AI中pass架构设计优化

AI中pass架构设计优化

Relay 和 TVM IR,包含一系列优化passes,可提高模型的性能指标,例如平均推理,内存占用,或特定设备的功耗。有一套标准优化,及特定机器学习的优化,包括常量折叠,死代码消除,算子布局更改,算子融合,缓冲区处理和循环转换等。这些passes中的每一个都构造为一个 ir-to -ir 转换,使用在遍历期间和/或前收集的分析结果。

随着 TVM 的快速发展,对管理这些pass的更系统,更有效的方法的需求,变得越来越明显。此外,管理跨 TVM 堆栈不同层(例如 Relay 和 tir)pass的通用框架,为开发人员快速构建原型,将实现的pass插入系统,铺平了道路。

本节描述了基础架构设计,利用产品编译器,管理优化pass,及构建层的深度学习框架。

例如,许多现有的产品编译器,如 GCC 和 LLVM,都采用pass管理器,有效管理pass的执行。最初管理 pass 很简单,因为 pass 的数量很少,成熟的编译器,将包含数百个单独的 pass。通常,外部用户希望正确调度自定义pass,无需修改单个手工制作的pass顺序。

现代深度学习框架,如 Pytorch 和 MXNet Gluon,分别通过SequentialBlock,启用pass-style 层构建方案的趋势。有了这样的结构,这些现代框架能够方便将模块/层添加到容器中,轻松地构建神经网络。

Relay pass infra 的设计,很大程度上受到 LLVM 中,使用的分层pass管理器和流行的深度学习框架中,使用的块式容器的启发。pass基础架构的主要目标包括:

  1. 实现更好的优化编程调度。允许用户灵活地定制和构建优化pass。
  2. 提供一种用户友好的方式来调试优化pass。
  3. 减轻开发人员手动和分别解决pass之间的依赖关系。
  4. 为开发人员简化新pass的实施。例如,允许用户在 Python 中,实现一个 pass,让 pass infra 操纵执行。

设计

专注于为用户提供易于扩展的功能,让用户可以快速添加新pass,不会失去向后兼容性。该设计包含后端和前端。前者实现了 pass infra 的主要逻辑。后者为用户提供了简单的 API 进行交互,允许用户快速创建优化pass。

C++ 后端

提供一个PassInfo对象,包含pass所需的基本信息。name是传递名称,opt_level指示,在哪个优化级别启用pass, required表示执行特定pass,所需的pass(有关更多详细信息,参阅include/tvm/ir/transform.h)。例如,在注册pass期间,pass开发人员,可以指定pass的名称,将执行的优化级别和/或所需的pass。在用户提供的优化级别下运行时,是否需要执行某个 pass, opt_level可用于帮助 pass infra 识别。 required字段,可以被 pass infra 使用,解决 pass 依赖。

class PassInfoNode : public Object {
  String name;
  int opt_level;
  Array<String> required;
};

传递上下文

PassContext携带用于优化pass的有用信息。例如,包含错误报告系统,可以提供有关优化失败原因的诊断。PassContext旨在替换旧的BuildConfig,用于帮助用户配置编译选项,包括优化级别和必需/禁用的pass等。例如,可能有一个配置, opt_level=3使用disabled_pass=xx提供的某些禁用的pass,执行所有PassContext。可以将所有pass,放在opt_level=3,排除禁用pass列表中的那些。PassContext提供了一种检测所有pass的方法。

PassContext包含优化pass的有用信息。例如,包含错误报告系统,可以提供有关优化失败原因的诊断。PassContext设计用于替换旧的BuildConfig,该配置用于帮助用户配置编译选项,包括优化级别和必需/禁用的pass等。例如,可能有一个配置,该配置使用PassContext提供的disabled_pass=xx,在opt_level=3执行所有pass,一些禁用的pass,使用disabled_pass=xx。现在,可以在opt_level=3时,对所有pass,进行全局排序,排除禁用pass列表中的pass。PassContext提供了一种对所有pass,进行检测的方法。

