快捷方式

torch.library

torch.library 是用于扩展 PyTorch 核心算子库的 API 集合。它包含用于测试自定义算子、创建新的自定义算子以及扩展使用 PyTorch C++ 算子注册 API(例如 aten 算子)定义的算子的实用程序。

有关有效使用这些 API 的详细指南,请参阅 请参阅 PyTorch 自定义算子着陆页,以详细了解如何有效使用这些 API。

测试自定义算子

使用 torch.library.opcheck() 测试自定义算子在 Python torch.library 和/或 C++ TORCH_LIBRARY API 中的错误用法。此外,如果您的算子支持训练,请使用 torch.autograd.gradcheck() 测试梯度在数学上是否正确。

torch.library.opcheck(op, args, kwargs=None, *, test_utils=('test_schema', 'test_autograd_registration', 'test_faketensor', 'test_aot_dispatch_dynamic'), raise_exception=True)[源代码]

给定一个算子和一些示例参数,测试该算子是否已正确注册。

也就是说,当您使用 torch.library/TORCH_LIBRARY API 创建自定义算子时,您指定了有关自定义算子的元数据(例如可变性信息),并且这些 API 要求您传递给它们的函数满足某些属性(例如,在伪/元/抽象内核中没有数据指针访问)opcheck 测试这些元数据和属性。

具体来说,我们测试以下内容

  • test_schema:架构是否与算子的实现匹配。例如:如果架构指定张量被修改,那么我们检查实现是否修改了张量。如果架构指定我们返回一个新的张量,那么我们检查实现是否返回一个新的张量(而不是现有的张量或现有张量的视图)。

  • test_autograd_registration:如果算子支持训练(autograd):我们检查其 autograd 公式是否通过 torch.library.register_autograd 或手动注册到一个或多个 DispatchKey::Autograd 键中。任何其他基于 DispatchKey 的注册都可能导致未定义的行为。

  • test_faketensor:如果算子具有 FakeTensor 内核(以及它是否正确)。FakeTensor 内核对于算子与 PyTorch 编译 API(torch.compile/export/FX)一起使用是必要的(但不是充分的)。我们检查是否为算子注册了 FakeTensor 内核(有时也称为元内核),以及它是否正确。此测试获取在真实张量上运行算子的结果和在 FakeTensor 上运行算子的结果,并检查它们是否具有相同的张量元数据(大小/步幅/数据类型/设备/等)。

  • test_aot_dispatch_dynamic:如果算子在 PyTorch 编译 API(torch.compile/export/FX)中具有正确的行为。这检查输出(以及适用的梯度)在急切模式 PyTorch 和 torch.compile 下是否相同。此测试是 test_faketensor 的超集,并且是一个端到端测试;它测试的其他内容包括算子是否支持功能化以及反向传递(如果存在)是否也支持 FakeTensor 和功能化。

为了获得最佳结果,请使用具有代表性输入集多次调用 opcheck。如果您的算子支持 autograd,请使用 requires_grad = True 的输入调用 opcheck;如果您的算子支持多个设备(例如 CPU 和 CUDA),请使用所有受支持设备上的输入调用 opcheck

参数
  • op (Union[OpOverload, OpOverloadPacket, CustomOpDef]) – 操作符。必须是使用 torch.library.custom_op() 装饰的函数,或者是在 torch.ops.* 中找到的 OpOverload/OpOverloadPacket(例如 torch.ops.aten.sin,torch.ops.mylib.foo)。

  • args (Tuple[Any, ...]) – 操作符的参数。

  • kwargs (Optional[Dict[str, Any]]) – 操作符的关键字参数。

  • test_utils (Union[str, Sequence[str]]) – 我们应该运行的测试。默认:所有测试。示例:(“test_schema”, “test_faketensor”)

  • raise_exception (bool) – 是否在第一个错误时抛出异常。如果为 False,我们将返回一个字典,其中包含每个测试是否通过的信息。

返回类型

Dict[str, str]

警告

opcheck 和 torch.autograd.gradcheck() 测试的是不同的东西;opcheck 测试您对 torch.library API 的使用是否正确,而 torch.autograd.gradcheck() 测试您的自动微分公式在数学上是否正确。对于支持梯度计算的自定义操作符,请同时使用这两种方法进行测试。

