高度优化的算子 可以高效率运行计算图的架构和runtime
高度优化的算子不用多说，TensorRT为什么那么快，因为engine在构建的时候，在每个平台（A10、A100、T4等）上搜索到了最优最快的kernel（实现了一些op）。高效率运行计算图也是很关键的一点，TensorRT构建好engine后，需要libnvinfer.so来驱动，其中实现了什么，在使用过程中很容易猜到：
序列化和反序列化，也就是所谓的生成engine，读取engine 推理engine、多stream运行计算图，管理engine所需要的一些环境，比如显存和中间变量等
为了达到极致的性能，TensorRT的整个运行时都是在C++环境中，虽然提供了Python-API，但实际调用执行的操作都是在C++中，Python只提供包了一层的作用，算子和执行整个计算图的地方都是C++。
python有快速开发以及验证的优点，但是相比C++来说速度较慢而且比较费内存，一般高性能场景都是使用C++去部署，尽量避免使用python环境。
TORCH 1.x时期的C++部署
torch1.x的实际场景中，一般是搭配使用libtorch + torchscript，这俩在很多生产环境中已经验证过了。
libtorch可以使用C++ API去完成和python中使用pytorch-op实现一样的功能，比如：
#include <ATen/ATen.h>
at::Tensor a = at::ones({2, 2}, at::kInt);
at::Tensor b = at::randn({2, 2});
auto c = a + b.to(at::kInt);
转化为Pytorch就是：
import torch
a = torch.ones((2, 2), dtype=torch.int32)
b = torch.randn((2, 2))
c = a + b.to(torch.int32)
而torchscript则用于trace或者script我们的模型到C++环境中部署，速度方面变化不大，主要是通过torchscript导出的模型可以在C++环境中加载并运行，不需要依赖python了，可以减少一些python的over head：
#include <torch/script.h> // One-stop header.
#include <iostream>
#include <memory>
int main(int argc, const char* argv[]) {
if (argc != 2) {
std::cerr << "usage: example-app <path-to-exported-script-module>\n";
return -1;
}
torch::jit::script::Module module;
try {
// Deserialize the ScriptModule from a file using torch::jit::load().
module = torch::jit::load(argv[1]);
}
catch (const c10::Error& e) {
std::cerr << "error loading the model\n";
return -1;
}
std::cout << "ok\n";
}
关于torchscript的解读有不少，这里不赘述了，感兴趣的可以参阅：
https://zhuanlan.zhihu.com/p/486914187 https://zhuanlan.zhihu.com/p/489090393 https://zhuanlan.zhihu.com/p/363319763 https://zhuanlan.zhihu.com/p/652193676 https://zhuanlan.zhihu.com/p/410507557
TORCH 2.x的C++部署
torch2.0出来的时候，最主要的就是torch.compile的新API，可以直接优化模型。
torch.compile核心是dynamo，dynamo相比torch.jit.trace和torch.jit.script，是一个功能更强大的trace工具[1]，trace模型从而优化模型。dynamo出现后，我也很好奇torchscript是否会被废弃？
目前看来torchscript还是会继续存在，只是freeze了，功能还会维护，bug还会修，但不会有新功能了。
基于torch.jit.trace的模型导出路径成为过去式了，那么新的基于pt2.0的C++导出方案是啥？
torch官方前一周发了一篇新blog，正式提到了cpp wrapper，核心就是torch.export[2] + cpp wrapper[3]：
PyTorch 2.1 Contains New Performance Features for AI Developers[4]
使用cpp wrapper去invoke the generated kernels and external kernels in TorchInductor，可以减少python的overhead，实际测试中，模型速度越快，python overhead占比越大，提升也就越大：
我们都知道torch2.0可以基于triton生成高性能的kernel，例如：
@torch.compile
def opt_foo(x, y):
a = torch.sin(x)
b = torch.cos(y)
return a + b
for _ in range(100):
opt_foo(torch.randn(10).cuda(), torch.randn(10).cuda())
定义好一个函数后，加上@torch.compile装饰器，执行几次即可得到优化后的模型，默认使用的优化器是TorchInductor，借助depyf[5]，我们可以看到优化好后生成的triton代码（GPU端）：
import triton
import triton.language as tl
from torch._inductor.ir import ReductionHint
from torch._inductor.ir import TileHint
from torch._inductor.triton_heuristics import AutotuneHint, pointwise
from torch._inductor.utils import instance_descriptor
from torch._inductor import triton_helpers
@pointwise(
size_hints=[16],