这个类是为用户设计的,使用语法编写Python,在特定配置下执行优化。用户可以通过PassContext::Current(),线程安全的方式,获得特定程序范围内,可用的上下文,线程本地存储PassContextThreadLocalStore,保存创建的pass context对象。将提供示例来说明,如何使用C++和Python API,使用pass context,创建编译pass。

class PassContextNode: public Object {
 public:
  int opt_level{2};
  tvm::Array<tvm::Expr> required_pass;
  tvm::Array<tvm::Expr> disabled_pass;
  mutable Optional<DiagnosticContext> diag_ctx;
  Map<String, ObjectRef> config;
  Array<instrument::PassInstrument> instruments;
};
 
class PassContext : public NodeRef {
 public:
  TVM_DLL static PassContext Create();
  TVM_DLL static PassContext Current();
  TVM_DLL void InstrumentEnterPassContext();
  TVM_DLL void InstrumentExitPassContext();
  TVM_DLL bool InstrumentBeforePass(const IRModule& mod, const PassInfo& info) const;
  TVM_DLL void InstrumentAfterPass(const IRModule& mod, const PassInfo& info) const;
  /* Other fields are omitted. */
 
 private:
  // The entry of a pass context scope.
  TVM_DLL void EnterWithScope();
  // The exit of a pass context scope.
  TVM_DLL void ExitWithScope();
 
  // Classes to get the Python `with` like syntax.
  friend class tvm::With<PassContext>;
};
 
struct PassContextThreadLocalEntry {
  /*! \brief The default pass context. */
  PassContext default_context;
  /*! \brief The current pass context. */
  std::stack<PassContext> context_stack;
  PassContextThreadLocalEntry() {
    default_context = PassContext(make_node<PassContextNode>());
  }
};
 
/*! \brief The thread-local store to hold the pass context. */
typedef dmlc::ThreadLocalStore<PassContextThreadLocalEntry>
     PassContextThreadLocalStore;

pass构建

pass infra以分层方式设计,可以在 Relay/tir 程序的,不同粒度下工作。PassNode引入了一个纯虚拟类,作为不同优化pass的基础。包含几个必须由子类在模块,函数或pass序列级别实现的虚拟方法。

class PassNode : Object {
  virtual PassInfo Info() const = 0;
  virtual Module operator()(const IRModule& mod
                            const PassContext& pass_ctx) const = 0;
};

函子显示必须如何实现pass,始终在 IRModule特定上下文下工作。所有pass都以ModuletoModule方式设计。由 pass infra 控制的优化,将始终更新整个模块。

已经创建了几个子类,实现不同类型的优化pass,例如,函数级pass,模块级pass和顺序pass。每个子类本身都可以充当pass管理器。例如,可以收集所需的pass执行,或基于给定的元数据构建,依赖关系图。完整定义可以在src/relay/ir/transform.ccsrc/ir/transform.cc 中找到

模块级pass

模块级pass主要用于全局和pass间优化 (IPO),类似于 LLVM 中使用的模块pass。Relay 中一些典型的 pass,需要一个模块的全局图片,比如 A-normal form 转换和 lambda 提升等,都属于这个集合。在此级别,用户甚至可以在模块中,添加和/或删除功能。所有pass

class ModulePassNode : PassNode {
  PassInfo pass_info;
  runtime::TypedPackedFunc<Module(Module, PassContext)> pass_func;
  Module operator()(const Module& mod, const PassContext& pass_ctx) const final;
  // Other members/methods are omitted
};

pass_info维护模块级pass所需的信息。pass_func勾勒出真正的优化。例如,可能需要对模块执行死代码消除。可以在pass_func中实现算法,在模块上运行。删除死代码,包括模块中未使用的函数。该字段被设计为一个打包函数,可以在 C++ 和 Python 中,实现优化。