示例

>>> @torch.library.custom_op("mylib::numpy_mul", mutates_args=())
>>> def numpy_add(x: Tensor, y: float) -> Tensor:
>>>     x_np = x.numpy(force=True)
>>>     z_np = x_np + y
>>>     return torch.from_numpy(z_np).to(x.device)
>>>
>>> @numpy_sin.register_fake
>>> def _(x, y):
>>>     return torch.empty_like(x)
>>>
>>> def setup_context(ctx, inputs, output):
>>>     y, = inputs
>>>     ctx.y = y
>>>
>>> def backward(ctx, grad):
>>>     return grad * ctx.y, None
>>>
>>> numpy_sin.register_autograd(backward, setup_context=setup_context)
>>>
>>> sample_inputs = [
>>>     (torch.randn(3), 3.14),
>>>     (torch.randn(2, 3, device='cuda'), 2.718),
>>>     (torch.randn(1, 10, requires_grad=True), 1.234),
>>>     (torch.randn(64, 64, device='cuda', requires_grad=True), 90.18),
>>> ]
>>>
>>> for args in sample_inputs:
>>>     torch.library.opcheck(foo, args)

在 Python 中创建新的自定义操作符

使用 torch.library.custom_op() 创建新的自定义操作符。

torch.library.custom_op(name, fn=None, /, *, mutates_args, device_types=None, schema=None)

将函数包装成自定义操作符。

您可能希望创建自定义操作符的原因包括:- 将第三方库或自定义内核包装起来,以便与 PyTorch 子系统(如 Autograd)一起使用。- 防止 torch.compile/export/FX 跟踪窥视您的函数内部。

此 API 用作函数的装饰器(请参阅示例)。提供的函数必须具有类型提示;这些提示是与 PyTorch 的各种子系统交互所必需的。

参数
  • name (str) – 自定义操作符的名称,格式为“{namespace}::{name}”,例如“mylib::my_linear”。此名称用作操作符在 PyTorch 子系统(例如 torch.export、FX 图)中的稳定标识符。为了避免名称冲突,请使用您的项目名称作为命名空间;例如,pytorch/fbgemm 中的所有自定义操作符都使用“fbgemm”作为命名空间。

  • mutates_args (Iterable[str] or "unknown") – 函数修改的参数名称。这**必须**准确,否则行为未定义。如果为“unknown”,则悲观地假设操作符的所有输入都将被修改。

  • device_types (None | str | Sequence[str]) – 函数有效的设备类型。如果没有提供设备类型,则该函数将用作所有设备类型的默认实现。示例:“cpu”、“cuda”。当为不接受张量的操作符注册特定于设备的实现时,我们需要该操作符具有“device: torch.device”参数。

  • schema (None | str) – 操作符的模式字符串。如果为 None(推荐),我们将根据其类型注释推断操作符的模式。除非您有特定原因,否则我们建议您让我们推断模式。示例:“(Tensor x, int y) -> (Tensor, Tensor)”。

返回类型

可调用对象

注意

我们建议不要传入 schema 参数,而是让我们根据类型注释推断它。编写您自己的模式很容易出错。如果您不希望我们对类型注释的解释,则可能希望提供您自己的模式。有关如何编写模式字符串的更多信息,请参阅 此处

示例:
>>> import torch
>>> from torch import Tensor
>>> from torch.library import custom_op
>>> import numpy as np
>>>
>>> @custom_op("mylib::numpy_sin", mutates_args=())
>>> def numpy_sin(x: Tensor) -> Tensor:
>>>     x_np = x.cpu().numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np).to(device=x.device)
>>>
>>> x = torch.randn(3)
>>> y = numpy_sin(x)
>>> assert torch.allclose(y, x.sin())
>>>
>>> # Example of a custom op that only works for one device type.
>>> @custom_op("mylib::numpy_sin_cpu", mutates_args=(), device_types="cpu")
>>> def numpy_sin_cpu(x: Tensor) -> Tensor:
>>>     x_np = x.numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np)
>>>
>>> x = torch.randn(3)
>>> y = numpy_sin_cpu(x)
>>> assert torch.allclose(y, x.sin())
>>>
>>> # Example of a custom op that mutates an input
>>> @custom_op("mylib::numpy_sin_inplace", mutates_args={"x"}, device_types="cpu")
>>> def numpy_sin_inplace(x: Tensor) -> None:
>>>     x_np = x.numpy()
>>>     np.sin(x_np, out=x_np)
>>>
>>> x = torch.randn(3)
>>> expected = x.sin()
>>> numpy_sin_inplace(x)
>>> assert torch.allclose(x, expected)
>>>
>>> # Example of a factory function
>>> @torch.library.custom_op("mylib::bar", mutates_args={}, device_types="cpu")
>>> def bar(device: torch.device) -> Tensor:
>>>     return torch.ones(3)
>>>
>>> bar("cpu")