filename=__file__,
triton_meta={'signature': {0: '*fp32', 1: '*fp32', 2: '*fp32', 3: 'i32'}, 'device': 0, 'device_type': 'cuda', 'constants': {}, 'configs': [instance_descriptor(divisible_by_16=(0, 1, 2), equal_to_1=(), ids_of_folded_args=(), divisible_by_8=())]},
inductor_meta={'autotune_hints': set(), 'kernel_name': 'triton_poi_fused_add_cos_sin_0', 'mutated_arg_names': []},
min_elem_per_thread=0
)
@triton.jit
def triton_(in_ptr0, in_ptr1, out_ptr0, xnumel, XBLOCK : tl.constexpr):
xnumel = 10
xoffset = tl.program_id(0) * XBLOCK
xindex = xoffset + tl.arange(0, XBLOCK)[:]
xmask = xindex < xnumel
x0 = xindex
tmp0 = tl.load(in_ptr0 + (x0), xmask)
tmp2 = tl.load(in_ptr1 + (x0), xmask)
tmp1 = tl.sin(tmp0)
tmp3 = tl.cos(tmp2)
tmp4 = tmp1 + tmp3
tl.store(out_ptr0 + (x0), tmp4, xmask)
这个triton代码可以直接调用，但是依赖python环境，如果想要切换到C++端，则修改下config：
import torch._inductor.config as config
config.cpp_wrapper = True
后重新执行几次，可以得到生成的cpp调用代码:
#include <ATen/ATen.h>
#include <ATen/core/dispatch/Dispatcher.h>
#include <ATen/native/BinaryOps.h>
#include <torch/csrc/inductor/aoti_torch/tensor_converter.h>
#include <torch/csrc/inductor/inductor_ops.h>
#define reinterpret_tensor torch::inductor::_reinterpret_tensor
#define alloc_from_pool torch::inductor::_alloc_from_pool
#include <c10/util/generic_math.h>
[[maybe_unused]] static int64_t align(int64_t nbytes) {
return (nbytes + 64 - 1) & -64;
}
#include <filesystem>
#include <c10/cuda/CUDAGuard.h>
#include <c10/cuda/CUDAStream.h>
#define CUDA_DRIVER_CHECK(EXPR) \
do { \
CUresult code = EXPR; \
const char *msg; \
cuGetErrorString(code, &msg); \
if (code != CUDA_SUCCESS) { \
throw std::runtime_error( \
std::string("CUDA driver error: ") + \
std::string(msg)); \
} \
} while (0);
namespace {
struct Grid {
Grid(uint32_t x, uint32_t y, uint32_t z)
: grid_x(x), grid_y(y), grid_z(z) {}
uint32_t grid_x;
uint32_t grid_y;
uint32_t grid_z;
bool is_non_zero() {
return grid_x > 0 && grid_y > 0 && grid_z > 0;
}
};
} // anonymous namespace
static inline CUfunction loadKernel(
std::string filePath,
const std::string &funcName,
uint32_t sharedMemBytes,
const std::optional<std::string> &cubinDir = std::nullopt) {
if (cubinDir) {
std::filesystem::path p1{*cubinDir};
std::filesystem::path p2{filePath};
filePath = (p1 / p2.filename()).string();
}
CUmodule mod;
CUfunction func;
CUDA_DRIVER_CHECK(cuModuleLoad(&mod, filePath.c_str()));
CUDA_DRIVER_CHECK(cuModuleGetFunction(&func, mod, funcName.c_str()));
if (sharedMemBytes > 0) {
CUDA_DRIVER_CHECK(cuFuncSetAttribute(
func,
CU_FUNC_ATTRIBUTE_MAX_DYNAMIC_SHARED_SIZE_BYTES,
sharedMemBytes
))
}
return func;
}
static inline void launchKernel(
CUfunction func,
uint32_t gridX,
uint32_t gridY,
uint32_t gridZ,
uint32_t numWarps,
uint32_t sharedMemBytes,
void* args[],
cudaStream_t stream) {
CUDA_DRIVER_CHECK(cuLaunchKernel(
func, gridX, gridY, gridZ, 32*numWarps, 1, 1, sharedMemBytes, stream, args, nullptr
));
}