函数级pass

函数级pass,用于为给定的 Relay/tir 模块,实现各种函数内级优化。一次从模块的函数列表中,获取一个函数,进行优化,生成重写的 Relay Function或 tir PrimFunc。大多数pass可以归入这一类,如Relay中,常见子表达式消除和推理简化,及tir中的矢量化和扁平化存储等。

此级别的pass范围是 Relay 函数,或 tir 原始函数。无法通过pass,添加或删除函数。

class FunctionPassNode : PassNode {
  PassInfo pass_info;
  runtime::TypedPackedFunc<Function(Function, Module, PassContext)> pass_func;
  Module operator()(const Module& mod, const PassContext& pass_ctx) const final;
  bool SkipFunction(const Function& func) const;
  // Other members/methods are omitted...
};

pass_info与刚刚在模块pass中描述的相同。pass_func需要一个函数,进行优化,需要一个模块,可能会报告错误。一个函数可以用“SkipOptimization”注释,在优化pass中忽略。

连续passes

SequentialPass与 Pytorch 类似,nn.Sequential包含许多用于执行的pass。

class SequentialPassNode : PassNode {
  PassInfo pass_info;
  // Passes need to be executed.
  Array<Pass> passes;
  bool PassEnabled(const PassInfo& info) const;
  Module operator()(const Module& mod, const PassContext& pass_ctx) const final;
};

仅放置了在Relay中的少数pass。例如,FoldScaleAxis要求在内部调度ForwardFoldScaleAxis和BackwardFoldScaleAxis。建议首先完成BackwardFoldScaleAxis。该pass是SequentialPass的理想候选。

下面的代码显示了如何调用顺序过程中的各个pass。使用pass列表中,在一个顺序pass中,执行每个pass。

Module SequentialNode::operator()(const Module& module,
                                  const PassContext& pass_ctx) const {
  Module mod = module;
  for (const Pass& pass : passes) {
    ICHECK(pass.defined()) << "Found undefined pass for optimization.";
    const PassInfo& pass_info = pass->Info();
    if (!PassEnabled(pass_info))  continue;
    for (const auto& it : pass_info->required) {
      const auto* name = it.as<tvm::ir::StringImm>();
      ICHECK(name);
      mod = GetPass(name->value)(mod, pass_ctx);
    }
    mod = pass(mod, pass_ctx);
  }
  return mod;
}

在调用pass时,先检查是否启用了pass。检查用户是否明确禁用pass,是否被用户指定为必需pass完成的。如果不确定,是否启用了此pass,opt_level将进行检查。只有当优化级别不低于PassContext中,配置的优化级别时,才会启用执行pass。

要执行pass,先需要使用pass名称,在 TVM 打包函数注册表中,检索已注册的pass。这是可能的,因为每个pass,都注册了一个 API 端点,将在后面展示。

Pass GetPass(const std::string& pass_name) {
  using tvm::runtime::Registry;
  std::string fpass_name = "relay._transform." + pass_name;
  const auto* f = Registry::Get(fpass_name);
  ICHECK(f != nullptr) << "Cannot find " << fpass_name
                      << "to create the pass " << pass_name;
  return (*f)();
}

提供了一些辅助函数,创建上述每种类型的pass。这些帮助程序,暴露给 Python 前端,使用 Python API,创建特定的 pass 对象。

Pass CreateFunctionPass(
    const runtime::TypedPackedFunc<Function(Function, IRModule, PassContext)>& pass_func,
    int opt_level,
    String name,
    Array<String> required);
 
Pass CreatePrimFuncPass(
    const runtime::TypedPackedFunc<PrimFunc(PrimFunc, IRModule, PassContext)>& pass_func,
    int opt_level,
    String name,
    Array<String> required);
 
Pass CreateModulePass(
    const runtime::TypedPackedFunc<IRModule(IRModule, PassContext)>& pass_func,
    int opt_level,
    String name,
    Array<String> required);
 
