• 文档 >
  • torch.utils.cpp_extension
快捷方式

torch.utils.cpp_extension

torch.utils.cpp_extension.CppExtension(name, sources, *args, **kwargs)[源代码][源代码]

为 C++ 创建 setuptools.Extension

便利方法,用于创建具有最基本(但通常已足够)参数的 setuptools.Extension 来构建 C++ 扩展。

所有参数都会转发给 setuptools.Extension 构造函数。参数完整列表可在 https://setuptools.pypa.io/en/latest/userguide/ext_modules.html#extension-api-reference 找到

警告

PyTorch python API(由 libtorch_python 提供)不能使用 py_limited_api=True 标志构建。传递此标志时,用户有责任在其库中不使用来自 libtorch_python(特别是 pytorch/python 绑定)的 API,而仅使用来自 libtorch(aten 对象、操作符和调度器)的 API。例如,要从 python 访问自定义操作符,库应该通过调度器注册这些操作符。

与 CPython setuptools 不同,后者在 setup 中的 “bdist_wheel” 命令指定 py_limited_api 选项时不会将 -DPy_LIMITED_API 定义为编译标志,而 PyTorch 会这样做!我们将指定 -DPy_LIMITED_API=min_supported_cpython 以最大限度地强制一致性、安全性和合理性,从而鼓励最佳实践。要指定不同的版本,请将 min_supported_cpython 设置为所需 CPython 版本的十六进制代码。

示例

>>> from setuptools import setup
>>> from torch.utils.cpp_extension import BuildExtension, CppExtension
>>> setup(
...     name='extension',
...     ext_modules=[
...         CppExtension(
...             name='extension',
...             sources=['extension.cpp'],
...             extra_compile_args=['-g'],
...             extra_link_args=['-Wl,--no-as-needed', '-lm'])
...     ],
...     cmdclass={
...         'build_ext': BuildExtension
...     })
torch.utils.cpp_extension.CUDAExtension(name, sources, *args, **kwargs)[源代码][源代码]

为 CUDA/C++ 创建 setuptools.Extension

便利方法,用于创建具有最基本(但通常已足够)参数的 setuptools.Extension 来构建 CUDA/C++ 扩展。这包括 CUDA include 路径、library 路径和 runtime library。

所有参数都会转发给 setuptools.Extension 构造函数。参数完整列表可在 https://setuptools.pypa.io/en/latest/userguide/ext_modules.html#extension-api-reference 找到

警告

PyTorch python API(由 libtorch_python 提供)不能使用 py_limited_api=True 标志构建。传递此标志时,用户有责任在其库中不使用来自 libtorch_python(特别是 pytorch/python 绑定)的 API,而仅使用来自 libtorch(aten 对象、操作符和调度器)的 API。例如,要从 python 访问自定义操作符,库应该通过调度器注册这些操作符。

与 CPython setuptools 不同,后者在 setup 中的 “bdist_wheel” 命令指定 py_limited_api 选项时不会将 -DPy_LIMITED_API 定义为编译标志,而 PyTorch 会这样做!我们将指定 -DPy_LIMITED_API=min_supported_cpython 以最大限度地强制一致性、安全性和合理性,从而鼓励最佳实践。要指定不同的版本,请将 min_supported_cpython 设置为所需 CPython 版本的十六进制代码。

示例

>>> from setuptools import setup
>>> from torch.utils.cpp_extension import BuildExtension, CUDAExtension
>>> setup(
...     name='cuda_extension',
...     ext_modules=[
...         CUDAExtension(
...                 name='cuda_extension',
...                 sources=['extension.cpp', 'extension_kernel.cu'],
...                 extra_compile_args={'cxx': ['-g'],
...                                     'nvcc': ['-O2']},
...                 extra_link_args=['-Wl,--no-as-needed', '-lcuda'])
...     ],
...     cmdclass={
...         'build_ext': BuildExtension
...     })

计算能力 (Compute capabilities)

默认情况下,扩展将被编译以在构建过程中可见的卡的所有架构(archs)上运行,外加 PTX。如果之后安装了新卡,扩展可能需要重新编译。如果可见卡的计算能力(CC)比您的 nvcc 可以构建完全编译二进制文件的最新版本更新,PyTorch 将使 nvcc 回退到使用您的 nvcc 支持的最新版本的 PTX 构建内核(有关 PTX 的详细信息,请参见下文)。