static CUfunction triton_poi_fused_add_cos_sin_0 = nullptr;
std::vector<at::Tensor> inductor_entry_cpp(const std::vector<at::Tensor>& inputs) {
py::gil_scoped_release release;
auto arg0_1 = std::move(inputs[0]);
auto arg1_1 = std::move(inputs[1]);
at::cuda::CUDAGuard device_guard(0);
auto buf0 = at::empty_strided({10L, }, {1L, }, at::TensorOptions(c10::Device(at::kCUDA, 0)).dtype(at::kFloat));
// Source Nodes: [a, add, b], Original ATen: [aten.add, aten.cos, aten.sin]
if (triton_poi_fused_add_cos_sin_0 == nullptr) {
triton_poi_fused_add_cos_sin_0 = loadKernel("/tmp/torchinductor_oldpan/rg/crgz7xmq52z337gwizafhl5xeujixy6bjenwk4nrtrulwqolpnzf.cubin", "triton__0d1d2d3", 0);
}
CUdeviceptr var_0 = reinterpret_cast<CUdeviceptr>(arg0_1.data_ptr());
CUdeviceptr var_1 = reinterpret_cast<CUdeviceptr>(arg1_1.data_ptr());
CUdeviceptr var_2 = reinterpret_cast<CUdeviceptr>(buf0.data_ptr());
auto var_3 = 10;
void* kernel_args_var_0[] = {&var_0, &var_1, &var_2, &var_3};
cudaStream_t stream0 = at::cuda::getCurrentCUDAStream(0);
Grid triton_poi_fused_add_cos_sin_0_grid_0 = Grid(1L, 1L, 1L);
launchKernel(triton_poi_fused_add_cos_sin_0, triton_poi_fused_add_cos_sin_0_grid_0.grid_x, triton_poi_fused_add_cos_sin_0_grid_0.grid_y, triton_poi_fused_add_cos_sin_0_grid_0.grid_z, 1, 0, kernel_args_var_0, stream0);
arg0_1.reset();
arg1_1.reset();
return {buf0};
}
其中调用的cubin就是上述生成triton代码编译出来的/tmp/torchinductor_oldpan/rg/xxx.cubin，这样的话就可以直接拿这个cpp代码去no-python环境跑起来了。
不过实际中我们更多用的是整个模型，例如resnet50，并且带有权重参数，当然这种也是支持的。torch官方也提供了aot工具可以导出整个模型为so：
import torch
from torch._export import aot_compile, dynamic_dim
torch.manual_seed(1337)
class Net(torch.nn.Module):
def __init__(self):
super().__init__()
self.fc = torch.nn.Linear(64, 10)
def forward(self, x, y):
return self.fc(torch.sin(x) + torch.cos(y))
data = {}
for device in ["cpu", "cuda"]:
model = Net().to(device=device)
x = torch.randn((32, 64), device=device)
y = torch.randn((32, 64), device=device)
with torch.no_grad():
ref_output = model(x, y)
torch._dynamo.reset()
with torch.no_grad():
constraints = [
dynamic_dim(x, 0) >= 1,
dynamic_dim(x, 0) <= 1024,
dynamic_dim(x, 0) == dynamic_dim(y, 0),
]
model_so_path = aot_compile(model, (x, y), constraints=constraints)
data.update({
f"model_so_path_{device}": model_so_path,
f"inputs_{device}": [x, y],
f"outputs_{device}": [ref_output],
})
# Use this to communicate tensors to the cpp code
class Serializer(torch.nn.Module):
def __init__(self, data):
super().__init__()
for key in data:
setattr(self, key, data[key])
torch.jit.script(Serializer(data)).save("data.pt")
通过这个aot_compile可以直接导出带有模型入口的so，因为是aot，需要提前指定输入的一些维度信息，对于支持dynamic来说是必要的。
导出的so可以通过以下C++方式读取：
void test_aoti(const std::string& device) {
torch::NoGradGuard no_grad;
std::string data_path =
(std::filesystem::path(STRINGIZE(CMAKE_CURRENT_BINARY_DIR)) / "data.pt")
.string();
torch::jit::script::Module data_loader = torch::jit::load(data_path);
