torch.compiler¶

torch.compiler 是一个命名空间，通过该命名空间公开了一些内部编译器方法供用户使用。此命名空间中的主要功能是 torch.compile。

torch.compile 是 PyTorch 2.x 中引入的 PyTorch 函数，旨在解决 PyTorch 中精确图捕获的问题，并最终使软件工程师能够更快地运行其 PyTorch 程序。torch.compile 是用 Python 编写的，它标志着 PyTorch 从 C++ 向 Python 的转变。

torch.compile 利用以下底层技术

TorchDynamo (torch._dynamo) 是一个内部 API，它使用名为 Frame Evaluation API 的 CPython 功能来安全地捕获 PyTorch 图。PyTorch 用户可在外部使用的方法通过 torch.compiler 命名空间公开。
TorchInductor 是默认的 torch.compile 深度学习编译器，它为多个加速器和后端生成快速代码。您需要使用后端编译器才能通过 torch.compile 实现加速。对于 NVIDIA、AMD 和 Intel GPU，它利用 OpenAI Triton 作为关键构建块。
AOT Autograd 不仅捕获用户级代码，还捕获反向传播，从而“提前”捕获后向传递。这使得可以使用 TorchInductor 加速前向和后向传递。

注意

在某些情况下，术语 torch.compile、TorchDynamo、torch.compiler 在本文档中可能会互换使用。

如上所述，为了更快地运行您的工作流程，通过 TorchDynamo 的 torch.compile 需要一个后端，将捕获的图转换为快速机器代码。不同的后端可能会产生各种优化收益。默认后端称为 TorchInductor，也称为 inductor，TorchDynamo 有一个由我们的合作伙伴开发的受支持后端列表，可以通过运行 torch.compiler.list_backends() 查看，每个后端都有其可选依赖项。

一些最常用的后端包括

训练和推理后端

后端	描述
`torch.compile(m, backend="inductor")`	使用 TorchInductor 后端。阅读更多
`torch.compile(m, backend="cudagraphs")`	带有 AOT Autograd 的 CUDA 图。阅读更多
`torch.compile(m, backend="ipex")`	在 CPU 上使用 IPEX。阅读更多
`torch.compile(m, backend="onnxrt")`	在 CPU/GPU 上使用 ONNX Runtime 进行训练。阅读更多

仅推理后端

后端	描述
`torch.compile(m, backend="tensorrt")`	使用 Torch-TensorRT 进行推理优化。需要在调用脚本中 `import torch_tensorrt` 以注册后端。阅读更多
`torch.compile(m, backend="ipex")`	在 CPU 上使用 IPEX 进行推理。阅读更多
`torch.compile(m, backend="tvm")`	使用 Apache TVM 进行推理优化。阅读更多
`torch.compile(m, backend="openvino")`	使用 OpenVINO 进行推理优化。阅读更多

torch.compiler¶

阅读更多¶

文档

教程

资源