function& func) {
CHECK(func.defined()) << "Input error: expect a Relay function.";
// Record the external symbol for runtime lookup.
auto sid = GetExtSymbol(func);
CodeGenC builder(sid);
builder.VisitExpr(func->body);
code_stream_ << builder.JIT();
}
实现【CreateCSourceModule 】
该函数为外部库创建一个runtime模块。在此示例中，创建了一个【CSourceModule】，可以直接编译，与TVM生成的DSOModule链接在一起。实现【CodegenC】后，实现此功能相对简单：
runtime::Module CreateCSourceModule(const NodeRef& ref) override {
// Create headers
code_stream_ << "#include <cstdint>\n";
code_stream_ << "#include <iostream>\n";
code_stream_ << "#include <cstdlib>\n";
code_stream_ << "#include <stdio.h>\n";
code_stream_ << "#include <cstring>\n";
code_stream_ << "#include <tvm/runtime/c_runtime_api.h>\n";
code_stream_ << "#include <dlpack/dlpack.h>\n";
// Append some common macro for operator definition.
const char* operator_macro = R"op_macro(
#define CSOURCE_BINARY_OP_1D(p_ID_, p_OP_, p_DIM1_) \
extern "C" void p_ID_(float* a, float* b, float* out) { \
for (int64_t i = 0; i < p_DIM1_; ++i) { \
out[i] = a[i] p_OP_ b[i]; \
} \
}
#define CSOURCE_BINARY_OP_2D(p_ID_, p_OP_, p_DIM1_, p_DIM2_) \
extern "C" void p_ID_(float* a, float* b, float* out) { \
for (int64_t i = 0; i < p_DIM1_; ++i) { \
for (int64_t j = 0; j < p_DIM2_; ++j) { \
int64_t k = i * p_DIM2_ + j; \
out[k] = a[k] p_OP_ b[k]; \
} \
} \
}
)op_macro";
code_stream_ << operator_macro << "\n\n";
// Generate C code for the subgraph.
if (ref->IsInstance<FunctionNode>()) {
GenCFunc(Downcast<Function>(ref));
} else if (ref->IsInstance<relay::ModuleNode>()) {
relay::Module mod = Downcast<relay::Module>(ref);
for (const auto& it : mod->functions) {
GenCFunc(Downcast<Function>(it.second));
}
} else {
LOG(FATAL) << "The input ref is expected to be a Relay function or module"
<< "\n";
}
// Create a CSourceModule
const auto* pf = runtime::Registry::Get("module.csource_module_create");
CHECK(pf != nullptr) << "Cannot find csource module to create the external runtime module";
return (*pf)(code_stream_.str(), "cc");
}
注册代码生成
最后一步是将代码生成器注册到TVM后端。先实现一个简单的函数，调用代码生成器，生成一个runtime模块。
runtime::Module CCompiler(const NodeRef& ref) {
CSourceCodegen csource;
return csource.CreateCSourceModule(ref);
}
最后，将此功能注册到TVM后端：
TVM_REGISTER_GLOBAL("relay.ext.ccompiler").set_body_typed(CCompiler);
其中【ccompiler】是一个自定义标签，用于TVM知道这是在用【ccompiler】注释子图时，应使用生成和卸载子图的代码生成器。
最后，一个好的做法是设置CMake配置标志，仅为客户提供编译器。先创建一个cmake文件【cmake/modules/contrib/CODEGENC.cmake】：
if(USE_CODEGENC)
file(GLOB CSOURCE_RELAY_CONTRIB_SRC src/relay/backend/contrib/codegen_c/codegen.cc)
list(APPEND COMPILER_SRCS ${CSOURCE_RELAY_CONTRIB_SRC})
endif(USE_CODEGENC)
这样，用户可以在配置TVM时，使用【config.cmake】以下命令，配置是否包括编译器：
set(USE_CODEGENC ON)
为表示实现一个代码生成
尽管已经演示了如何实现C代码生成，但是硬件可能需要其它的图形表示形式，如JSON。在这种情况下，可以修改【CodegenC】类，已经实现了自定义图形表示，实现定制的runtime模块，使TVM runtime知道，如何执行该图形表示。
为了简化，在本文中定义了一个名为“ ExampleJSON”的图表示。ExampleJSON不是真正的JSON，仅仅是没有控制流的图的简单表示。例如，假设有一个名为【subgraph_0】的子图：
input0
|
add <-- input1
|
subtract <-- input2
|
multiply <-- input3
|
out
然后，该子图的【ExampleJON】如下所示：
subgraph_0
input 0 10 10
input 1 10 10
input 2 10 10
input 3 10 10
add 4 inputs: 0 1 shape: 10 10
sub 5 inputs: 4 2 shape: 10 10
add 6 inputs: 5 3 shape: 10 10
【input】关键字声明输入张量的ID和形状; 其它语句则以语法描述计算:
【<op> <output ID> inputs: [input ID] shape: [shape]】
在本节中，目标是实现以下定制的TVM runtime模块，执行【ExampleJSON】图。
runtime::Module ExampleJsonCompiler(const NodeRef& ref) {
ExampleJsonCodeGen codegen(ref);
std::string code = codegen.gen(); // Note 1
const auto* pf = runtime::Registry::Get("module.examplejson_module_create"); // Note 2
CHECK(pf != nullptr) << "Cannot find ExampleJson module to create the external runtime module";
return (*pf)(code);
}
TVM_REGISTER_GLOBAL("relay.ext.examplejsoncompiler").set_body_typed(ExampleJsonCompiler);
Note1：将实现自定义代码生成，通过子图生成ExampleJSON代码字符串。
Note2：此行获得指向用于创建定制runtime模块的函数的指针。可以看到采用了刚刚生成的ExampleJSON格式的子图代码，初始化了runtime模块。
在以下各节中，将介绍
1）如何实现【ExampleJsonCodeGen】
2）如何实现和注册【examplejson_module_create】。
实现【ExampleJsonCodeGen 】
类似于C代码生成器，从【ExprVisitor】派生了【ExampleJsonCodeGen】，利用访问者模式，进行子图遍历的方法。另一方面，不需要继承【CodegenCBase】，因为不需要TVM C ++装饰器。codegen类的实现如下：
#include <tvm/relay/expr_functor.h>
#include <tvm/relay/transform.h>
#include <tvm/relay/type.h>
#include <tvm/runtime/module.h>
#include <tvm/runtime/object.h>
#include <fstream>
#include <sstream>
namespace tvm {
namespace relay {
namespace contrib {
class ExampleJsonCodeGen : public ExprVisitor {
public:
explicit ExampleJsonCodeGen();
// Note 1
void VisitExpr_(const VarNode* node) { /* Skip in this example. */ }
void VisitExpr_(const CallNode* call) final { /* Skip in this example. */ }
// Note 2
std::string gen(NodeRef& ref) {
this->code = "";
if (ref->IsInstance<FunctionNode>()) {
this->visit(Downcast<Function>(ref));
} else if (ref->IsInstance<relay::ModuleNode>()) {
relay::Module mod = Downcast<relay::Module>(ref);
for (const auto& it : mod->functions) {
this->visit(Downcast<Function>(it.second));
}
} else {
LOG(FATAL) << "The input ref is expected to be a Relay function or module";
}
return this->code;
}
private:
/*! \brief The function id that represents a C source function. */
std::string code;
}
Note1：再次实现相应的访问者函数，生成ExampleJSON代码，将存储到类变量【code】中（在本示例中，跳过了访问器函数的实现，因为概念与C代码基本相同）。完成图访问后，应该在【code】中有一个ExampleJSON图。
Note2：定义了一个内部API gen，获取子图生成ExampleJSON代码。该API可以采用喜欢的任意名称。
下一步是实施自定义的runtime，输出ExampleJsonCodeGen。
实现自定义runtime
在本节中，将逐步实现自定义的TVM runtime，将注册到TVM runtime模块。自定义的runtime应位于src/runtime/contrib/<your-runtime-name>/。在示例中，将runtime命名为“ example_ext_runtime”，将放在“ here <src / runtime / contrib / example_ext_runtime / example_ext_runtime.cc>” _下。随时检查此文件，获取完整的实现。
再次，先定义一个自定义的runtime类，如下所示。该类必须从TVM派生【ModuleNode】，以便与其它TVM runtime模块兼容。
#include <dmlc/logging.h>
#include <tvm/runtime/c_runtime_api.h>
#include <tvm/runtime/memory.h>
#include <tvm/runtime/module.h>
#include <tvm/runtime/ndarray.h>
#include <tvm/runtime/object.h>
#include <tvm/runtime/packed_func.h>
#include <tvm/runtime/registry.h>
#include <fstream>
#include <cmath>
#include <map>
#include <sstream>
#include <string>
#include <vector>
namespace tvm {
namespace runtime {
class ExampleJsonModule : public ModuleNode {
public:
explicit ExampleJsonModule(std::string graph_json);
PackedFunc GetFunction(const std::string& name,
const ObjectPtr<Object>& sptr_to_self) final;
const char* type_key() const { return "examplejson"; }
void SaveToBinary(dmlc::Stream* stream) final;
static Module LoadFromBinary(void* strm);