扩展自定义操作符(由 Python 或 C++ 创建)

使用 register.* 方法,例如 torch.library.register_kernel() 和 func:torch.library.register_fake,为任何操作符添加实现(它们可能是使用 torch.library.custom_op() 或通过 PyTorch 的 C++ 操作符注册 API 创建的)。

torch.library.register_kernel(op, device_types, func=None, /, *, lib=None)[source]

为该操作符的设备类型注册一个实现。

一些有效的 device_types 为:“cpu”、“cuda”、“xla”、“mps”、“ipu”、“xpu”。此 API 可以用作装饰器。

参数
  • fn (Callable) – 要注册为给定设备类型的实现的函数。

  • device_types (None | str | Sequence[str]) – 要注册实现的 device_types。如果为 None,我们将注册到所有设备类型 - 请仅当您的实现真正与设备类型无关时才使用此选项。

示例:
>>> import torch
>>> from torch import Tensor
>>> from torch.library import custom_op
>>> import numpy as np
>>>
>>> # Create a custom op that works on cpu
>>> @custom_op("mylib::numpy_sin", mutates_args=(), device_types="cpu")
>>> def numpy_sin(x: Tensor) -> Tensor:
>>>     x_np = x.numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np)
>>>
>>> # Add implementations for the cuda device
>>> @torch.library.register_kernel("mylib::numpy_sin", "cuda")
>>> def _(x):
>>>     x_np = x.cpu().numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np).to(device=x.device)
>>>
>>> x_cpu = torch.randn(3)
>>> x_cuda = x_cpu.cuda()
>>> assert torch.allclose(numpy_sin(x_cpu), x_cpu.sin())
>>> assert torch.allclose(numpy_sin(x_cuda), x_cuda.sin())
torch.library.register_autograd(op, backward, /, *, setup_context=None, lib=None)[source]

为该自定义操作符注册反向传播公式。

为了使操作符能够与自动微分一起使用,您需要注册一个反向传播公式:1. 您必须通过提供“backward”函数来告诉我们如何在反向传播过程中计算梯度。2. 如果您需要来自正向传播的任何值来计算梯度,您可以使用setup_context保存用于反向传播的值。

backward 在反向传播过程中运行。它接受 (ctx, *grads):- grads 是一个或多个梯度。梯度的数量与操作符输出的数量匹配。ctx 对象是 torch.autograd.Function 使用的相同 ctx 对象。 backward_fn 的语义与 torch.autograd.Function.backward() 相同。

setup_context(ctx, inputs, output) 在正向传播过程中运行。请使用 torch.autograd.function.FunctionCtx.save_for_backward() 或将它们分配为 ctx 的属性,将反向传播所需的数量保存到 ctx 对象中。如果您的自定义操作符具有仅限关键字参数,我们期望 setup_context 的签名为 setup_context(ctx, inputs, keyword_only_inputs, output)

setup_context_fnbackward_fn 都必须是可追踪的。也就是说,它们不能直接访问 torch.Tensor.data_ptr(),并且不能依赖或修改全局状态。如果您需要一个不可追踪的反向传播,您可以将其作为一个单独的自定义操作,并在 backward_fn 中调用它。

