入门¶

在阅读本节之前，请确保您已阅读 torch.compiler。

让我们从一个简单的 torch.compile 示例开始，该示例演示了如何使用 torch.compile 进行推理。此示例演示了 torch.cos() 和 torch.sin() 功能，它们是逐点运算符的示例，因为它们对向量逐元素进行操作。此示例可能不会显示明显的性能提升，但应帮助您直观地了解如何在自己的程序中使用 torch.compile。

注意

要运行此脚本，您的机器上至少需要有一个 GPU。如果您没有 GPU，可以删除以下代码段中的 .to(device="cuda:0") 代码，它将在 CPU 上运行。

import torch
def fn(x):
   a = torch.cos(x)
   b = torch.sin(a)
   return b
new_fn = torch.compile(fn, backend="inductor")
input_tensor = torch.randn(10000).to(device="cuda:0")
a = new_fn(input_tensor)

您可能想使用的一个更著名的逐点运算符是类似于 torch.relu() 的东西。在 eager 模式下，逐点运算效率低下，因为每个运算都需要从内存中读取张量，进行一些更改，然后写回这些更改。Inductor 执行的最重要的优化是融合。在上面的示例中，我们可以将 2 次读取 (x, a) 和 2 次写入 (a, b) 转换为 1 次读取 (x) 和 1 次写入 (b)，这对于较新的 GPU 来说至关重要，因为这些 GPU 的瓶颈是内存带宽（将数据发送到 GPU 的速度）而不是计算能力（GPU 处理浮点运算的速度）。

Inductor 提供的另一个主要优化是自动支持 CUDA 图。CUDA 图有助于消除从 Python 程序启动单个内核的开销，这对于较新的 GPU 来说尤其重要。

TorchDynamo 支持许多不同的后端，但 TorchInductor 特别是通过生成 Triton 内核来工作的。让我们将上面的示例保存到一个名为 example.py 的文件中。我们可以通过运行 TORCH_COMPILE_DEBUG=1 python example.py 来检查生成的 Triton 内核代码。当脚本执行时，您应该会看到 DEBUG 消息打印到终端。在日志的末尾，您应该会看到一个包含 torchinductor_<your_username> 的文件夹的路径。在该文件夹中，您可以找到包含生成的内核代码的 output_code.py 文件，类似于以下内容

@pointwise(size_hints=[16384], filename=__file__, triton_meta={'signature': {0: '*fp32', 1: '*fp32', 2: 'i32'}, 'device': 0, 'constants': {}, 'mutated_arg_names': [], 'configs': [instance_descriptor(divisible_by_16=(0, 1, 2), equal_to_1=())]})
@triton.jit
def triton_(in_ptr0, out_ptr0, xnumel, XBLOCK : tl.constexpr):
   xnumel = 10000
   xoffset = tl.program_id(0) * XBLOCK
   xindex = xoffset + tl.arange(0, XBLOCK)[:]
   xmask = xindex < xnumel
   x0 = xindex
   tmp0 = tl.load(in_ptr0 + (x0), xmask)
   tmp1 = tl.cos(tmp0)
   tmp2 = tl.sin(tmp1)
   tl.store(out_ptr0 + (x0 + tl.zeros([XBLOCK], tl.int32)), tmp2, xmask)

注意

上面的代码片段只是一个示例。根据您的硬件，您可能会看到不同的代码生成。

您可以验证 cos 和 sin 的融合是否确实发生，因为 cos 和 sin 操作发生在单个 Triton 内核中，临时变量保存在访问速度非常快的寄存器中。

阅读更多关于 Triton 的性能这里。由于代码是用 Python 编写的，即使您没有编写过太多 CUDA 内核，也很容易理解。

接下来，让我们尝试一个来自 PyTorch 集线器的真实模型，例如 resnet50。

import torch
model = torch.hub.load('pytorch/vision:v0.10.0', 'resnet50', pretrained=True)
opt_model = torch.compile(model, backend="inductor")
opt_model(torch.randn(1,3,64,64))

这并不是唯一可用的后端，您可以在 REPL 中运行 torch.compiler.list_backends() 来查看所有可用的后端。尝试使用 cudagraphs 作为灵感。

使用预训练模型¶

PyTorch 用户经常利用来自 transformers 或 TIMM 的预训练模型，而 TorchDynamo 和 TorchInductor 的设计目标之一就是能够开箱即用地与人们想要编写的任何模型一起使用。

让我们直接从 HuggingFace 集中下载一个预训练模型并对其进行优化

import torch
from transformers import BertTokenizer, BertModel
# Copy pasted from here https://hugging-face.cn/bert-base-uncased
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained("bert-base-uncased").to(device="cuda:0")
model = torch.compile(model, backend="inductor") # This is the only line of code that we changed
text = "Replace me by any text you'd like."
encoded_input = tokenizer(text, return_tensors='pt').to(device="cuda:0")
output = model(**encoded_input)

如果您从模型和 encoded_input 中删除了 to(device="cuda:0")，那么 Triton 将生成针对在您的 CPU 上运行进行优化的 C++ 内核。您可以检查 BERT 的 Triton 或 C++ 内核。它们比我们上面尝试的三角函数示例更复杂，但您可以类似地浏览它并查看是否理解 PyTorch 的工作原理。

类似地，让我们尝试一个 TIMM 示例

import timm
import torch
model = timm.create_model('resnext101_32x8d', pretrained=True, num_classes=2)
opt_model = torch.compile(model, backend="inductor")
opt_model(torch.randn(64,3,7,7))

下一步¶

在本节中，我们回顾了一些推理示例，并对 torch.compile 的工作原理有了基本的了解。以下内容是您接下来可以查看的：

入门¶

使用预训练模型¶

下一步¶

文档

教程

资源