您可以使用 TORCH_CUDA_ARCH_LIST 明确指定您希望扩展支持哪些 CC,从而覆盖默认行为

TORCH_CUDA_ARCH_LIST="6.1 8.6" python build_my_extension.py TORCH_CUDA_ARCH_LIST="5.2 6.0 6.1 7.0 7.5 8.0 8.6+PTX" python build_my_extension.py

+PTX 选项会导致扩展内核二进制文件包含指定 CC 的 PTX 指令。PTX 是一种中间表示形式,允许内核在运行时为任何 CC >= 指定 CC 的设备进行编译(例如,8.6+PTX 生成的 PTX 可以为任何 CC >= 8.6 的 GPU 进行运行时编译)。这提高了二进制文件的向前兼容性。然而,依赖较旧的 PTX 通过运行时编译来提供对较新 CC 的向前兼容性,可能会适度降低在这些较新 CC 上的性能。如果您知道要目标的 GPU 的确切 CC,最好始终单独指定它们。例如,如果您希望您的扩展在 8.0 和 8.6 上运行,“8.0+PTX” 在功能上可以工作,因为它包含可以为 8.6 进行运行时编译的 PTX,但“8.0 8.6”会更好。

请注意,虽然可以包含所有受支持的架构,但包含的架构越多,构建过程就会越慢,因为它会为每个架构构建一个单独的内核映像。

请注意,CUDA-11.5 nvcc 在 Windows 上解析 torch/extension.h 时会遇到内部编译器错误。要解决此问题,请将 python 绑定逻辑移至纯 C++ 文件。

示例用法

#include <ATen/ATen.h> at::Tensor SigmoidAlphaBlendForwardCuda(….)

代替

#include <torch/extension.h> torch::Tensor SigmoidAlphaBlendForwardCuda(…)

目前 nvcc bug 的开放问题:https://github.com/pytorch/pytorch/issues/69460 完整的 workaround 代码示例:https://github.com/facebookresearch/pytorch3d/commit/cb170ac024a949f1f9614ffe6af1c38d972f7d48

可重定位设备代码链接 (Relocatable device code linking)

如果您想跨编译单元(跨目标文件)引用设备符号,则需要使用 relocatable device code (-rdc=true 或 -dc)构建目标文件。此规则的一个例外是“dynamic parallelism”(嵌套内核启动),目前已不太常用。Relocatable device code 优化程度较低,因此仅应在需要它的目标文件上使用。在设备代码编译步骤和 dlink 步骤中使用 -dlto (Device Link Time Optimization) 有助于减少 -rdc 可能导致的性能下降。请注意,必须在两个步骤中都使用它才能有效。

如果您有 rdc 对象,则需要在 CPU 符号链接步骤之前额外进行 -dlink (设备链接)步骤。还有一种情况是在没有 -rdc 的情况下使用 -dlink:当扩展链接到包含由 rdc 编译的对象的静态库时,例如 [NVSHMEM 库](https://developer.nvidia.com/nvshmem)。

注意:使用 RDC 链接构建 CUDA 扩展需要 Ninja。

示例

>>> CUDAExtension(
...        name='cuda_extension',
...        sources=['extension.cpp', 'extension_kernel.cu'],
...        dlink=True,
...        dlink_libraries=["dlink_lib"],
...        extra_compile_args={'cxx': ['-g'],
...                            'nvcc': ['-O2', '-rdc=true']})
torch.utils.cpp_extension.SyclExtension(name, sources, *args, **kwargs)[源代码][源代码]

为 SYCL/C++ 创建 setuptools.Extension

便利方法,用于创建具有最基本(但通常已足够)参数的 setuptools.Extension 来构建 SYCL/C++ 扩展。

所有参数都会转发给 setuptools.Extension 构造函数。

警告

PyTorch python API(由 libtorch_python 提供)不能使用 py_limited_api=True 标志构建。传递此标志时,用户有责任在其库中不使用来自 libtorch_python(特别是 pytorch/python 绑定)的 API,而仅使用来自 libtorch(aten 对象、操作符和调度器)的 API。例如,要从 python 访问自定义操作符,库应该通过调度器注册这些操作符。