示例

>>> import torch
>>> import numpy as np
>>> from torch import Tensor
>>>
>>> @torch.library.custom_op("mylib::numpy_sin", mutates_args=())
>>> def numpy_sin(x: Tensor) -> Tensor:
>>>     x_np = x.cpu().numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np).to(device=x.device)
>>>
>>> def setup_context(ctx, inputs, output) -> Tensor:
>>>     x, = inputs
>>>     ctx.save_for_backward(x)
>>>
>>> def backward(ctx, grad):
>>>     x, = ctx.saved_tensors
>>>     return grad * x.cos()
>>>
>>> torch.library.register_autograd(
...     "mylib::numpy_sin", backward, setup_context=setup_context
... )
>>>
>>> x = torch.randn(3, requires_grad=True)
>>> y = numpy_sin(x)
>>> (grad_x,) = torch.autograd.grad(y, x, torch.ones_like(y))
>>> assert torch.allclose(grad_x, x.cos())
>>>
>>> # Example with a keyword-only arg
>>> @torch.library.custom_op("mylib::numpy_mul", mutates_args=())
>>> def numpy_mul(x: Tensor, *, val: float) -> Tensor:
>>>     x_np = x.cpu().numpy()
>>>     y_np = x_np * val
>>>     return torch.from_numpy(y_np).to(device=x.device)
>>>
>>> def setup_context(ctx, inputs, keyword_only_inputs, output) -> Tensor:
>>>     ctx.val = keyword_only_inputs["val"]
>>>
>>> def backward(ctx, grad):
>>>     return grad * ctx.val
>>>
>>> torch.library.register_autograd(
...     "mylib::numpy_mul", backward, setup_context=setup_context
... )
>>>
>>> x = torch.randn(3, requires_grad=True)
>>> y = numpy_mul(x, val=3.14)
>>> (grad_x,) = torch.autograd.grad(y, x, torch.ones_like(y))
>>> assert torch.allclose(grad_x, torch.full_like(x, 3.14))
torch.library.register_fake(op, func=None, /, *, lib=None, _stacklevel=1)[source]

为该算子注册一个 FakeTensor 实现(“伪实现”)。

有时也称为“元内核”、“抽象实现”。

“FakeTensor 实现”指定了该算子在不携带数据的张量(“FakeTensor”)上的行为。给定一些具有特定属性(大小/步长/存储偏移量/设备)的输入张量,它指定了输出张量的属性是什么。

FakeTensor 实现具有与算子相同的签名。它在 FakeTensor 和元张量上都运行。要编写 FakeTensor 实现,假设算子所有 Tensor 输入都是常规的 CPU/CUDA/Meta 张量,但它们没有存储,并且您尝试返回常规的 CPU/CUDA/Meta 张量作为输出。FakeTensor 实现必须仅由 PyTorch 操作组成(并且不能直接访问任何输入或中间张量的存储或数据)。

此 API 可用作装饰器(参见示例)。

有关自定义操作的详细指南,请参阅 https://pytorch.ac.cn/tutorials/advanced/custom_ops_landing_page.html

示例

>>> import torch
>>> import numpy as np
>>> from torch import Tensor
>>>
>>> # Example 1: an operator without data-dependent output shape
>>> @torch.library.custom_op("mylib::custom_linear", mutates_args=())
>>> def custom_linear(x: Tensor, weight: Tensor, bias: Tensor) -> Tensor:
>>>     raise NotImplementedError("Implementation goes here")
>>>
>>> @torch.library.register_fake("mylib::custom_linear")
>>> def _(x, weight, bias):
>>>     assert x.dim() == 2
>>>     assert weight.dim() == 2
>>>     assert bias.dim() == 1
>>>     assert x.shape[1] == weight.shape[1]
>>>     assert weight.shape[0] == bias.shape[0]
>>>     assert x.device == weight.device
>>>
>>>     return (x @ weight.t()) + bias
>>>
>>> with torch._subclasses.fake_tensor.FakeTensorMode():
>>>     x = torch.randn(2, 3)
>>>     w = torch.randn(3, 3)
>>>     b = torch.randn(3)
>>>     y = torch.ops.mylib.custom_linear(x, w, b)
>>>
>>> assert y.shape == (2, 3)
>>>
>>> # Example 2: an operator with data-dependent output shape
>>> @torch.library.custom_op("mylib::custom_nonzero", mutates_args=())
>>> def custom_nonzero(x: Tensor) -> Tensor:
>>>     x_np = x.numpy(force=True)
>>>     res = np.stack(np.nonzero(x_np), axis=1)
>>>     return torch.tensor(res, device=x.device)
>>>
>>> @torch.library.register_fake("mylib::custom_nonzero")
>>> def _(x):
>>> # Number of nonzero-elements is data-dependent.
>>> # Since we cannot peek at the data in an fake impl,
>>> # we use the ctx object to construct a new symint that
>>> # represents the data-dependent size.
>>>     ctx = torch.library.get_ctx()
>>>     nnz = ctx.new_dynamic_size()
>>>     shape = [nnz, x.dim()]
>>>     result = x.new_empty(shape, dtype=torch.int64)
>>>     return result
>>>
>>> from torch.fx.experimental.proxy_tensor import make_fx
>>>
>>> x = torch.tensor([0, 1, 2, 3, 4, 0])
>>> trace = make_fx(torch.ops.mylib.custom_nonzero, tracing_mode="symbolic")(x)
>>> trace.print_readable()
>>>
>>> assert torch.allclose(trace(x), torch.ops.mylib.custom_nonzero(x))
torch.library.register_vmap(op, func=None, /, *, lib=None)[source]

