torch.cuda.jiterator._create_jit_fn

torch.cuda.jiterator._create_jit_fn(code_string, **kwargs)

为逐元素操作创建 jiterator 生成的 CUDA kernel。

代码字符串必须是一个有效的 CUDA 函数，用于描述单个元素的计算。代码字符串必须遵循 C++ 模板模式，如下例所示。此函数将被内联到逐元素 kernel 模板中，并动态编译。编译后的 kernel 将缓存到内存和本地临时目录中。

Jiterator 生成的 kernel 接受非连续的 Tensor，并支持广播和类型提升。

参数

• code_string (str) – 由 jiterator 编译的 CUDA 代码字符串。入口 functor 必须按值返回。

• kwargs (Dict, optional) – 生成函数的关键字参数

返回类型

可调用对象

示例

code_string = "template <typename T> T my_kernel(T x, T y, T alpha) { return -x + alpha * y; }"
jitted_fn = create_jit_fn(code_string, alpha=1.0)
a = torch.rand(3, device='cuda')
b = torch.rand(3, device='cuda')
# invoke jitted function like a regular python function
result = jitted_fn(a, b, alpha=3.14)

code_string 也允许定义多个函数，最后一个函数将被视为入口函数。

示例

code_string = "template <typename T> T util_fn(T x, T y) { return ::sin(x) + ::cos(y); }"
code_string += "template <typename T> T my_kernel(T x, T y, T val) { return ::min(val, util_fn(x, y)); }"
jitted_fn = create_jit_fn(code_string, val=0.0)
a = torch.rand(3, device='cuda')
b = torch.rand(3, device='cuda')
# invoke jitted function like a regular python function
result = jitted_fn(a, b)  # using default val=0.0

Jiterator 可以与 Python 注册机制结合使用，以覆盖算子的 CUDA kernel。以下示例使用 relu 覆盖 gelu 的 CUDA kernel。

示例

code_string = "template <typename T> T my_gelu(T a) { return a > 0 ? a : 0; }"
my_gelu = create_jit_fn(code_string)
my_lib = torch.library.Library("aten", "IMPL")
my_lib.impl('aten::gelu', my_gelu, "CUDA")
# torch.nn.GELU and torch.nn.function.gelu are now overridden
a = torch.rand(3, device='cuda')
torch.allclose(torch.nn.functional.gelu(a), torch.nn.functional.relu(a))

警告

此 API 处于 Beta 阶段，未来版本中可能会有所更改。

警告

此 API 最多支持 8 个输入和 1 个输出

警告

所有输入 Tensor 都必须位于 CUDA 设备上