AI中pass架构设计优化
AI中pass架構設計優化
Relay 和 TVM IR，包含一系列優化passes，可提高模型的性能指標，例如平均推理，內存占用，或特定設備的功耗。有一套標準優化，及特定機器學習的優化，包括常量折疊，死代碼消除，算子布局更改，算子融合，緩沖區處理和循環轉換等。這些passes中的每一個都構造為一個 ir-to -ir 轉換，使用在遍歷期間和/或前收集的分析結果。
隨著 TVM 的快速發展，對管理這些pass的更系統，更有效的方法的需求，變得越來越明顯。此外，管理跨 TVM 堆棧不同層（例如 Relay 和 tir）pass的通用框架，為開發人員快速構建原型，將實現的pass插入系統，鋪平了道路。
本節描述了基礎架構設計，利用產品編譯器，管理優化pass，及構建層的深度學習框架。
例如，許多現有的產品編譯器，如 GCC 和 LLVM，都采用pass管理器，有效管理pass的執行。最初管理 pass 很簡單，因為 pass 的數量很少，成熟的編譯器，將包含數百個單獨的 pass。通常，外部用戶希望正確調度自定義pass，無需修改單個手工制作的pass順序。
現代深度學習框架，如 Pytorch 和 MXNet Gluon，分別通過Sequential和Block，啟用pass-style 層構建方案的趨勢。有了這樣的結構，這些現代框架能夠方便將模塊/層添加到容器中，輕松地構建神經網絡。
Relay pass infra 的設計，很大程度上受到 LLVM 中，使用的分層pass管理器和流行的深度學習框架中，使用的塊式容器的啟發。pass基礎架構的主要目標包括：
- 實現更好的優化編程調度。允許用戶靈活地定制和構建優化pass。
- 提供一種用戶友好的方式來調試優化pass。
- 減輕開發人員手動和分別解決pass之間的依賴關系。
- 為開發人員簡化新pass的實施。例如，允許用戶在 Python 中，實現一個 pass，讓 pass infra 操縱執行。
設計
專注于為用戶提供易于擴展的功能，讓用戶可以快速添加新pass，不會失去向后兼容性。該設計包含后端和前端。前者實現了 pass infra 的主要邏輯。后者為用戶提供了簡單的 API 進行交互，允許用戶快速創建優化pass。
C++ 后端
提供一個PassInfo對象，包含pass所需的基本信息。name是傳遞名稱，opt_level指示，在哪個優化級別啟用pass， required表示執行特定pass，所需的pass（有關更多詳細信息，參閱include/tvm/ir/transform.h）。例如，在注冊pass期間，pass開發人員，可以指定pass的名稱，將執行的優化級別和/或所需的pass。在用戶提供的優化級別下運行時，是否需要執行某個 pass， opt_level可用于幫助 pass infra 識別。 required字段，可以被 pass infra 使用，解決 pass 依賴。
class PassInfoNode : public Object {
String name;
int opt_level;
Array required;
};
傳遞上下文
PassContext攜帶用于優化pass的有用信息。例如，包含錯誤報告系統，可以提供有關優化失敗原因的診斷。PassContext旨在替換舊的BuildConfig，用于幫助用戶配置編譯選項，包括優化級別和必需/禁用的pass等。例如，可能有一個配置， opt_level=3使用disabled_pass=xx提供的某些禁用的pass，執行所有PassContext。可以將所有pass，放在opt_level=3，排除禁用pass列表中的那些。PassContext提供了一種檢測所有pass的方法。
PassContext包含優化pass的有用信息。例如，包含錯誤報告系統，可以提供有關優化失敗原因的診斷。PassContext設計用于替換舊的BuildConfig，該配置用于幫助用戶配置編譯選項，包括優化級別和必需/禁用的pass等。例如，可能有一個配置，該配置使用PassContext提供的disabled_pass=xx，在opt_level=3執行所有pass，一些禁用的pass，使用disabled_pass=xx。現在，可以在opt_level=3時，對所有pass，進行全局排序，排除禁用pass列表中的pass。PassContext提供了一種對所有pass，進行檢測的方法。
這個類是為用戶設計的，使用語法編寫Python，在特定配置下執行優化。用戶可以通過PassContext::Current()，線程安全的方式，獲得特定程序范圍內，可用的上下文，線程本地存儲PassContextThreadLocalStore，保存創建的pass context對象。將提供示例來說明，如何使用C++和Python API，使用pass context，創建編譯pass。
class PassContextNode: public Object {
public:
int opt_level{2};
tvm::Arraytvm::Expr required_pass;
tvm::Arraytvm::Expr disabled_pass;
mutable Optional diag_ctx;
Map<String, ObjectRef> config;
Arrayinstrument::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;
};
struct PassContextThreadLocalEntry {
/*! \brief The default pass context. /
PassContext default_context;
/! \brief The current pass context. */
std::stack context_stack;
PassContextThreadLocalEntry() {
