torch.func.functionalize¶

torch.func.functionalize(func, *, remove='mutations')¶

functionalize 是一种转换，可用于从函数中删除（中间）变异和别名，同时保留函数的语义。

functionalize(func) 返回一个与 func 语义相同的新函数，但所有中间变异都已删除。对中间张量执行的每个就地操作：intermediate.foo_() 将替换为其非就地等效项：intermediate_updated = intermediate.foo()。

functionalize 对于将 PyTorch 程序发送到无法轻松表示变异或别名运算符的后端或编译器很有用。

参数

func (Callable) – 一个接受一个或多个参数的 Python 函数。
remove (str) – 一个可选的字符串参数，取值为“mutations”或“mutations_and_views”。如果传递“mutations”，则所有变异运算符将替换为其非变异等效项。如果传递“mutations_and_views”，则此外，所有别名运算符将替换为其非别名等效项。默认值：“mutations”。

返回值

返回一个新的“功能化”函数。它与 func 接受相同的输入，并具有相同的行为，但函数中对中间张量执行的任何变异（以及可选的别名）都将被删除。

返回类型

Callable

functionalize 还将删除对函数输入执行的变异（和视图）。但是为了保持语义，functionalize 将在转换完成后“修复”变异，方法是检测是否有任何张量输入“应该”被变异，并在必要时将新数据复制回输入。

示例

>>> import torch
>>> from torch.fx.experimental.proxy_tensor import make_fx
>>> from torch.func import functionalize
>>>
>>> # A function that uses mutations and views, but only on intermediate tensors.
>>> def f(a):
...     b = a + 1
...     c = b.view(-1)
...     c.add_(1)
...     return b
...
>>> inpt = torch.randn(2)
>>>
>>> out1 = f(inpt)
>>> out2 = functionalize(f)(inpt)
>>>
>>> # semantics are the same (outputs are equivalent)
>>> print(torch.allclose(out1, out2))
True
>>>
>>> f_traced = make_fx(f)(inpt)
>>> f_no_mutations_traced = make_fx(functionalize(f))(inpt)
>>> f_no_mutations_and_views_traced = make_fx(functionalize(f, remove='mutations_and_views'))(inpt)
>>>
>>> print(f_traced.code)



def forward(self, a_1):
    add = torch.ops.aten.add(a_1, 1);  a_1 = None
    view = torch.ops.aten.view(add, [-1])
    add_ = torch.ops.aten.add_(view, 1);  view = None
    return add

>>> print(f_no_mutations_traced.code)



def forward(self, a_1):
    add = torch.ops.aten.add(a_1, 1);  a_1 = None
    view = torch.ops.aten.view(add, [-1]);  add = None
    add_1 = torch.ops.aten.add(view, 1);  view = None
    view_1 = torch.ops.aten.view(add_1, [2]);  add_1 = None
    return view_1

>>> print(f_no_mutations_and_views_traced.code)



def forward(self, a_1):
    add = torch.ops.aten.add(a_1, 1);  a_1 = None
    view_copy = torch.ops.aten.view_copy(add, [-1]);  add = None
    add_1 = torch.ops.aten.add(view_copy, 1);  view_copy = None
    view_copy_1 = torch.ops.aten.view_copy(add_1, [2]);  add_1 = None
    return view_copy_1


>>> # A function that mutates its input tensor
>>> def f(a):
...     b = a.view(-1)
...     b.add_(1)
...     return a
...
>>> f_no_mutations_and_views_traced = make_fx(functionalize(f, remove='mutations_and_views'))(inpt)
>>> #
>>> # All mutations and views have been removed,
>>> # but there is an extra copy_ in the graph to correctly apply the mutation to the input
>>> # after the function has completed.
>>> print(f_no_mutations_and_views_traced.code)



def forward(self, a_1):
    view_copy = torch.ops.aten.view_copy(a_1, [-1])
    add = torch.ops.aten.add(view_copy, 1);  view_copy = None
    view_copy_1 = torch.ops.aten.view_copy(add, [2]);  add = None
    copy_ = torch.ops.aten.copy_(a_1, view_copy_1);  a_1 = None
    return view_copy_1

functionalize 有几个“故障模式”值得一提

与其他 torch.func 转换一样，functionalize() 不适用于直接使用 .backward() 的函数。torch.autograd.grad 也是如此。如果要使用 autograd，可以使用 functionalize(grad(f)) 直接计算梯度。
与其他 torch.func 转换一样，functionalize() 不适用于全局状态。如果对使用非本地状态的视图/变异的函数调用 functionalize(f)，功能化将简单地不执行任何操作并将视图/变异调用直接传递给后端。解决此问题的一种方法是确保任何非本地状态创建都包装在一个更大的函数中，然后对该函数调用 functionalize。
resize_() 有一些限制：只有当要调整大小的张量不是视图时，functionalize 才能在使用 resize_()` 的程序上工作。
as_strided() 有一些限制：functionalize 不适用于导致具有重叠内存的张量的 as_strided() 调用。

最后，理解功能化的一个有用的思维模型是，大多数用户 PyTorch 程序都是使用公共 Torch API 编写的。执行时，Torch 运算符通常分解为我们内部的 C++“ATen”API。功能化的逻辑完全发生在 ATen 的级别。功能化知道如何获取 ATen 中的每个别名运算符，并将其映射到其非别名等效项（例如 tensor.view({-1}) -> at::view_copy(tensor, {-1})），以及如何获取 ATen 中的每个变异运算符，并将其映射到其非变异等效项（例如 tensor.add_(1) -> at::add(tensor, -1)），同时跟踪别名和变异以了解何时修复问题。有关哪些 ATen 运算符是别名或变异的信息全部来自 https://github.com/pytorch/pytorch/blob/master/aten/src/ATen/native/native_functions.yaml。

torch.func.functionalize¶

文档

教程

资源