与 CPython setuptools 不同,后者在 setup 中的 “bdist_wheel” 命令指定 py_limited_api 选项时不会将 -DPy_LIMITED_API 定义为编译标志,而 PyTorch 会这样做!我们将指定 -DPy_LIMITED_API=min_supported_cpython 以最大限度地强制一致性、安全性和合理性,从而鼓励最佳实践。要指定不同的版本,请将 min_supported_cpython 设置为所需 CPython 版本的十六进制代码。

示例

>>> from torch.utils.cpp_extension import BuildExtension, SyclExtension
>>> setup(
...     name='xpu_extension',
...     ext_modules=[
...     SyclExtension(
...                 name='xpu_extension',
...                 sources=['extension.cpp', 'extension_kernel.cpp'],
...                 extra_compile_args={'cxx': ['-g', '-std=c++20', '-fPIC']})
...     ],
...     cmdclass={
...         'build_ext': BuildExtension
...     })

默认情况下,扩展将被编译以在构建过程中可见的卡的所有架构(archs)上运行。如果之后安装了新卡,扩展可能需要重新编译。您可以使用 TORCH_XPU_ARCH_LIST 明确指定您希望扩展支持哪些设备架构(device architectures),从而覆盖默认行为

TORCH_XPU_ARCH_LIST="pvc,xe-lpg" python build_my_extension.py

请注意,虽然可以包含所有受支持的架构,但包含的架构越多,构建过程就会越慢,因为它会为每个架构构建一个单独的内核映像。

注意:构建 SyclExtension 需要 Ninja。

torch.utils.cpp_extension.BuildExtension(*args, **kwargs)[源代码][源代码]

一个自定义的 setuptools 构建扩展。

这个 setuptools.build_ext 子类负责传递所需的最低编译器标志(例如 -std=c++17)以及混合 C++/CUDA/SYCL 编译(以及对一般 CUDA/SYCL 文件的支持)。

使用 BuildExtension 时,允许为 extra_compile_args 提供一个字典(而不是通常的列表),该字典将语言/编译器(唯一预期值为 cxxnvccsycl)映射到要提供给编译器的附加编译器标志列表。这使得在混合编译期间可以向 C++、CUDA 和 SYCL 编译器提供不同的标志。

use_ninja (bool):如果 use_ninjaTrue(默认),则尝试使用 Ninja 后端进行构建。与标准的 setuptools.build_ext 相比,Ninja 大大加快了编译速度。如果 Ninja 不可用,则回退到标准的 distutils 后端。

注意

默认情况下,Ninja 后端使用 #CPUS + 2 个 worker 来构建扩展。这可能会在某些系统上占用过多资源。可以通过将 MAX_JOBS 环境变量设置为非负数来控制 worker 的数量。

torch.utils.cpp_extension.load(name, sources, extra_cflags=None, extra_cuda_cflags=None, extra_sycl_cflags=None, extra_ldflags=None, extra_include_paths=None, build_directory=None, verbose=False, with_cuda=None, with_sycl=None, is_python_module=True, is_standalone=False, keep_intermediates=True)[源代码][源代码]

即时 (JIT) 加载 PyTorch C++ 扩展。

要加载扩展,会生成一个 Ninja 构建文件,用于将给定的源文件编译成动态库。然后将该库作为模块加载到当前的 Python 进程中,并从该函数返回,即可使用。

默认情况下,构建文件生成和结果库编译到的目录是 <tmp>/torch_extensions/<name>,其中 <tmp> 是当前平台的临时文件夹,<name> 是扩展的名称。可以通过两种方式覆盖此位置。首先,如果设置了 TORCH_EXTENSIONS_DIR 环境变量,它将替换 <tmp>/torch_extensions,并且所有扩展将编译到此目录的子文件夹中。其次,如果提供了此函数的 build_directory 参数,它将覆盖整个路径,即库将直接编译到该文件夹中。

为了编译源文件,使用默认的系统编译器(c++),可以通过设置 CXX 环境变量来覆盖。要向编译过程传递附加参数,可以提供 extra_cflagsextra_ldflags。例如,要使用优化编译扩展,请传递 extra_cflags=['-O3']。您也可以使用 extra_cflags 传递其他 include 目录。

提供对 CUDA 的混合编译支持。只需传递 CUDA 源文件(.cu.cuh)以及其他源文件。这些文件将被检测到并由 nvcc 而非 C++ 编译器编译。这包括将 CUDA lib64 目录作为库目录传递,并链接 cudart。您可以通过 extra_cuda_cflags 向 nvcc 传递附加标志,就像使用 extra_cflags 传递给 C++ 一样。使用各种启发式方法查找 CUDA 安装目录,通常效果不错。如果不行,设置 CUDA_HOME 环境变量是最安全的选项。

