用于 torch.compile 的 TensorRT 后端¶
本指南介绍了 Torch-TensorRT torch.compile 后端：一种深度学习编译器，它使用 TensorRT 加速各种模型上的 JIT 样式工作流程。
主要功能¶
Torch-TensorRT torch.compile 后端的主要目标是通过将 torch.compile API 的简易性与 TensorRT 的性能相结合，实现即时编译工作流程。调用 torch.compile 后端就像导入 torch_tensorrt 包并指定后端一样简单
import torch_tensorrt
...
optimized_model = torch.compile(model, backend="torch_tensorrt", dynamic=False)
注意
用户可以使用许多其他自定义选项。这些将在本指南中进一步深入讨论。
该后端可以处理各种具有挑战性的模型结构，并提供易于使用的界面，以有效加速模型。此外，它还具有许多自定义选项，以确保编译过程适合特定用例。
可自定义设置¶
- class torch_tensorrt.dynamo.CompilationSettings(enabled_precisions: ~typing.Set[~torch_tensorrt._enums.dtype] = <factory>, debug: bool = False, workspace_size: int = 0, min_block_size: int = 5, torch_executed_ops: ~typing.Collection[~typing.Union[~typing.Callable[[...], ~typing.Any], str]] = <factory>, pass_through_build_failures: bool = False, max_aux_streams: ~typing.Optional[int] = None, version_compatible: bool = False, optimization_level: ~typing.Optional[int] = None, use_python_runtime: ~typing.Optional[bool] = False, truncate_double: bool = False, use_fast_partitioner: bool = True, enable_experimental_decompositions: bool = False, device: ~torch_tensorrt._Device.Device = <factory>, require_full_compilation: bool = False, disable_tf32: bool = False, assume_dynamic_shape_support: bool = False, sparse_weights: bool = False, engine_capability: ~torch_tensorrt._enums.EngineCapability = <factory>, num_avg_timing_iters: int = 1, dla_sram_size: int = 1048576, dla_local_dram_size: int = 1073741824, dla_global_dram_size: int = 536870912, dryrun: ~typing.Union[bool, str] = False, hardware_compatible: bool = False, timing_cache_path: str = '/tmp/torch_tensorrt_engine_cache/timing_cache.bin', lazy_engine_init: bool = False, cache_built_engines: bool = False, reuse_cached_engines: bool = False, use_explicit_typing: bool = False, use_fp32_acc: bool = False, refit_identical_engine_weights: bool = False, strip_engine_weights: bool = False, immutable_weights: bool = True, enable_weight_streaming: bool = False, enable_cross_compile_for_windows: bool = False, use_aot_joint_export: bool = True)[source]¶
Torch-TensorRT Dynamo 路径的编译设置
- 参数
enabled_precisions (Set[dpython:type]) – 可用的内核 dtype 精度
debug (bool) – 是否打印详细的调试信息
workspace_size (python:int) – TRT 允许模块使用的工作区大小（0 为默认值）
min_block_size (python:int) – 每个 TRT 引擎块的最小运算符数量
torch_executed_ops (Collection[Target]) – 要在 Torch 中运行的操作集合，无论转换器覆盖率如何
pass_through_build_failures (bool) – 是否在 TRT 引擎构建错误时失败（True）或不失败（False）
max_aux_streams (Optional[python:int]) – 每个引擎允许的最大辅助 TRT 流数量
version_compatible (bool) – 为引擎计划文件提供版本向前兼容性
optimization_level (Optional[python:int]) – 构建器优化 0-5，级别越高意味着构建时间越长，搜索更多优化选项。TRT 默认为 3
use_python_runtime (Optional[bool]) – 是严格使用 Python 运行时还是 C++ 运行时。要根据 C++ 依赖项的存在自动选择运行时（如果可用，则优先选择 C++ 运行时），请将参数保留为 None
truncate_double (bool) – 是否将 float64 TRT 引擎输入或权重截断为 float32
use_fast_partitioner (bool) – 是否使用快速或全局图分区系统
enable_experimental_decompositions (bool) – 是否启用所有核心 aten 分解或仅启用其中选定的子集
device (Device) – 在其上编译模型的 GPU
require_full_compilation (bool) – 是否要求图在 TensorRT 中完全编译。仅适用于 ir=”dynamo”；对 torch.compile 路径无效
assume_dynamic_shape_support (bool) – 将此设置为 true 使转换器可以处理动态和静态形状。默认值：False
disable_tf32 (bool) – 是否禁用 TRT 层的 TF32 计算
sparse_weights (bool) – 是否允许构建器使用稀疏权重
engine_capability (trt.EngineCapability) – 将内核选择限制为安全 GPU 内核或安全 DLA 内核
num_avg_timing_iters (python:int) – 用于选择内核的平均计时迭代次数
