在 ATen IR 上编写图变换¶
流程¶
由于 ATen IR 位于 FX 图/GraphModule 级别，因此可以轻松地将为 FX 图编写的任何转换应用于 ATen IR。如果你熟悉编写 FX 图变换，那么这将是一样的。
编写变换最直接的方法是遍历给定图并直接操作图中的节点。
例如，假设我们要用 torch.ops.aten.mul.Tensor() 调用替换 torch.ops.aten.add.Tensor() 调用
import torch
def replace_add_with_mul(gm: torch.fx.GraphModule) -> torch.fx.GraphModule:
for node in gm.graph.nodes:
if node.op == "call_function" and node.target == torch.ops.aten.add.Tensor:
node.target = torch.ops.aten.mul.Tensor
我们还可以通过 FX 工具函数删除和追加新节点，这些工具函数可以在 Graph 文档中找到。例如，如果我们想在 add 调用之后插入一个 torch.ops.aten.relu.default()
import torch
def insert_relu_after_add(gm: torch.fx.GraphModule) -> torch.fx.GraphModule:
for node in gm.graph.nodes:
if node.op == "call_function" and node.target == torch.ops.aten.add.Tensor:
# Specifies the insertion point. Any nodes added to the graph within
# this scope will be inserted after `node`
with gm.graph.inserting_after(node):
# Insert a new `call_function` node with op `torch.ops.aten.relu.default`
new_relu_node = gm.graph.call_function(torch.ops.aten.relu.default, args=(node,))
# Replace all the places that use `node` to now use the `new_relu_node`
node.replace_all_uses_with(new_relu_node)
一般来说，转换可以大致分为几个轴
轴 A：1. 创建一对多映射（例如，分解） 2. 创建多对一映射（例如，融合）
轴 B：1. 执行正向迭代（例如，形状传播） 2. 执行反向迭代（例如，死代码消除）
轴 C：1. 依赖于本地节点信息（例如，out-variant 转换） 2. 依赖于全局图信息（例如，内存规划）
我们对这些用例频率的预测是：1. A.1、B.1、C.1 2. A.2 3. B.2、C.2
虽然我们可以通过直接操作图来完成所有图变换，但我们也提供了一些辅助工具，以方便使用级别 1 和 2 用例。
变换器¶
对于级别 1 用例（创建一对多映射、执行正向迭代以及查看本地节点信息），我们可以利用 Transformer 类来执行每个节点并重新创建图，不同的是指定了转换。
一对一流程¶
对于一对一映射，如果我们要用另一个运算符 B 替换运算符 A，我们可以运行 GraphModule，每次我们看到运算符 A 时，返回运算符 B。
例如
class ReplaceAddWithMul(torch.fx.Transformer):
def call_function(self, target, args, kwargs):
if target != torch.ops.aten.add.Tensor:
return super().call_function(target, args, kwargs)
return super().call_function(torch.ops.aten.mul.Tensor, args, kwargs)
transformed_graph_module = ReplaceAddWithMul(graph_module).transform()
super().call_function(target, args, kwargs, meta) 调用创建一个 call_function FX 节点，并返回使用给定参数运行运算符的结果。
一对多流程¶
如果我们要执行一对多映射，例如用 2 个其他运算符 B 和 C 替换运算符 A，那么我们会对 super().call_function 进行 2 次调用，以创建 2 个 FX 节点，一个使用运算符 B，另一个使用运算符 C，并返回运行运算符 C 的结果。
例如
class ReplaceAddWithMulSub(torch.fx.Transformer):
"""
Original:
def f(x, y):
return x + y
After pass:
def f(x, y):
z = x * y
return z - y
"""
def call_function(self, target, args, kwargs):
if target != torch.ops.aten.add.Tensor:
return super().call_function(target, args, kwargs)
x, y = args
mul_res = super().call_function(torch.ops.aten.mul.Tensor, args, {})
return super().call_function(torch.ops.aten.sub.Tensor, (mul_res, y), {})
transformed_graph_module = ReplaceAddWithMulSub(graph_module).transform()
一对零流程¶
如果我们要删除一个运算符，我们可以只返回传入函数的值
class RemoveDetachPass(torch.fx.Transformer):
def call_function(self, target, args, kwargs):
if target not in (
torch.ops.aten.detach.default,
torch.ops.aten.detach_copy.default,
):
return super().call_function(target, args, kwargs, meta)
assert len(args) == 1
return args[0]
transformed_graph_module = RemoveDetachPass(graph_module).transform()
利用本地信息¶