提供对 SYCL 的混合编译支持。只需传递 SYCL 源文件(.sycl)以及其他源文件。这些文件将被检测到并由 SYCL 编译器(例如 Intel DPC++ Compiler)而非 C++ 编译器编译。您可以通过 extra_sycl_cflags 向 SYCL 编译器传递附加标志,就像使用 extra_cflags 传递给 C++ 一样。SYCL 编译器预计通过系统 PATH 环境变量找到。

参数
  • name – 要构建的扩展的名称。这必须与 pybind11 模块的名称相同!

  • sources (Union[str, list[str]]) – C++ 源文件的相对或绝对路径列表。

  • extra_cflags – 可选的编译器标志列表,用于转发到构建过程。

  • extra_cuda_cflags – 构建 CUDA 源文件时,可选的编译器标志列表,用于转发到 nvcc。

  • extra_sycl_cflags – 构建 SYCL 源文件时,可选的编译器标志列表,用于转发到 SYCL 编译器。

  • extra_ldflags – 可选的链接器标志列表,用于转发到构建过程。

  • extra_include_paths – 可选的 include 目录列表,用于转发到构建过程。

  • build_directory – 可选的路径,用作构建工作空间。

  • verbose – 如果为 True,则开启加载步骤的详细日志记录。

  • with_cuda (Optional[bool]) – 确定是否将 CUDA 头文件和库添加到构建中。如果设置为 None(默认),则根据 sources 中是否存在 .cu.cuh 自动确定此值。设置为 True 强制包含 CUDA 头文件和库。

  • with_sycl (Optional[bool]) – 确定是否将 SYCL 头文件和库添加到构建中。如果设置为 None(默认),则根据 sources 中是否存在 .sycl 自动确定此值。设置为 True 强制包含 SYCL 头文件和库。

  • is_python_module – 如果为 True(默认),则将生成的共享库作为 Python 模块导入。如果为 False,则行为取决于 is_standalone

  • is_standalone – 如果为 False(默认),则将构建的扩展作为普通动态库加载到进程中。如果为 True,则构建独立可执行文件。

返回值

返回加载的 PyTorch 扩展作为 Python 模块。

如果 is_python_moduleFalseis_standaloneFalse

不返回任何内容。(共享库作为副作用加载到进程中。)

如果 is_standaloneTrue

返回可执行文件的路径。(在 Windows 上,TORCH_LIB_PATH 作为副作用被添加到 PATH 环境变量中。)

返回类型

如果 is_python_moduleTrue

示例

>>> from torch.utils.cpp_extension import load
>>> module = load(
...     name='extension',
...     sources=['extension.cpp', 'extension_kernel.cu'],
...     extra_cflags=['-O2'],
...     verbose=True)
torch.utils.cpp_extension.load_inline(name, cpp_sources, cuda_sources=None, sycl_sources=None, functions=None, extra_cflags=None, extra_cuda_cflags=None, extra_sycl_cflags=None, extra_ldflags=None, extra_include_paths=None, build_directory=None, verbose=False, with_cuda=None, with_sycl=None, is_python_module=True, with_pytorch_error_handling=True, keep_intermediates=True, use_pch=False)[source][source]

从字符串源即时(JIT)加载 PyTorch C++ 扩展。

此函数与 load() 函数的行为完全一致,但它接收的是字符串形式的源而不是文件名。这些字符串被存储到构建目录中的文件里,此后 load_inline() 的行为与 load() 函数相同。

请参阅测试用例,以获取使用此函数的良好示例。

源文件可以省略典型非内联 C++ 扩展的两个必需部分:必要的头文件包含以及 (pybind11) 绑定代码。更准确地说,传递给 cpp_sources 的字符串首先被连接成一个单独的 .cpp 文件。然后此文件会在开头被加上 #include <torch/extension.h>