default_context = PassContext(make_node());
}
};
/! \brief The thread-local store to hold the pass context. /
typedef dmlc::ThreadLocalStore
PassContextThreadLocalStore;
pass構建
pass infra以分層方式設計，可以在 Relay/tir 程序的，不同粒度下工作。PassNode引入了一個純虛擬類，作為不同優化pass的基礎。包含幾個必須由子類在模塊，函數或pass序列級別實現的虛擬方法。
class PassNode : Object {
virtual PassInfo Info() const = 0;
virtual Module operator()(const IRModule& mod
const PassContext& pass_ctx) const = 0;
};
函子顯示必須如何實現pass，始終在 IRModule特定上下文下工作。所有pass都以ModuletoModule方式設計。由 pass infra 控制的優化，將始終更新整個模塊。
已經創建了幾個子類，實現不同類型的優化pass，例如，函數級pass，模塊級pass和順序pass。每個子類本身都可以充當pass管理器。例如，可以收集所需的pass執行，或基于給定的元數據構建，依賴關系圖。完整定義可以在src/relay/ir/transform.cc和src/ir/transform.cc 中找到。
模塊級pass
模塊級pass主要用于全局和pass間優化 (IPO)，類似于 LLVM 中使用的模塊pass。Relay 中一些典型的 pass，需要一個模塊的全局圖片，比如 A-normal form 轉換和 lambda 提升等，都屬于這個集合。在此級別，用戶甚至可以在模塊中，添加和/或刪除功能。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維護模塊級pass所需的信息。pass_func勾勒出真正的優化。例如，可能需要對模塊執行死代碼消除。可以在pass_func中實現算法，在模塊上運行。刪除死代碼，包括模塊中未使用的函數。該字段被設計為一個打包函數，可以在 C++ 和 Python 中，實現優化。
函數級pass
函數級pass，用于為給定的 Relay/tir 模塊，實現各種函數內級優化。一次從模塊的函數列表中，獲取一個函數，進行優化，生成重寫的 Relay Function或 tir PrimFunc。大多數pass可以歸入這一類，如Relay中，常見子表達式消除和推理簡化，及tir中的矢量化和扁平化存儲等。
此級別的pass范圍是 Relay 函數，或 tir 原始函數。無法通過pass，添加或刪除函數。
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與剛剛在模塊pass中描述的相同。pass_func需要一個函數，進行優化，需要一個模塊，可能會報告錯誤。一個函數可以用“SkipOptimization”注釋，在優化pass中忽略。
連續passes
SequentialPass與 Pytorch 類似，nn.Sequential包含許多用于執行的pass。
class SequentialPassNode : PassNode {
PassInfo pass_info;
// Passes need to be executed.
Array passes;
bool PassEnabled(const PassInfo& info) const;
Module operator()(const Module& mod, const PassContext& pass_ctx) const final;
};
僅放置了在Relay中的少數pass。例如，FoldScaleAxis要求在內部調度ForwardFoldScaleAxis和BackwardFoldScaleAxis。建議首先完成BackwardFoldScaleAxis。該pass是SequentialPass的理想候選。
下面的代碼顯示了如何調用順序過程中的各個pass。使用pass列表中，在一個順序pass中，執行每個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.astvm::ir::StringImm();
ICHECK(name);
mod = GetPass(name->value)(mod, pass_ctx);
}
mod = pass(mod, pass_ctx);
}
return mod;
}
在調用pass時，先檢查是否啟用了pass。檢查用戶是否明確禁用pass，是否被用戶指定為必需pass完成的。如果不確定，是否啟用了此pass，opt_level將進行檢查。只有當優化級別不低于PassContext中，配置的優化級別時，才會啟用執行pass。
要執行pass，先需要使用pass名稱，在 TVM 打包函數注冊表中，檢索已注冊的pass。這是可能的，因為每個pass，都注冊了一個 API 端點，將在后面展示。
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)();
}
提供了一些輔助函數，創建上述每種類型的pass。這些幫助程序，暴露給 Python 前端，使用 Python API，創建特定的 pass 對象。
Pass CreateFunctionPass(
const runtime::TypedPackedFunc<Function(Function, IRModule, PassContext)>& pass_func,
int opt_level,
String name,