利用本地节点信息的一个例子是，如果我们要将图中的所有标量转换为张量，我们可以运行给定的 fx.GraphModule，并且对于包含标量的每个参数，我们将其转换为张量。它可能看起来像
def args_map(target, fn, args, kwargs):
assert isinstance(args, tuple)
assert isinstance(kwargs, dict)
args = list(args)
kwargs = kwargs.copy()
# Update the argument based on the function passed
def update(key, args, schema):
args[key] = fn(args[key], schema)
# Update each argument in the schema
for i, schema in enumerate(target._schema.arguments):
if schema.name in kwargs:
update(schema.name, kwargs, schema)
elif not schema.kwarg_only and i < len(args):
update(i, args, schema)
return tuple(args), kwargs
class ScalarToTensorPass(torch.fx.Transformer):
def call_function(self, target, args, kwargs):
breakpoint()
def try_coerce(value, arg):
return (
torch.tensor(value)
if isinstance(value, (float, int, bool))
and type(arg.type) == torch.TensorType
else value
)
args, kwargs = args_map(target, try_coerce, args, kwargs)
return super().call_function(target, args, kwargs)
transformed_graph_module = ScalarToTensorPass(graph_module).transform()
子图重写器¶
为了创建多对一映射，我们可以利用 FX 的 子图重写器。给定一个 pattern，它会创建一个与模式匹配的运算符子图，然后用 replacement 替换每个匹配的子图。
注意
This is an inplace operation.
pattern 和 replacement 输入必须是可调用函数或包含图中使用的相同运算符（ATen 运算符）的 GraphModule，以便子图重写器可以找到图中的正确模式。模式/替换可调用函数的输入将被视为通配符，用于匹配。
一个例子
from torch.fx import subgraph_rewriter
def replace_patterns(graph_module):
def pattern(x, y):
x = torch.ops.aten.add.Tensor(x, y)
x = torch.ops.aten.mul.Tensor(x, y)
return x
def replacement(x, y):
return torch.ops.aten.sub.Tensor(x, y)
replaced_patterns = subgraph_rewriter.replace_pattern_with_filters(
traced_module, pattern, replacement
)
子图重写器返回一个 ReplacedPatterns 列表
@dataclass
class ReplacedPatterns:
# Node from which the match was found
anchor: Node
# Maps nodes in the pattern subgraph to nodes in the larger graph
nodes_map: Dict[Node, Node]
# List of nodes that were added into the graph
replacements: List[Node]
注意
The nodes created by the subgraph rewriter will not have the metadata that
is populated in the matched nodes, but you can use
`ReplacedPatterns.nodes_map` to find the nodes in the original graph that
were matched, and `ReplacedPatterns.replacements` to find the nodes that
were replaced in the transformed graph.
流程管理器¶
`PassManager <https://github.com/pytorch/pytorch/blob/main/torch/fx/passes/infra/pass_manager.py>`__ 是一个用于在给定图模块上运行多个流程的类。在初始化 PassManager 实例时，我们将传入要运行的流程列表并设置几个标志。要在图模块上运行流程集合，我们可以将图模块直接传递给 PassManager 实例。
一个例子
from torch.fx.passes.infra.pass_manager import PassManager
pm = PassManager(
passes=[replace_add_with_div, replace_div_with_mul],
run_checks_after_each_pass=True,
suppress_check_failures=False,
)
graph_module_out = pm(graph_module)
为了在每次运行后添加一组通用的检查，我们可以调用函数 set_checks(check: Callable)，它接受一个可调用函数作为输入。如果设置了 run_checks_after_each_pass 标志，则在每次对图模块运行传递后，都会调用 check。
一个例子
pm = PassManager(passes=[replace_add_with_div, replace_div_with_mul])
def check_div_target(graph_module):
for node in graph_module.graph.nodes:
if node.op == "call_function" and node.target != torch.div:
raise ValueError("Target should be div!")