Pass Sequential(tvm::Array<Pass> passes, PassInfo pass_info);

pass注册

不同级别pass的概念和用于编译的context,可以轻松注册pass,以 const 折叠为例。这个pass已经实现,折叠 Relay 函数中的常量(在 src/relay/transforms/fold_constant.cc 中找到)。

提供了一个 API,执行ExprtoExpr转换。

Expr FoldConstant(const Expr& expr);

为了将这个pass注册到pass infra,先需要决定这个pass,在哪个级别执行。由于常量折叠,发生在单个函数上,应该直观FunctionPass通过 CreateFunctionPass. 将pass_func作为打包函数返回,该函数在IRModule 中的每个函数上调用Exprto ExprAPI。{}表示此pass,不需要先决条件。否则,pass开发人员必须识别列出。

使用名称 relay._transform.FoldConstant,注册一个pass API 端点 。这个pass成为注册表中的一个条目,可以由C++(如GetPass上面的)和Python访问。

namespace transform {
 
Pass FoldConstant() {
  runtime::TypedPackedFunc<Function(Function, IRModule, PassContext)> pass_func =
    [=](Function f, IRModule m, PassContext pc) {
      return Downcast<Function>(FoldConstant(f));
  };
  return CreateFunctionPass(pass_func, 2, "FoldConstant", {});
}
 
TVM_REGISTER_GLOBAL("relay._transform.FoldConstant")
.set_body_typed(FoldConstant);
 
}  // namespace transform

为了允许其它 C++ 模块应用这个pass,在include/tvm/relay/transform.h 中声明了一个*函数, 如下所示:

TVM_DLL Pass FoldConstant();

pass仪器

Pass Instrument 是一种分析pass本身的机制。例如,可以使用基础架构,了解一次pass需要多少时间和内存,或者一次pass,如何转换 IR 模块。

生命周期中的四个仪器点PassContext。

TVM_DLL void InstrumentEnterPassContext();
TVM_DLL void InstrumentExitPassContext();
TVM_DLL bool InstrumentBeforePass(const IRModule& mod, const PassInfo& info) const;
TVM_DLL void InstrumentAfterPass(const IRModule& mod, const PassInfo& info) const;

当输入PassContext实例的范围时,立即调用InstrumentEnterPassContext。

InstrumentExitPassContext在离开PassContext的作用域时被调用,或者在执行过程中发生异常。当tvm.transform.PassContext中的OverrideU instruments重写仪器时,会调用此方法。

在执行前,调用InstrumentBeforePass。如果运行pass,在执行后调用InstrumentAfterPass。这种行为就像:

if (pass_ctx.InstrumentBeforePass(ir_module, pass_info)) {
  new_ir_module = run_pass(ir_module, pass_ctx);
  pass_ctx.InstrumentAfterPass(new_ir_module, pass_info);
  return new_ir_module;
}

该PassInstrument接口允许在上述四种方法中运行任意代码。多个PassInstrument实例,可以注册到一个 PassContext。PassInstrument实例按照instruments传递给参数序列,依次调用 PassContext。

PassInstrument 提供以下接口:

namespace instrument {
 
class PassInstrumentNode : public Object {
 public:
  String name;
  virtual void EnterPassContext() const = 0;
  virtual void ExitPassContext() const = 0;
  virtual bool ShouldRun(const IRModule& mod, const transform::PassInfo& info) const = 0;
  virtual void RunBeforePass(const IRModule& mod, const transform::PassInfo& info) const = 0;
  virtual void RunAfterPass(const IRModule& mod, const transform::PassInfo& info) const = 0;
  /* Other fields are omitted. */
};
 
class PassInstrument : public ObjectRef {
 public:
  TVM_DEFINE_OBJECT_REF_METHODS(PassInstrument, ObjectRef, PassInstrumentNode);
};
 
}  // namespace instrument

提供Python前端,以PassInstrument快速实现。

在 PassContext中, PassInstrument实例的调用顺序是这样的:

with PassContext(instruments=[pi]) # pi = a PassInstrument implementation.
    pi.EnterPassContext()
 
    if pi.ShouldRun(Pass1):
        pi.RunBeforePass()
        Pass1()
        pi.RunAfterPass()
 
    if pi.ShouldRun(Pass2):
        pi.RunBeforePass()
        Pass2()
        pi.RunAfterPass()
 
    pi.ExitPassContext()