static Module Create(const std::string& path);
std::string GetSource(const std::string& format = "");
void Run(int id, const std::vector<int>& inputs, int output);
void ParseJson(const std::string& json);
private:
/* \brief The json string that represents a computational graph. */
std::string graph_json_;
/* \brief The subgraph that being processed. */
std::string curr_subgraph_;
/*! \brief A simple graph from subgraph id to node entries. */
std::map<std::string, std::vector<NodeEntry> > graph_;
/* \brief A simple pool to contain the tensor for each node in the graph. */
std::vector<NDArray> data_entry_;
/* \brief A mapping from node id to op name. */
std::vector<std::string> op_id_;
};
特别的，必须在【ExampleJsonModule】中，实现一些【ModuleNode】派生的函数：
构造函数：此类的构造函数应接受一个子图（以表示形式），以所需的任何方式，进行处理和存储。保存的子图可由以下两个函数使用。
【GetFunction】：这是此类中最重要的函数。当TVM runtime要使用编译器标记执行子图时，TVM runtime会从自定义runtime模块调用此函数。提供函数名称以及runtime参数，【GetFunction】应返回打包的函数实现，供TVM runtime执行。
【SaveToBinary】和【LoadFromBinary】：【SaveToBinary】将runtime模块序列化为二进制格式，供以后部署。用户使用【export_libraryAPI 】时，TVM将调用此函数。另一方面，由于现在使用自定义图表示形式，因此必须确保【LoadFromBinary】能够通过采用【SaveToBinary】生成的序列化二进制文件，构造相同的runtime模块。
【GetSource】（可选）：如果想查看生成的【ExampleJSON】代码，可以实现此函数转储；否则，可以跳过实施。
其它功能和类变量将与上述必备功能的实现一起引入。
实现构造函数
explicit ExampleJsonModule(std::string graph_json) {
this->graph_json_ = graph_json;
ParseJson(this->graph_json_);
}
然后，实现【ParseJson】解析ExampleJSON格式的子图，在内存中构造一个图，供以后使用。由于在此示例中不支持带有分支的子图，因此仅使用数组，按顺序存储子图中的每个节点。
void ParseJson(const std::string& json) {
std::string line;
std::string curr_subgraph;
std::stringstream ss(json);
while (std::getline(ss, line, '\n')) {
std::stringstream ss2(line);
std::string token;
int id = 0;
ss2 >> token;
if (token.find("subgraph_") != std::string::npos) {
curr_subgraph = token;
continue;
}
ss2 >> id;
if (op_id_.size() <= static_cast<size_t>(id)) {
op_id_.resize(id + 1);
data_entry_.resize(id + 1);
}
int64_t total_elements = 1;
std::vector<int64_t> shape;
if (token == "input") {
int64_t size = 0;
while (ss2 >> size) {
total_elements *= size;
shape.push_back(size);
}
} else {
op_id_[id] = token; // Note 1
bool shape_data = false;
NodeEntry entry;
while (ss2 >> token) {
if (token == "shape:") {
shape_data = true;
} else if (shape_data) {
total_elements *= std::stoll(token);
shape.push_back(std::stoll(token));
} else if (token != "inputs:") {
entry.inputs.push_back(std::stoi(token));
}
}
entry.id = id;
entry.output = id;
graph_[curr_subgraph].push_back(entry); // Note 2
}
DLContext ctx;
ctx.device_type = static_cast<DLDeviceType>(1);
ctx.device_id = 0;
data_entry_[id] = NDArray::Empty(shape, DLDataType{kDLFloat, 32, 1}, ctx); // Note 3
}
}
Note1：使用类变量【op_id_】将子图节点ID，映射到运算符名称（如【add】），可以在runtime调用相应的运算符函数。
Note2：使用类变量【graph_】，将子图名称映射到节点数组。【GetFunction】将在runtime通过子图ID查询图节点。
Note3：使用类变量【data_entry_】，将子图节点ID映射到张量数据占位符。将在runtime将输入和输出放入相应的数据条目。
实现【GetFunction 】
构造后，应该准备好上述类变量。然后，实现【GetFunction】为TVM runtime，提供可执行的子图函数：
PackedFunc GetFunction(const std::string& name,
const ObjectPtr<Object>& sptr_to_self) final {
if (this->graph_.find(name) != this->graph_.end()) {
this->curr_subgraph_ = name;
return PackedFunc([sptr_to_self, this](TVMArgs args, TVMRetValue* rv) {
// Copy input tensors to corresponding data entries.