注册一个 vmap 实现以支持 torch.vmap() 用于此自定义操作。

此 API 可用作装饰器(参见示例)。

为了使算子能够与 torch.vmap() 一起使用,您可能需要注册以下签名的 vmap 实现

vmap_func(info, in_dims: Tuple[Optional[int]], *args, **kwargs),

其中 *args**kwargsop 的参数和关键字参数。我们不支持仅关键字参数的 Tensor 参数。

它指定了如何在给定具有额外维度(由 in_dims 指定)的输入的情况下计算 op 的批处理版本。

对于 args 中的每个参数,in_dims 都有一个对应的 Optional[int]。如果参数不是 Tensor 或参数没有被 vmap 遍历,则为 None,否则为一个整数,指定 Tensor 的哪个维度正在被 vmap 遍历。

info 是一个包含其他元数据的集合,这些元数据可能会有所帮助:info.batch_size 指定正在被 vmap 遍历的维度的尺寸,而 info.randomness 是传递给 torch.vmap()randomness 选项。

函数 func 的返回值是一个 (output, out_dims) 元组。类似于 in_dimsout_dims 应该与 output 具有相同的结构,并且每个输出都包含一个 out_dim,用于指定输出是否具有 vmap 维度以及该维度在什么索引位置。

示例

>>> import torch
>>> import numpy as np
>>> from torch import Tensor
>>> from typing import Tuple
>>>
>>> def to_numpy(tensor):
>>>     return tensor.cpu().numpy()
>>>
>>> lib = torch.library.Library("mylib", "FRAGMENT")
>>> @torch.library.custom_op("mylib::numpy_cube", mutates_args=())
>>> def numpy_cube(x: Tensor) -> Tuple[Tensor, Tensor]:
>>>     x_np = to_numpy(x)
>>>     dx = torch.tensor(3 * x_np ** 2, device=x.device)
>>>     return torch.tensor(x_np ** 3, device=x.device), dx
>>>
>>> def numpy_cube_vmap(info, in_dims, x):
>>>     result = numpy_cube(x)
>>>     return result, (in_dims[0], in_dims[0])
>>>
>>> torch.library.register_vmap(numpy_cube, numpy_cube_vmap)
>>>
>>> x = torch.randn(3)
>>> torch.vmap(numpy_cube)(x)
>>>
>>> @torch.library.custom_op("mylib::numpy_mul", mutates_args=())
>>> def numpy_mul(x: Tensor, y: Tensor) -> Tensor:
>>>     return torch.tensor(to_numpy(x) * to_numpy(y), device=x.device)
>>>
>>> @torch.library.register_vmap("mylib::numpy_mul")
>>> def numpy_mul_vmap(info, in_dims, x, y):
>>>     x_bdim, y_bdim = in_dims
>>>     x = x.movedim(x_bdim, -1) if x_bdim is not None else x.unsqueeze(-1)
>>>     y = y.movedim(y_bdim, -1) if y_bdim is not None else y.unsqueeze(-1)
>>>     result = x * y
>>>     result = result.movedim(-1, 0)
>>>     return result, 0
>>>
>>>
>>> x = torch.randn(3)
>>> y = torch.randn(3)
>>> torch.vmap(numpy_mul)(x, y)