Array required);
Pass CreatePrimFuncPass(
const runtime::TypedPackedFunc<PrimFunc(PrimFunc, IRModule, PassContext)>& pass_func,
int opt_level,
String name,
Array required);
Pass CreateModulePass(
const runtime::TypedPackedFunc<IRModule(IRModule, PassContext)>& pass_func,
int opt_level,
String name,
Array required);
Pass Sequential(tvm::Array passes, PassInfo pass_info);
pass注冊
不同級別pass的概念和用于編譯的context,可以輕松注冊pass，以 const 折疊為例。這個pass已經實現，折疊 Relay 函數中的常量（在 src/relay/transforms/fold_constant.cc 中找到）。
提供了一個 API，執行ExprtoExpr轉換。
Expr FoldConstant(const Expr& expr);
為了將這個pass注冊到pass infra，先需要決定這個pass，在哪個級別執行。由于常量折疊，發生在單個函數上，應該直觀FunctionPass通過 CreateFunctionPass. 將pass_func作為打包函數返回，該函數在IRModule 中的每個函數上調用Exprto ExprAPI。{}表示此pass,不需要先決條件。否則，pass開發人員必須識別列出。
使用名稱 relay._transform.FoldConstant,注冊一個pass API 端點 。這個pass成為注冊表中的一個條目，可以由C++（如GetPass上面的）和Python訪問。
namespace transform {
Pass FoldConstant() {
runtime::TypedPackedFunc<Function(Function, IRModule, PassContext)> pass_func =
[=](Function f, IRModule m, PassContext pc) {
return Downcast(FoldConstant(f));
};
return CreateFunctionPass(pass_func, 2, “FoldConstant”, {});
}
TVM_REGISTER_GLOBAL(“relay._transform.FoldConstant”)
.set_body_typed(FoldConstant);
} // namespace transform
為了允許其它 C++ 模塊應用這個pass，在include/tvm/relay/transform.h 中聲明了一個自由函數， 如下所示：
TVM_DLL Pass FoldConstant();
pass儀器
Pass Instrument 是一種分析pass本身的機制。例如，可以使用基礎架構，了解一次pass需要多少時間和內存，或者一次pass，如何轉換 IR 模塊。
生命周期中的四個儀器點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;
當輸入PassContext實例的范圍時，立即調用InstrumentEnterPassContext。
InstrumentExitPassContext在離開PassContext的作用域時被調用，或者在執行過程中發生異常。當tvm.transform.PassContext中的OverrideU instruments重寫儀器時，會調用此方法。
在執行前，調用InstrumentBeforePass。如果運行pass，在執行后調用InstrumentAfterPass。這種行為就像：
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;
}
該PassInstrument接口允許在上述四種方法中運行任意代碼。多個PassInstrument實例，可以注冊到一個 PassContext。PassInstrument實例按照instruments傳遞給參數序列，依次調用 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快速實現。
在 PassContext中， PassInstrument實例的調用順序是這樣的：
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()
介紹一下PassInstrument接口和PassContext方法的關系。有關更多詳細信息，參閱 ( src/ir/transform.cc )。
? InstrumentEnterPassContext
o EnterPassContext()按instruments傳遞給PassContext 的順序執行。
o 當異常發生時，PassContext通過清除所有注冊的PassInstrument實例，禁用pass檢測。
o PassContext執行ExitPassContext()，成功完成的每個PassInstrument實例的方法EnterPassContext()
o 例如，如果PassInstrumentA，B，C，注冊到 PassContext，A 完成，EnterPassContext()，B 拋出異常， C 永遠不會執行；ExitPassContext()A 的執行。
? InstrumentExitPassContext
o 每個PassInstrument的實例ExitPassContext()，執行順序是instruments傳遞給PassContext.