for (auto i = 0; i < args.size(); ++i) {
CHECK(args[i].type_code() == kNDArrayContainer || args[i].type_code() == kArrayHandle)
<< "Expect NDArray or DLTensor as inputs\n";
if (args[i].type_code() == kArrayHandle) {
DLTensor* arg = args[i];
this->data_entry_[i].CopyFrom(arg);
} else {
NDArray arg = args[i];
this->data_entry_[i].CopyFrom(arg);
}
}
// Execute the subgraph.
for (const auto& it : this->graph_[this->curr_subgraph_]) {
this->Run(it.id, it.inputs, it.output);
}
CHECK_GT(graph_.count(this->curr_subgraph_), 0U);
// Copy the output from a data entry back to TVM runtime argument.
auto out_idx = graph_[this->curr_subgraph_].back().output;
if (args[args.size() - 1].type_code() == kArrayHandle) {
DLTensor* arg = args[args.size() - 1];
this->data_entry_[out_idx].CopyTo(arg);
} else {
NDArray arg = args[args.size() - 1];
this->data_entry_[out_idx].CopyTo(arg);
}
*rv = data_entry_.back();
});
} else {
LOG(FATAL) << "Unknown subgraph: " << name << "\n";
return PackedFunc();
}
}
可以看出，【GetFunction】由三个主要部分组成。第一部分将数据从TVM runtime参数复制到在构造函数中分配的相应数据条目。第二部分使用【Run】函数（将在以后实现）执行子图，将结果保存到另一个数据条目中。第三部分将结果从输出数据条目，复制回相应的TVM runtime参数进行输出。
实现运行
现在让实现【Run】函数。此函数接受：
1）一个子图ID；
2）输入数据条目索引的列表
3）输出数据条目索引。
void Run(int id, const std::vector<int>& inputs, int output) {
// Make a list data entry indexs.
std::vector<int> args(inputs.begin(), inputs.end());
args.push_back(output);
// Initialize data holders.
std::vector<TVMValue> values(args.size());
std::vector<int> type_codes(args.size());
// Initialize a TVM arg setter with TVMValue and its type code.
TVMArgsSetter setter(values.data(), type_codes.data());
// Set each argument to its corresponding data entry.
if (op_id_[id] == "add" || op_id_[id] == "sub" || op_id_[id] == "mul") {
for (size_t i = 0; i < args.size(); i++) {
setter(i, data_entry_[args[i]]);
}
}
// Invoke the corresponding operator function.