dla_sram_size (python:int) – DLA 用于在层内通信的快速软件管理 RAM。
dla_local_dram_size (python:int) – DLA 用于跨操作共享中间张量数据的主机 RAM
dla_global_dram_size (python:int) – DLA 用于存储权重和元数据以供执行的主机 RAM
dryrun (Union[bool, str]) – 切换“Dryrun”模式，该模式运行所有分区，但未转换为 TRT 引擎。打印图结构和分区性质的详细日志。如果指定了字符串路径，则可以选择将输出保存到文件
hardware_compatible (bool) – 构建与引擎构建所在 GPU 以外的 GPU 架构兼容的 TensorRT 引擎（目前适用于 NVIDIA Ampere 及更高版本）
timing_cache_path (str) – 计时缓存的路径（如果存在）或编译后将保存到的位置
cache_built_engines (bool) – 是否将编译后的 TRT 引擎保存到存储
reuse_cached_engines (bool) – 是否从存储加载编译后的 TRT 引擎
use_strong_typing (bool) – 此标志在 TensorRT 编译中启用强类型，这尊重 Pytorch 模型中设置的精度。当用户具有混合精度图时，这很有用。
use_fp32_acc (bool) – 此选项在 matmul 层周围插入转换为 FP32 节点，TensorRT 确保 matmul 的累积发生在 FP32 中。仅当在 enabled_precisions 中配置了 FP16 精度时才使用此选项。
refit_identical_engine_weights (bool) – 是否使用相同的权重重新拟合引擎
strip_engine_weights (bool) – 是否剥离引擎权重
immutable_weights (bool) – 构建不可重新拟合的引擎。这对于某些不可重新拟合的层很有用。如果此参数设置为 true，则将忽略 strip_engine_weights 和 refit_identical_engine_weights
enable_weight_streaming (bool) – 启用权重流式传输。
enable_cross_compile_for_windows (bool) – 默认情况下，此值为 False，表示 TensorRT 引擎只能在构建它们的同一平台上执行。True 将启用跨平台兼容性，从而允许引擎在 Linux 上构建并在 Windows 上运行
use_aot_joint_export (bool) – 使用 aot_export_joint_simple，否则使用 AOT_autograd 包装后端，分布式张量需要此项
自定义设置用法¶
import torch_tensorrt
...
optimized_model = torch.compile(model, backend="torch_tensorrt", dynamic=False,
options={"truncate_long_and_double": True,
"enabled_precisions": {torch.float, torch.half},
"debug": True,
"min_block_size": 2,
"torch_executed_ops": {"torch.ops.aten.sub.Tensor"},
"optimization_level": 4,
"use_python_runtime": False,})
注意
量化/INT8 支持计划在未来版本中发布；目前，我们支持 FP16 和 FP32 精度层。
编译¶
编译是通过将输入传递到模型来触发的，如下所示
import torch_tensorrt
...
# Causes model compilation to occur
first_outputs = optimized_model(*inputs)
# Subsequent inference runs with the same, or similar inputs will not cause recompilation
# For a full discussion of this, see "Recompilation Conditions" below
second_outputs = optimized_model(*inputs)
编译后¶
编译对象可用于 Python 会话中的推理，并将根据下面详述的重新编译条件重新编译。除了通用推理外，编译过程还可以成为确定模型性能、当前运算符覆盖率和序列化可行性的有用工具。以下将详细介绍这些要点。
模型性能¶
从 torch.compile 返回的优化模型对于模型基准测试非常有用，因为它能自动处理编译上下文的变化或可能需要重新编译的不同输入。当对不同分布、批大小或其他标准的输入进行基准测试时，这可以节省时间。
运算符覆盖率¶
编译也是确定特定模型的运算符覆盖率的有用工具。例如，以下编译命令将显示每个图的运算符覆盖率，但不会编译模型 - 有效地提供“dryrun”机制
import torch_tensorrt
...
optimized_model = torch.compile(model, backend="torch_tensorrt", dynamic=False,
options={"debug": True,
"min_block_size": float("inf"),})
如果模型的关键运算符不受支持，请参阅 dynamo_conversion 以贡献您自己的转换器，或在此处提交问题：https://github.com/pytorch/TensorRT/issues。
序列化的可行性¶
编译还可以帮助演示图形中断以及特定模型序列化的可行性。例如，如果模型没有图形中断，并且使用 Torch-TensorRT 后端成功编译，则该模型应该是可编译的，并且可以通过 torch_tensorrt Dynamo IR 进行序列化，如Torch-TensorRT 的动态形状中所述。要确定模型中的图形中断数量，torch._dynamo.explain 函数非常有用
import torch
import torch_tensorrt
...
explanation = torch._dynamo.explain(model)(*inputs)
print(f"Graph breaks: {explanation.graph_break_count}")
optimized_model = torch.compile(model, backend="torch_tensorrt", dynamic=False, options={"truncate_long_and_double": True})
动态形状支持¶
Torch-TensorRT torch.compile 后端当前需要为遇到的每个新批大小重新编译，并且在使用此后端编译时，最好使用 dynamic=False 参数。完整的动态形状支持计划在未来版本中发布。
重新编译条件¶
模型编译后，后续具有相同形状和数据类型的推理输入（以相同方式遍历图形）将不需要重新编译。此外，每次新的重新编译都将在 Python 会话期间缓存。例如，如果向模型提供批大小为 4 和 8 的输入，导致两次重新编译，则在同一会话中进行推理期间，对于未来具有这些批大小的输入，则不再需要重新编译。引擎缓存序列化的支持计划在未来版本中发布。
重新编译通常由以下两个事件之一触发：遇到不同大小的输入或以不同方式遍历模型代码的输入。后一种情况可能发生在模型代码包含条件逻辑、复杂循环或数据相关形状时。torch.compile 处理这两种情况下的保护，并确定何时需要重新编译。