此外,如果提供了 functions 参数,则会为指定的每个函数自动生成绑定。functions 可以是函数名称列表,也可以是函数名称到文档字符串(docstrings)的字典。如果提供的是列表,则每个函数的名称将用作其文档字符串。

cuda_sources 中的源被连接成一个单独的 .cu 文件,并在开头被加上 torch/types.hcuda.hcuda_runtime.h 等包含。.cpp.cu 文件会分开编译,但最终会链接到一个单独的库中。请注意,cuda_sources 中的函数本身不会生成绑定。要绑定到 CUDA 内核,您必须创建一个调用该内核的 C++ 函数,并在其中一个 cpp_sources 中声明或定义此 C++ 函数(并将其名称包含在 functions 中)。

sycl_sources 中的源被连接成一个单独的 .sycl 文件,并在开头被加上 torch/types.hsycl/sycl.hpp 等包含。.cpp.sycl 文件会分开编译,但最终会链接到一个单独的库中。请注意,sycl_sources 中的函数本身不会生成绑定。要绑定到 SYCL 内核,您必须创建一个调用该内核的 C++ 函数,并在其中一个 cpp_sources 中声明或定义此 C++ 函数(并将其名称包含在 functions 中)。

有关以下省略的参数的描述,请参阅 load()

参数
  • cpp_sources – 包含 C++ 源代码的字符串或字符串列表。

  • cuda_sources – 包含 CUDA 源代码的字符串或字符串列表。

  • sycl_sources – 包含 SYCL 源代码的字符串或字符串列表。

  • functions – 要为其生成函数绑定的函数名称列表。如果提供字典,则应将函数名称映射到文档字符串(否则文档字符串就是函数名称本身)。

  • with_cuda – 确定是否将 CUDA 头文件和库添加到构建中。如果设置为 None(默认值),则此值根据是否提供了 cuda_sources 自动确定。将其设置为 True 以强制包含 CUDA 头文件和库。

  • with_sycl – 确定是否将 SYCL 头文件和库添加到构建中。如果设置为 None(默认值),则此值根据是否提供了 sycl_sources 自动确定。将其设置为 True 以强制包含 SYCL 头文件和库。

  • with_pytorch_error_handling – 确定 PyTorch 的错误和警告宏是由 PyTorch 而非 pybind 处理。为此,每个函数 foo 都通过一个中间函数 _safe_foo 来调用。这种重定向在一些晦涩的 C++ 用例中可能会导致问题。当此重定向导致问题时,应将此标志设置为 False

示例

>>> from torch.utils.cpp_extension import load_inline
>>> source = """
at::Tensor sin_add(at::Tensor x, at::Tensor y) {
  return x.sin() + y.sin();
}
"""
>>> module = load_inline(name='inline_extension',
...                      cpp_sources=[source],
...                      functions=['sin_add'])

注意

由于 load_inline 会即时编译源代码,请确保您的运行时环境中安装了正确的工具链。例如,加载 C++ 时,请确保有可用的 C++ 编译器。如果加载 CUDA 扩展,则需要额外安装相应的 CUDA 工具包(nvcc 以及代码的任何其他依赖项)。安装 torch 时不包含编译工具链,必须额外安装。

编译期间,默认情况下,Ninja 后端使用 #CPUS + 2 个工作进程来构建扩展。这在某些系统上可能会占用过多资源。可以通过将 MAX_JOBS 环境变量设置为非负数来控制工作进程的数量。

torch.utils.cpp_extension.include_paths(device_type='cpu')[source][source]

获取构建 C++、CUDA 或 SYCL 扩展所需的包含路径。

参数

device_type (str) – 默认为“cpu”。

返回值

包含路径字符串的列表。

返回类型

list[str]

torch.utils.cpp_extension.get_compiler_abi_compatibility_and_version(compiler)[source][source]

确定给定的编译器是否与 PyTorch ABI 兼容,并获取其版本。

参数

compiler (str) – 要检查的编译器可执行文件名称(例如 g++)。必须可在 shell 进程中执行。

返回值

一个元组,包含一个布尔值,指示编译器是否(可能)与 PyTorch ABI 不兼容,后跟一个 TorchVersion 字符串,该字符串包含以点分隔的编译器版本。

返回类型

tuple[bool, torch.torch_version.TorchVersion]

torch.utils.cpp_extension.verify_ninja_availability()[source][source]

如果系统上没有 ninja 构建系统,则抛出 RuntimeError,否则不执行任何操作。

torch.utils.cpp_extension.is_ninja_available()[source][source]

如果系统上可以使用 ninja 构建系统,则返回 True,否则返回 False

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发者的深度教程

查看教程

资源

查找开发资源并解答您的问题

查看资源