if (op_id_[id] == "add") {
Add(values.data(), type_codes.data(), args.size());
} else if (op_id_[id] == "sub") {
Sub(values.data(), type_codes.data(), args.size());
} else if (op_id_[id] == "mul") {
Mul(values.data(), type_codes.data(), args.size());
} else {
LOG(FATAL) << "Unknown op: " << op_id_[id] << "\n";
}
}
【Run】函数主要有两个部分。第一部分分配一个【TVMValue】列表，映射相应的数据条目块。这将成为运算符函数的参数。第二部分将调用运算符函数。虽然使用与前面的例子相同的C函数，可以用自定义引擎更换Add，Sub及Mul。只需要确保引擎将结果存储到最后一个参数，就可以将传输回TVM runtime。
通过实现上述功能，自定义的代码生成和runtime现在可以执行子图。最后一步是注册API（【examplejson_module_create】）以创建此模块：
TVM_REGISTER_GLOBAL("module.examplejson_module_create")
.set_body_typed([](std::string code){
auto n = make_object<ExampleJsonModule>(code);
return runtime::Module(n);
});
实现【SaveToBinary】和【LoadFromBinary 】
到目前为止，已经实现了自定义runtime的主要功能，可以用作其它TVM runtime。但是，当用户要将已构建的runtime保存到磁盘以进行部署时，TVM不知道如何保存。这就是要实现【SaveToBinary】和【LoadFromBinary】的原因，告诉TVM如何保留和恢复自定义的runtime。
先实现【SaveToBinary】，允许用户将该模块保存在磁盘中的功能。
void SaveToBinary(dmlc::Stream* stream) final {
stream->Write(this->graph_json_);
}
可以发现此函数非常简单。回想一下，在构造函数中使用的唯一参数是一个子图表示，只需要一个子图表示，即可构造/恢复此定制的runtime模块。结果，【SaveToBinary】只需将子图写入输出DMLC流。当用户使用【export_library】API导出模块时，自定义模块将是子图的ExampleJSON流。
同样，【LoadFromBinary】读取子图流，重新构建自定义的runtime模块：
static Module LoadFromBinary(void* strm) {
dmlc::Stream* stream = static_cast<dmlc::Stream*>(strm);
std::string graph_json;
stream->Read(&graph_json);
auto n = tvm::runtime::make_object<ExampleJsonModule>(graph_json);
return Module(n);
}
需要注册此函数，启用相应的Python API：
TVM_REGISTER_GLOBAL("module.loadbinary_examplejson")
.set_body_typed(ExampleJsonModule::LoadFromBinary);
上面的注册当用户调用【tvm.runtime.load(lib_path)】API，导出的库具有ExampleJSON流时，【LoadFromBinary】将被调用，创建相同的自定义runtime模块。
另外，如果想直接从ExampleJSON文件支持模块创建，可以实现一个简单的函数，注册Python API，如下所示：
static Module Create(const std::string& path) {
std::ifstream filep;
filep.open(path, std::ios::in);
std::string graph_json;
std::string line;
while (std::getline(filep, line)) {
graph_json += line;
graph_json += "\n";
}
filep.close();
auto n = tvm::runtime::make_object<ExampleJsonModule>(graph_json);
return Module(n);
}
TVM_REGISTER_GLOBAL("module.loadfile_examplejson")
.set_body([](TVMArgs args, TVMRetValue* rv) {
*rv = ExampleJsonModule::Create(args[0]);
});
用户可以手动编写/修改ExampleJSON文件，使用Python API 【tvm.runtime.load("mysubgraph.examplejson", "examplejson")】构造自定义模块。
总结
总之，这是一份清单供参考：
派生自【ExprVisitor】和【CodegenCBase】的代码生成类和（仅对于C代码生成），具有以下函数。
【VisitExpr_(const CallNode* call)】 收集调用节点信息。
收集子图信息所需的其它访问器函数。
【JIT 】生成子图代码。
注册代码生成器。
创建【CSourceModule】的函数（用于C代码生成）。
从【ModuleNode】派生的runtime模块类，具有下面的函数（用于图形表示）。
构造函数。
【GetFunction】生成TVM runtime兼容的【PackedFunc】。
【Run 】执行子图。
注册runtime创建API。
【SaveToBinary】和【LoadFromBinary】序列化/反序列化自定义的runtime模块。
注册【LoadFromBinary】API以支持【tvm.runtime.load(your_module_lib_path)】。
（可选）【Create】从表示中的子图文件，支持定制的runtime模块构造。
一个用于对用户Relay程序进行注释的注释器，利用编译器和runtime（TBA）。
参考链接：
https://tvm.apache.org/docs/dev/how_to/relay_bring_your_own_codegen.html
https://blog.csdn.net/weixin_42164269/article/details/104291635