注意

vmap 函数应旨在保留整个自定义操作的语义。也就是说,grad(vmap(op)) 应该可以用 grad(map(op)) 替换。

如果您的自定义操作在反向传播过程中有任何自定义行为,请记住这一点。

torch.library.impl_abstract(qualname, func=None, *, lib=None, _stacklevel=1)[source]

此 API 在 PyTorch 2.4 中已重命名为 torch.library.register_fake()。请改用它。

torch.library.get_ctx()[source]

get_ctx() 返回当前的 AbstractImplCtx 对象。

仅在伪实现内部调用 get_ctx() 是有效的(有关更多用法细节,请参阅 torch.library.register_fake())。

返回类型

FakeImplCtx

torch.library.register_torch_dispatch(op, torch_dispatch_class, func=None, /, *, lib=None)[source]

为给定的算子和 torch_dispatch_class 注册一个 torch_dispatch 规则。

这允许开放注册以指定算子和 torch_dispatch_class 之间行为,而无需直接修改 torch_dispatch_class 或算子。

torch_dispatch_class 是一个具有 __torch_dispatch__ 的 Tensor 子类或 TorchDispatchMode。

如果它是 Tensor 子类,我们期望 func 具有以下签名:(cls, func: OpOverload, types: Tuple[type, ...], args, kwargs) -> Any

如果它是 TorchDispatchMode,我们期望 func 具有以下签名:(mode, func: OpOverload, types: Tuple[type, ...], args, kwargs) -> Any

argskwargs 将以与 __torch_dispatch__ 中相同的方式进行规范化(参见 __torch_dispatch__ 调用约定)。

示例

>>> import torch
>>>
>>> @torch.library.custom_op("mylib::foo", mutates_args={})
>>> def foo(x: torch.Tensor) -> torch.Tensor:
>>>     return x.clone()
>>>
>>> class MyMode(torch.utils._python_dispatch.TorchDispatchMode):
>>>     def __torch_dispatch__(self, func, types, args=(), kwargs=None):
>>>         return func(*args, **kwargs)
>>>
>>> @torch.library.register_torch_dispatch("mylib::foo", MyMode)
>>> def _(mode, func, types, args, kwargs):
>>>     x, = args
>>>     return x + 1
>>>
>>> x = torch.randn(3)
>>> y = foo(x)
>>> assert torch.allclose(y, x)
>>>
>>> with MyMode():
>>>     y = foo(x)
>>> assert torch.allclose(y, x + 1)
torch.library.infer_schema(prototype_function, /, *, mutates_args, op_name=None)

使用类型提示解析给定函数的模式。模式是从函数的类型提示中推断出来的,可用于定义新的算子。

我们做出以下假设

  • 没有一个输出与任何输入或彼此重叠。

  • 没有库规范的字符串类型注释“device、dtype、Tensor、types”
    被假定为 torch.*。类似地,没有库规范的字符串类型注释“Optional、List、Sequence、Union”
    被假定为 typing.*。
  • 只有 mutates_args 中列出的参数正在被修改。如果 mutates_args 为“unknown”,
    则假定算子的所有输入都正在被修改。

调用者(例如自定义操作 API)负责检查这些假设。

参数
  • prototype_function (Callable) – 用于从其类型注释中推断模式的函数。

  • op_name (Optional[str]) – 模式中算子的名称。如果 name 为 None,则名称不包含在推断的模式中。请注意,torch.library.Library.define 的输入模式需要算子名称。

  • mutates_args ("unknown" | Iterable[str]) – 函数中发生变异的参数。

返回值

推断出的模式。

返回类型

str

示例

>>> def foo_impl(x: torch.Tensor) -> torch.Tensor:
>>>     return x.sin()
>>>
>>> infer_schema(foo_impl, op_name="foo", mutates_args={})
foo(Tensor x) -> Tensor
>>>
>>> infer_schema(foo_impl, mutates_args={})
(Tensor x) -> Tensor
class torch._library.custom_ops.CustomOpDef(namespace, name, schema, fn)[source]