介绍一下PassInstrument接口和PassContext方法的关系。有关更多详细信息,参阅 ( src/ir/transform.cc )。

  • InstrumentEnterPassContext
    • EnterPassContext()按instruments传递给PassContext 的顺序执行。
    • 当异常发生时,PassContext通过清除所有注册的PassInstrument实例,禁用pass检测。
    • PassContext执行ExitPassContext(),成功完成的每个PassInstrument实例的方法EnterPassContext()
    • 例如,如果PassInstrumentA,B,C,注册到 PassContext,A 完成,EnterPassContext(),B 抛出异常, C 永远不会执行;ExitPassContext()A 的执行。
  • InstrumentExitPassContext
    • 每个PassInstrument的实例ExitPassContext(),执行顺序是instruments传递给PassContext.
    • 当异常发生时,instruments被清除。
    • PassInstrument抛出异常后,注册的实例,不执行ExitPassContext。
  • InstrumentBeforePass
    • 如果pass未列为必需pass,执行ShouldRun。
    • RunBeforePass如果传球没有被ShouldRun 阻挡,按照instruments的顺序执行。
    • InstrumentBeforePass返回一个布尔值,指示是否应该运行传递。
    • 当异常发生时,立即抛出。依靠 Python Context ManagerPassContext安全退出(ExitPassContext每个仪器都会运行的含义。对于 C++,参阅include/tvm/support/with.h。)
  • InstrumentAfterPass
    • RunAfterPass按instruments传递给 PassContext的顺序执行。
    • 当异常发生时,立即抛出。依靠 Python Context Manager 或Withclass( include/tvm/support/with.h ),安全退出PassContext

build仪器

有几种内置工具,标有TODO 的,没有实现。

  • PassTimingInstrument(参见src/ir/instrument.cc
    • 分析pass的执行时间。
  • PrintIRBefore(TODO)
    • 在pass转换前,打印 IR 模块。如果在pass周围插入,tvm.transform.PrintIR()可以达到这个目的。但是,使用PassInstrument,不需要修改passes的顺序。
  • 打印后(待办事项)
    • 在pass转换后,打印 IR 模块。

Python前端

前端只需要一些简单的 API。例如,可以为用户提供以下 API,创建和执行一个 pass(完整的实现在python/tvm/relay/transform/transform.py和 python/tvm/ir/transform.py 中提供)。后端接收信息,决定应该使用哪个函数,创建 Pass 对象。

PassContext

Python 前端为__enter____exit__current 提供了一个包装器,通过覆盖和PassContext,启用with语法。为用户提供了一种静态方法,获取在一定范围内使用的Context。

@tvm._ffi.register_object("transform.PassContext")
class PassContext(tvm.runtime.Object):
    def __enter__(self):
        _transform.EnterPassContext(self)
        return self
 
    def __exit__(self, ptype, value, trace, config):
        _transform.ExitPassContext(self)
 
    @staticmethod
    def current():
        """Return the current pass context."""
        return _transform.GetCurrentPassContext()

PassContext用于配置编译选项,包括优化级别和必需/禁用的pass。可以带一个配置字典,以便不同的pass,可以方便地获取pass的数据,如回退设备信息和循环展开的步骤/深度等。为了能够获取所需的配置,必须通过 TVM_REGISTER_PASS_CONFIG_OPTION注册密钥。例如,使用以下内容,循环展开pass

TVM_REGISTER_PASS_CONFIG_OPTION("tir.UnrollLoop", UnrollLoopConfig);

更多细节,参考src/tir/transforms/unroll_loop.cc

pass对象

Pass是所有pass对象的基类。这里的所有方法,都只是在后端实现的简单包装器。为了用户方便地与 Python 中的基类,进行交互定义的。在 pass 基类中只定义了__call__,使子类成为可调用对象,可以很容易调用(例如,pass_xx(arg))执行。

