编写 Dynamo 转换器¶
Torch-TensorRT 中的 dynamo 转换器库位于 TensorRT/py/torch_tensorrt/dynamo/conversion 中。
转换器实现¶
注册¶
转换器是用 torch_tensorrt.dynamo.dynamo_tensorrt_converter 修饰的函数，它遵循以下函数签名
@torch_tensorrt.dynamo.conversion.dynamo_tensorrt_converter(torch.ops.aten.leaky_relu.default)
def leaky_relu_converter(
ctx: torch_tensorrt.dynamo.conversion.ConversionCtx,
target: Target,
args: Tuple[Argument, ...],
kwargs: Dict[str, Argument],
name: str,
) -> Union[tensorrt.ITensor, Sequence[tensorrt.ITensor]]:
装饰器接受许多参数
key：实现转换器的节点目标（例如，torch.ops.aten.leaky_relu.default）
enabled：转换器是否应作为可在转换器注册表中使用的转换器启用
capability_validator：一个 lambda 函数，可以接受torch.fx.Node并确定转换器是否可以正确处理此节点。如果验证器返回False，则子图划分器将确保此节点在编译图中在 PyTorch 中运行。
priority：允许开发者覆盖转换器注册表中的现有转换器
转换器只需要 key。
函数体负责获取网络的当前状态，并添加下一个子图以使用 TensorRT 操作执行装饰器中指定的操作。该函数以原生 PyTorch 操作的方式提供参数，并为冻结的 Tensor 属性或 TensorRT ITensor 添加了 numpy 数组的情况，TensorRT ITensor 是先前节点的输出 Tensor，对应于图中中间操作的边/输出 Tensor。要确定预期的类型以及转换器的返回类型，请查看正在转换的操作的定义。对于 aten 操作，此文件将是真理来源： https://github.com/pytorch/pytorch/blob/main/aten/src/ATen/native/native_functions.yaml 由于开发者可能编写的许多转换器是较低级别运算符的组合，因此无需在原始 TensorRT 中实现转换器，torch_tensorrt.dynamo.conversion.impl 子包包含许多操作的实现，这些操作可以链接起来以创建 TensorRT 子图。
ctx: 编译器的当前状态。转换器主要会操作 ctx.net，它是正在构建的tensorrt.INetworkDefinition。此结构中还提供了其他元数据，包括用户提供的设置。
target：上面call_module或call_function中的目标 key。例如：torch.ops.aten_.leaky_relu.default。请注意，torch.ops.aten._leaky_relu是OpOverloadPacket，而torch.ops.aten_.leaky_relu.default是OpOverload。
args：传递给特定节点的参数（由torch_tensorrt.dynamo.conversion.TRTInterpreter收集）。这些参数以及 kwargs 用于构造特定的 TensorRT 子图，该子图表示 INetworkDefinition 中的当前节点。
kwargs：传递给特定节点的参数（由torch_tensorrt.dynamo.conversion.TRTInterpreter收集）。
name：包含目标名称的字符串
该函数应返回 tensorrt.ITensor 或 tensorrt.ITensor 的某些集合，以便在 torch_tensorrt.dynamo.conversion.TRTInterpreter 中使用，以匹配正在转换的操作的输出签名
能力验证¶
有些转换器需要考虑特殊情况。在这些情况下，应使用 capability_validators 通过 @dynamo_tensorrt_converter 注册转换器。我们通过 torch.ops.aten.embedding.default 对此进行说明。它具有参数 - scale_grad_by_freq 和 sparse，这些参数当前实现不支持。在这种情况下，我们可以编写验证器 embedding_param_validator，该验证器实现给定这些参数不支持转换器，并通过以下方式注册转换器
类型契约¶
该函数应遵循签名建立的类型契约。这包括接受有效 PyTorch 类型 + numpy 数组（用于常量张量）和 TensorRT ITensor 的联合。如果在转换器中仅支持类型子集，则还可以添加 torch_tensorrt.dynamo.conversion.converter_utils.enforce_tensor_types，您可以使用它来指定输入位置和这些输入可以采用的类型之间的映射字典。在可能的情况下，装饰器会将输入转换为匹配这些类型，并优先考虑提供的顺序。int 字典中的键将引用 args 中的位置参数。str 键将引用 kwargs 中的关键字参数。
示例：Convolution¶
默认卷积转换器同时使用能力验证器和类型强制来防止在不支持的情况下运行。能力验证器在分区期间运行，以确定特定的卷积节点是否可以转换为 TensorRT 或需要在 PyTorch 中运行。此处的验证器确保卷积不超过 3D。类型强制器将在调用转换器之前自动转换，将输入转换为转换器中支持的类型，从而限制作者必须处理的案例数量。
@dynamo_tensorrt_converter(
torch.ops.aten.convolution.default, capability_validator=lambda conv_node: conv_node.args[7] in ([0], [0, 0], [0, 0, 0])
) # type: ignore[misc]
@enforce_tensor_types(
{
0: (TRTTensor,),
1: (np.ndarray, torch.Tensor, TRTTensor),
2: (np.ndarray, torch.Tensor, TRTTensor),
}
) # type: ignore[misc]
def aten_ops_convolution(
ctx: ConversionContext,
target: Target,
args: Tuple[Argument, ...],
kwargs: Dict[str, Argument],
name: str,
) -> Union[TRTTensor, Sequence[TRTTensor]]:
评估器¶
某些操作不会产生 TensorRT 子图作为副作用。这些被称为评估器。
示例：
operator.getitem评估器被如此分类，因为它们不对图进行任何修改。这在
py/torch_tensorrt/dynamo/conversion/op_evaluators.py中实现，并带有相应的capbility_validator。操作码是operator.getitem。
运算符分解¶
有些转换器可以分解为 PyTorch 中的子操作，而无需单独的转换器注册。此类转换器可以通过分解来实现
示例：addmm¶
分解通过 register_torch_trt_decomposition 装饰器注册。我们定义 addmm_replacement 并用 torch ops 替换它，这将调用其相应的转换器。
@torch_tensorrt.dynamo.lowering.register_torch_trt_decomposition(torch.ops.aten.addmm)
def addmm_replacement(
input_: torch.Tensor, mat1: torch.Tensor, mat2: torch.Tensor, *, beta=1, alpha=1
) -> torch.Tensor:
return torch.add(
torch.mul(input_, beta), torch.mul(torch.matmul(mat1, mat2), alpha)
)
您可以通过编辑 torch_tensorrt.dynamo.lowering.torch_enabled_decompositions 和 torch_tensorrt.dynamo.lowering.torch_disabled_decompositions 来修改运行的分解
注意：
torch_tensorrt.dynamo.lowering.torch_enabled_decompositions和torch_tensorrt.dynamo.lowering.torch_disabled_decompositions必须是不相交的集合，并且torch_tensorrt.dynamo.lowering中已定义的分解将优先于 torch lowering ops。
在大多数情况下，这比实现转换器容易得多。因此，在可能的情况下，这应该是首先尝试的方法。