CustomOpDef 是一个函数的包装器,将其转换为自定义操作。

它有各种方法来注册此自定义操作的其他行为。

您不应该直接实例化 CustomOpDef;而是使用 torch.library.custom_op() API。

set_kernel_enabled(device_type, enabled=True)[source]

禁用或重新启用已为此自定义运算符注册的内核。

如果内核已禁用/启用,则此操作无效。

注意

如果内核先被禁用然后注册,则它将保持禁用状态,直到再次启用。

参数
  • device_type (str) – 要禁用/启用内核的设备类型。

  • disable (bool) – 是否禁用或启用内核。

示例

>>> inp = torch.randn(1)
>>>
>>> # define custom op `f`.
>>> @custom_op("mylib::f", mutates_args=())
>>> def f(x: Tensor) -> Tensor:
>>>     return torch.zeros(1)
>>>
>>> print(f(inp))  # tensor([0.]), default kernel
>>>
>>> @f.register_kernel("cpu")
>>> def _(x):
>>>     return torch.ones(1)
>>>
>>> print(f(inp))  # tensor([1.]), CPU kernel
>>>
>>> # temporarily disable the CPU kernel
>>> with f.set_kernel_enabled("cpu", enabled = False):
>>>     print(f(inp))  # tensor([0.]) with CPU kernel disabled

低级 API

以下 API 是 PyTorch 的 C++ 低级运算符注册 API 的直接绑定。

警告

低级运算符注册 API 和 PyTorch 调度程序是 PyTorch 中一个复杂的概念。我们建议您尽可能使用上面更高层次的 API(不需要 torch.library.Library 对象)。这篇博文 <http://blog.ezyang.com/2020/09/lets-talk-about-the-pytorch-dispatcher/>`_ 是了解 PyTorch 调度程序的一个很好的起点。

Google Colab 上提供了一个教程,其中介绍了如何使用此 API 的一些示例。

class torch.library.Library(ns, kind, dispatch_key='')[source]

一个用于创建库的类,该库可用于从 Python 注册新的运算符或覆盖现有库中的运算符。如果用户只想注册对应于一个特定调度键的内核,则可以可选地传入一个调度键名。

要创建一个库来覆盖现有库(名称为 ns)中的运算符,请将 kind 设置为“IMPL”。要创建一个新库(名称为 ns)来注册新运算符,请将 kind 设置为“DEF”。要创建一个可能存在的库片段来注册运算符(并绕过每个命名空间只有一个库的限制),请将 kind 设置为“FRAGMENT”。

参数
  • ns – 库名称

  • kind – “DEF”、“IMPL”(默认值:“IMPL”)、“FRAGMENT”

  • dispatch_key – PyTorch 调度键(默认值:“”)

define(schema, alias_analysis='', *, tags=())[source]

在 ns 命名空间中定义一个新的运算符及其语义。

参数
  • schema – 用于定义新运算符的函数模式。

  • alias_analysis (可选) – 指示运算符参数的别名属性是否可以从模式(默认行为)或不(“CONSERVATIVE”)推断出来。

  • tags (Tag | Sequence[Tag]) – 应用于此运算符的一个或多个 torch.Tag。标记运算符会更改运算符在各种 PyTorch 子系统下的行为;在应用它之前,请仔细阅读 torch.Tag 的文档。

返回值

从模式中推断出的运算符名称。

示例:
>>> my_lib = Library("mylib", "DEF")
>>> my_lib.define("sum(Tensor self) -> Tensor")
fallback(fn, dispatch_key='', *, with_keyset=False)[source]

将函数实现注册为给定键的回退。

此函数仅适用于具有全局命名空间 (“_”) 的库。

参数
  • fn – 用作给定调度键的回退的函数或 fallthrough_kernel() 以注册回退。

  • dispatch_key – 输入函数应为其注册的调度键。默认情况下,它使用创建库时使用的调度键。

  • with_keyset – 控制是否应将当前调度程序调用键集作为第一个参数传递给 fn 时调用的标志。这应该用于为重新调度调用创建适当的键集。

示例:
>>> my_lib = Library("_", "IMPL")
>>> def fallback_kernel(op, *args, **kwargs):
>>>     # Handle all autocast ops generically
>>>     # ...
>>> my_lib.fallback(fallback_kernel, "Autocast")
impl(op_name, fn, dispatch_key='', *, with_keyset=False)[source]