@register_relay_node
class Pass(RelayNode):
   def __call__(self, mod):
       return _transform.RunPass(self, mod)

提供了一些辅助 API,从 Python 前端,轻松创建pass,让pass基础控制执行。例如module_pass,function_pass和sequential提供给用户,以便可以定制pass。

对于在 C++ 后端实现的所有 pass,分别在python/tvm/ir/transform.py和 python/tvm/relay/transform/transform.py 中,提供了相应的 Python API 。例如,const 折叠有一个 Python API,如下所示:

def FoldConstant():
    return _transform.FoldConstant()

可以构建一个pass through装饰:

 @relay.transform.module_pass(opt_level=2)
 def transform(mod, ctx):
    tp = relay.TensorType((10,), "float32")
    x = relay.var("x", tp)
    gv = relay.GlobalVar("abs")
    func = relay.Function([x], relay.abs(x))
    new_mod = tvm.IRModule({gv: func})
    new_mod.update(mod)
    return new_mod
 
module_pass = transform
assert isinstance(module_pass, transform.ModulePass)
assert module_pass.info.opt_level == 2

在transform功能增加了一个abs与输入模块的功能,可能是在模块级的任何定制的优化。创建module_pass后,应用于任何 Relay 模块。例如,可以构建一个空模块,应用pass添加一个abs 函数。

mod = tvm.IRModule()
mod = module_pass(mod)

提供function_pass功能,一个示例函数级pass,可以写成如下:

@relay.transform.function_pass(opt_level=1)
class TestReplaceFunc:
   def __init__(self, new_func):
      self.new_func = new_func
      def transform_function(self, func, mod, ctx):
         # Just for demo purposes
         # Transform func to new_func
         return self.new_func
 
x = relay.var("x", shape=(10, 20))
f1 = relay.Function([x], x)
f2 = relay.Function([x], relay.log(x))
# fpass is now a special pass that replaces every
# function to f1
fpass = TestReplaceFunc(f1)
# Now every function in input_mod is replaced by f1
res_mod = fpass(input_mod)

可以不使用装饰器,直接注册pass,调用。有关如何自定义优化pass,调试 Relay 和 tir pass 的更多示例,参阅 use pass infra教程。

pass仪器

可以通过在实现以下方法的类上,使用pass_instrument decorator(python/tvm/ir/instrument.py),实现PassInstrument。建议使用pass_instrument decorator,实现PassInstrument,不是重写或子类化。

  • enter_pass_ctx
    • 该方法在进入PassContext时运行。
  • exit_pass_ctx
    • 此方法在退出PassContext时运行。
  • should_run
    • 此方法在执行pass前运行,返回一个布尔值,指示是否应运行pass。
  • run_before_pass
    • 如果应该运行一次pass,在pass执行之前运行此方法。
  • run_after_pass
    • 此方法在执行一次pass后,立即运行。

PassInstrument实例可以通过tvm.transform.PassContext中的参数 instruments注册。

use pass instrument提供了如何使用 Python API,实现PassInstrument的示例。

覆盖当前 PassContext 中的仪器

提供了current PassContext覆盖instruments 的override_instruments方法。例如,如果在没有显式创建 new 的情况下,运行 pass PassContext,可以通过以下方式注册PassInstrument到全局中PassContext:

cur_pass_ctx = tvm.transform.PassContext.current()
# override PassInstrument instances
cur_pass_ctx.override_instruments([pass_inst])
mod = pass_seq(mod)
result = pass_inst.get_result()

当override_instruments调用时,旧PassInstrument实例的方法exit_pass_ctx会调用。然后new PassInstrument的enter_pass_ctx方法调用。

 

 

参考链接:

https://tvm.apache.org/docs/dev/pass_infra.html#pass-infra

上一篇:lua 之 全局变量


下一篇:关于node