o 當異常發生時，instruments被清除。
o PassInstrument拋出異常后，注冊的實例，不執行ExitPassContext。
? InstrumentBeforePass
o 如果pass未列為必需pass，執行ShouldRun。
o RunBeforePass如果傳球沒有被ShouldRun 阻擋，按照instruments的順序執行。
o InstrumentBeforePass返回一個布爾值，指示是否應該運行傳遞。
o 當異常發生時，立即拋出。依靠 Python Context ManagerPassContext安全退出（ExitPassContext每個儀器都會運行的含義。對于 C++，參閱include/tvm/support/with.h。）
? InstrumentAfterPass
o RunAfterPass按instruments傳遞給 PassContext的順序執行。
o 當異常發生時，立即拋出。依靠 Python Context Manager 或Withclass( include/tvm/support/with.h )，安全退出PassContext
build儀器
有幾種內置工具，標有TODO 的，沒有實現。
? PassTimingInstrument（參見src/ir/instrument.cc）
o 分析pass的執行時間。
? PrintIRBefore(TODO)
o 在pass轉換前，打印 IR 模塊。如果在pass周圍插入，tvm.transform.PrintIR()可以達到這個目的。但是，使用PassInstrument，不需要修改passes的順序。
? 打印后（待辦事項）
o 在pass轉換后，打印 IR 模塊。
Python前端
前端只需要一些簡單的 API。例如，可以為用戶提供以下 API，創建和執行一個 pass（完整的實現在python/tvm/relay/transform/transform.py和 python/tvm/ir/transform.py 中提供）。后端接收信息，決定應該使用哪個函數，創建 Pass 對象。
PassContext
Python 前端為__enter____exit__current 提供了一個包裝器，通過覆蓋和PassContext，啟用with語法。為用戶提供了一種靜態方法，獲取在一定范圍內使用的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用于配置編譯選項，包括優化級別和必需/禁用的pass。可以帶一個配置字典，以便不同的pass，可以方便地獲取pass的數據，如回退設備信息和循環展開的步驟/深度等。為了能夠獲取所需的配置，必須通過 TVM_REGISTER_PASS_CONFIG_OPTION注冊密鑰。例如，使用以下內容，循環展開pass
TVM_REGISTER_PASS_CONFIG_OPTION(“tir.UnrollLoop”, UnrollLoopConfig);
更多細節，參考src/tir/transforms/unroll_loop.cc。
pass對象
Pass是所有pass對象的基類。這里的所有方法，都只是在后端實現的簡單包裝器。為了用戶方便地與 Python 中的基類，進行交互定義的。在 pass 基類中只定義了__call__，使子類成為可調用對象，可以很容易調用（例如，pass_xx(arg)）執行。
@register_relay_node
class Pass(RelayNode):
def call(self, mod):
return _transform.RunPass(self, mod)
提供了一些輔助 API，從 Python 前端，輕松創建pass，讓pass基礎控制執行。例如module_pass，function_pass和sequential提供給用戶，以便可以定制pass。
對于在 C++ 后端實現的所有 pass，分別在python/tvm/ir/transform.py和 python/tvm/relay/transform/transform.py 中，提供了相應的 Python API 。例如，const 折疊有一個 Python API，如下所示：
def FoldConstant():
return _transform.FoldConstant()
可以構建一個pass through裝飾：
@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功能增加了一個abs與輸入模塊的功能，可能是在模塊級的任何定制的優化。創建module_pass后，應用于任何 Relay 模塊。例如，可以構建一個空模塊，應用pass添加一個abs 函數。
mod = tvm.IRModule()
mod = module_pass(mod)
提供function_pass功能，一個示例函數級pass，可以寫成如下：
@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)
可以不使用裝飾器，直接注冊pass，調用。有關如何自定義優化pass，調試 Relay 和 tir pass 的更多示例，參閱 use pass infra教程。
pass儀器
可以通過在實現以下方法的類上，使用pass_instrument decorator（python/tvm/ir/instrument.py），實現PassInstrument。建議使用pass_instrument decorator，實現PassInstrument，不是重寫或子類化。
? enter_pass_ctx
o 該方法在進入PassContext時運行。
? exit_pass_ctx
o 此方法在退出PassContext時運行。
? should_run
o 此方法在執行pass前運行，返回一個布爾值，指示是否應運行pass。
? run_before_pass
o 如果應該運行一次pass，在pass執行之前運行此方法。
? run_after_pass
o 此方法在執行一次pass后，立即運行。
PassInstrument實例可以通過tvm.transform.PassContext中的參數 instruments注冊。
use pass instrument提供了如何使用 Python API，實現PassInstrument的示例。
覆蓋當前 PassContext 中的儀器
提供了current PassContext覆蓋instruments 的override_instruments方法。例如，如果在沒有顯式創建 new 的情況下，運行 pass PassContext，可以通過以下方式注冊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()
當override_instruments調用時，舊PassInstrument實例的方法exit_pass_ctx會調用。然后new PassInstrument的enter_pass_ctx方法調用。
參考鏈接：
https://tvm.apache.org/docs/dev/pass_infra.html#pass-infra
總結
以上是生活随笔為你收集整理的AI中pass架构设计优化的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Relay IR表示
- 下一篇： LLVM语法语义指令特性