注册库中定义的运算符的函数实现。

参数
  • op_name – 运算符名称(以及重载)或 OpOverload 对象。

  • fn – 作为输入调度键的运算符实现的函数或 fallthrough_kernel() 以注册回退。

  • dispatch_key – 输入函数应为其注册的调度键。默认情况下,它使用创建库时使用的调度键。

  • with_keyset – 控制是否应将当前调度程序调用键集作为第一个参数传递给 fn 时调用的标志。这应该用于为重新调度调用创建适当的键集。

示例:
>>> my_lib = Library("aten", "IMPL")
>>> def div_cpu(self, other):
>>>     return self * (1 / other)
>>> my_lib.impl("div.Tensor", div_cpu, "CPU")
torch.library.fallthrough_kernel()[source]

一个虚拟函数,传递给 Library.impl 以注册回退。

torch.library.define(qualname, schema, *, lib=None, tags=())[source]
torch.library.define(lib, schema, alias_analysis='')

定义一个新的运算符。

在 PyTorch 中,定义一个操作(简称“运算符”)是一个两步过程: - 我们需要定义操作(通过提供运算符名称和模式) - 我们需要实现操作与各种 PyTorch 子系统(如 CPU/CUDA 张量、Autograd 等)交互的行为。

此入口点定义自定义运算符(第一步),然后您必须通过调用各种 impl_* API(如 torch.library.impl()torch.library.register_fake())来执行第二步。

参数
  • qualname (str) – 运算符的限定名称。应是一个类似于“namespace::name”的字符串,例如“aten::sin”。PyTorch 中的运算符需要一个命名空间来避免名称冲突;给定的运算符只能创建一次。如果您正在编写 Python 库,我们建议命名空间为顶级模块的名称。

  • schema (str) – 运算符的模式。例如,对于接受一个张量并返回一个张量的操作,“(Tensor x) -> Tensor”。它不包含运算符名称(该名称在 qualname 中传递)。

  • lib (Optional[Library]) – 如果提供,则此运算符的生命周期将与 Library 对象的生命周期绑定。

  • tags (Tag | Sequence[Tag]) – 应用于此运算符的一个或多个 torch.Tag。标记运算符会更改运算符在各种 PyTorch 子系统下的行为;在应用它之前,请仔细阅读 torch.Tag 的文档。

示例:
>>> import torch
>>> import numpy as np
>>>
>>> # Define the operator
>>> torch.library.define("mylib::sin", "(Tensor x) -> Tensor")
>>>
>>> # Add implementations for the operator
>>> @torch.library.impl("mylib::sin", "cpu")
>>> def f(x):
>>>     return torch.from_numpy(np.sin(x.numpy()))
>>>
>>> # Call the new operator from torch.ops.
>>> x = torch.randn(3)
>>> y = torch.ops.mylib.sin(x)
>>> assert torch.allclose(y, x.sin())
torch.library.impl(qualname, types, func=None, *, lib=None)[source]
torch.library.impl(lib, name, dispatch_key='')

为该操作符的设备类型注册一个实现。

您可以为types传递“default”,以将此实现注册为所有设备类型的默认实现。请仅当实现真正支持所有设备类型时才使用此方法;例如,如果它是内置 PyTorch 运算符的组合,则为真。

一些有效的类型包括:“cpu”、“cuda”、“xla”、“mps”、“ipu”、“xpu”。

参数
  • qualname (str) – 应为类似“namespace::operator_name”的字符串。

  • types (str | Sequence[str]) – 要向其注册实现的设备类型。

  • lib (Optional[Library]) – 如果提供,则此注册的生命周期将与 Library 对象的生命周期绑定。

示例

>>> import torch
>>> import numpy as np
>>>
>>> # Define the operator
>>> torch.library.define("mylib::mysin", "(Tensor x) -> Tensor")
>>>
>>> # Add implementations for the cpu device
>>> @torch.library.impl("mylib::mysin", "cpu")
>>> def f(x):
>>>     return torch.from_numpy(np.sin(x.numpy()))
>>>
>>> x = torch.randn(3)
>>> y = torch.ops.mylib.mysin(x)
>>> assert torch.allclose(y, x.sin())

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人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源