pm.add_checks(check_div_target)
pm(graph_module) # raises ValueError after replace_div_with_mul pass
划分器¶
我们可以使用一些常见的基于 FX 图的划分器来划分图。
子图匹配器¶
为了在图中找到与特定模式匹配的子图，我们可以利用 FX 的 `SubgraphMatcher` <https://github.com/pytorch/pytorch/blob/main/torch/fx/passes/utils/matcher_utils.py>`__。
类属性
pattern (Graph)：目标匹配模式。图中的占位符节点在匹配时将被视为通配符。match_output (bool)：如果为 True，则模式图中的输出节点将被视为目标模式的一部分。如果为 False，则在匹配期间忽略输出节点。match_placeholder (bool)：如果为 True，则模式图中的占位符节点将被视为目标模式的一部分。如果为 False，则占位符节点将用作通配符。remove_overlapping_matches (bool)：如果为 True，则在出现重叠匹配的情况下，只返回第一个匹配项。ignore_literals (bool)：如果为 True，则不会检查字面量是否相等，而是将它们视为通配符。
一个例子
from torch.fx.passes.utils.matcher_utils import SubgraphMatcher
class LargeModel(torch.nn.Module):
def __init__(self):
super().__init__()
self._weight = torch.nn.Parameter(torch.ones(3, 3))
self._bias = torch.nn.Parameter(torch.ones(3, 3))
def forward(self, x):
return torch.ops.aten.addmm.default(self._bias, x, self._weight)
large_model_graph = torch.export(LargeModel(), inputs).graph
class PatternModel(torch.nn.Module):
def __init__(self):
super().__init__()
self._weight_1 = torch.nn.Parameter(torch.ones(5, 5))
self._bias_1 = torch.nn.Parameter(torch.ones(5, 5))
def forward(self, x):
return torch.ops.aten.addmm.default(self._bias_1, x, self._weight_1)
pattern_graph = torch.export(PatternModel(), inputs).graph
subgraph_matcher = SubgraphMatcher(pattern_graph)
match_result = subgraph_matcher.match(large_model_graph)
match 函数返回 InternalMatch 的列表。
@dataclass
class InternalMatch():
# Nodes from which the match was found
anchors: List[Node]
# Maps nodes in the pattern subgraph to nodes in the larger graph
nodes_map: Dict[Node, Node] = field(default_factory=dict)
# Nodes in target graph that are matched placeholder in pattern
placeholder_nodes: List[Node] = field(default_factory=list)
# Nodes in matched subgraph returned by output
returning_nodes: List[Node] = field(default_factory=list)
基于能力的划分器¶
为了找到支持特定不变式的最大节点子图，我们可以利用 FX 的 `CapabilityBasedPartitioner` <https://github.com/pytorch/pytorch/blob/main/torch/fx/passes/infra/partitioner.py#L34>`__。
类属性
graph_module (torch.fx.GraphModule)：我们正在划分其上的图模块。operator_support (OperatorSupportBase)：用于确定图中节点是否在分区中受支持的对象。allows_single_node_partition (bool)：如果为 True，则允许形成单个节点分区。non_compute_ops (Optional[Sequence[str]])：一组被认为是“非计算”的操作（例如torch.ops.aten.view和_operator.getitem，以便划分器不会创建仅包含这些非计算操作的图。allowed_single_node_partition_ops (Optional[Sequence[str]])：一组允许在单个节点分区中存在的操作。
`OperatorSupportBase` <https://github.com/pytorch/pytorch/blob/main/torch/fx/passes/operator_support.py#LL28C1-L28C1>`__ 类由划分器用于确定图中的特定节点是否属于分区。这是通过覆盖 is_node_supported 函数来完成的。可以通过使用 `chain` <https://github.com/pytorch/pytorch/blob/main/torch/fx/passes/operator_support.py#L150>`__（如果任何 OperatorSupportBase 返回 False，则返回 False）和 `any_chain` <https://github.com/pytorch/pytorch/blob/main/torch/fx/passes/operator_support.py#L164>`__（如果任何 OperatorSupportBase 返回 True，则返回 True）来链接多个 OperatorSupportBase。
一个例子
from torch.fx.passes.infra.partitioner import CapabilityBasedPartitioner
from torch.fx.passes.operator_support import any_chain, OperatorSupportBase
class AddMulOperatorSupport(OperatorSupportBase):
def is_node_supported(self, submodules, node: torch.fx.Node) -> bool:
return node.op == "call_function" and node.target in [
torch.ops.aten.add.Tensor, torch.ops.aten.mul.Tensor,
]
capability_partitioner = CapabilityBasedPartitioner(
graph_module,
op_support,
)
# Returns a list of partitions (list of nodes that belong in each partition)
partition_list = capability_partitioner.propose_partitions()
# Fuses the partitions into graph modules and inserts `call_module` nodes in the graph
fused_graph_module = capability_partitioner.fuse_partitions(partition_list)