std::string path_attr = "model_so_path_" + device;
std::string inputs_attr = "inputs_" + device;
std::string outputs_attr = "outputs_" + device;
const auto& model_so_path = data_loader.attr(path_attr.c_str()).toStringRef();
const auto& input_tensors =
data_loader.attr(inputs_attr.c_str()).toTensorList().vec();
const auto& ref_output_tensors =
data_loader.attr(outputs_attr.c_str()).toTensorList().vec();
std::unique_ptr<torch::inductor::AOTIModelContainerRunner> runner;
if (device == "cuda") {
runner = std::make_unique<torch::inductor::AOTIModelContainerRunnerCuda>(
model_so_path.c_str());
} else if (device == "cpu") {
runner = std::make_unique<torch::inductor::AOTIModelContainerRunnerCpu>(
model_so_path.c_str());
} else {
std::cout << "unsupported device: " << device << std::endl;
}
auto actual_output_tensors = runner->run(input_tensors);
assert(actual_output_tensors.size() == ref_output_tensors.size());
}
核心就是AOTIModelContainerRunnerCpu。
torch针对inductor设计了AOTIModelContainerRunnerCpu类去加载和运行生成的so，so中会包含一些计算图的执行步骤。
具体例子在pytorch/test/cpp/aot_inductor中，有两个例子，一个是
torch::CustomClassHolder包一层AOTIModelContainerRunnerCuda跑，也就是和torchscript的结合，另一个是单独的AOTIModelContainerRunnerCuda去跑，搭配API直接C++调用。
对于一些常见的op，比如全连接self.fc = torch.nn.Linear(64, 10)，可以直接调用外部算子不需要triton去codegen，上述例子中直接调用的是torch.ops.aten.addmm，更多细节可以看pytorch/torch/_inductor/select_algorithm.py。
整体来说，这种导出方式也比较符合常识，常见的op可以直接调用已经高度优化的版本，未见过的一些算子可以使用triton去生成，fuse等图融合操作可以通过fx pass去做，导出c++也可以通过aot的方式导出，还有一些提升性能的runtime细节设计，整体潜力还是蛮大的。
还有很多细节没有来得及看，比如模型中的某些可以并行的op是如何多stream运行的，dynamic的情况是怎么处理的，中间变量如何存放的，显存是如何管理的，都需要花时间去看看。
如果有疑问欢迎交流。
参考
https://pytorch.org/tutorials/prototype/inductor_cpp_wrapper_tutorial.html https://www.youtube.com/watch?v=eN5fqBNrjOo&list=PL_lsbAsL_o2BivkGLiDfHY9VqWlaNoZ2O&index=33 https://pytorch.org/blog/new-features-for-ai/ https://github.com/pytorch/pytorch/pull/111124 https://github.com/pytorch/pytorch/pull/88167 https://discuss.pytorch.org/t/pytorch-2-and-the-c-interface/168034/4 https://github.com/pytorch/TensorRT/discussions/1743 https://github.com/pytorch/TensorRT/discussions/1557 https://github.com/pytorch/TensorRT/issues/1404 https://github.com/pytorch/TensorRT/discussions/1372 https://discuss.pytorch.org/t/pytorch-2-and-the-c-interface/168034/2 https://discuss.pytorch.org/t/torch-compiles-deployment-story-to-non-python-host-processes/180943 https://dev-discuss.pytorch.org/t/using-nsight-systems-to-profile-gpu-workload/59/10
参考资料
dynamo相比torch.jit.trace和torch.jit.script，是一个功能更强大的trace工具: https://pytorch.org/tutorials/intermediate/torch_compile_tutorial.html?highlight=torch%20compile
[2]torch.export: https://pytorch.org/docs/main/export.html
[3]cpp wrapper: https://pytorch.org/tutorials/prototype/inductor_cpp_wrapper_tutorial.html
[4]PyTorch 2.1 Contains New Performance Features for AI Developers: https://pytorch.org/blog/new-features-for-ai/
[5]depyf: https://github.com/thuml/depyf
