后端和代理¶

受众：供应商、后端代理开发人员，他们有兴趣将自己的编译器和硬件集成到 ExecuTorch 中

后端代理是后端处理和执行 PyTorch 程序的入口点，以利用专用后端和硬件的性能和效率优势，同时为 PyTorch 用户提供接近 PyTorch 运行时的体验。

后端接口：概述¶

从高层次来看，后端的入口点由 2 个组件定义

用于表示程序的 IR：Edge Dialect（通过 to_edge API 生成）
后端实现的几个接口
- 提前编译 (AOT)
  - 程序预处理（例如，提前编译、转换、优化…）。
- 运行时
  - 程序初始化（例如，运行时编译）。
  - 程序执行。
  - （可选）程序销毁（例如，释放后端拥有的资源）。

代理后端实现由以下部分组成

提前编译预处理接口
运行时初始化和执行接口

图表如下所示

图 1. 后端接口入口点的概览，包括提前编译和运行时。

后端接口：提前编译预处理¶

后端实现主要有两个提前编译入口点：partition 和 preprocess。

partitioner 是后端实现的算法，用于标记要降低到后端的节点。 to_backend API 将应用分区算法并降低每个子图（由连接的标记节点组成）到目标后端。每个子图将被发送到后端提供的 preprocess 部分，以编译为二进制 blob。

在分区过程中，exported_program 不允许修改程序，它应该为每个节点添加标签。 PartitionResult 包含带标签的导出程序和分区标签字典，供 to_backend 查询标签并链接到 backend_id 和 compile_spec。

def partition(
    exported_program: ExportedProgram,
) -> PartitionResult:

在预处理过程中，后端会收到一个边缘方言程序和一个编译规范列表，这些规范指定了编译所需的数值，并期望返回一个编译后的 blob 或二进制文件，其中包含要在后端运行的所需程序。在序列化过程中，编译后的 blob 将被序列化为 .pte 文件的一部分，并直接加载到设备上。此过程的 API 为

def preprocess(
    edge_program: ExportedProgram,
    compile_specs: List[CompileSpec],
) -> PreprocessResult:

预处理函数的演示实现这里。演示循环遍历 edge_program 的图模块中的节点，并将 add、mul 和 sin 指令序列化为字符串，该字符串将在运行时被解析和执行。

图表如下所示

图 2. 图表经过分区，每个子图将被发送到预处理部分。

后端接口：运行时初始化和执行¶

在运行时，来自 preprocess 函数的编译后的 blob 将被加载并直接传递给后端的自定义 init 函数。该函数负责进一步处理编译后的单元，以及执行任何后端初始化。然后将调用后端的自定义 execute 函数来执行由 init 生成的句柄。最后，如果某些后端需要销毁，后端可以实现一个 destroy 函数，该函数将在程序超出其生命周期时被调用。

// Runtime check
__ET_NODISCARD bool is_available();

// Runtime initialization
__ET_NODISCARD virtual Result<DelegateHandle*> init(
    BackendInitContext& context,
    FreeableBuffer* processed,
    ArrayRef<CompileSpec> compile_specs);

// Runtime execution
__ET_NODISCARD virtual Error execute(
    BackendExecutionContext& context,
    DelegateHandle* handle,
    EValue** args);

// [optional] Runtime destroy. Destroy the resource held by the backend
virtual void destroy(__ET_UNUSED DelegateHandle* handle);

图表如下所示

图 3. 标准 ExecuTorch 运行时与后端入口点之间的关系。

为了使后端可用于 ExecuTorch 运行时，它必须通过 register_backend API 注册。

__ET_NODISCARD Error register_backend(const Backend& backend);

后端的静态注册，即在库初始化或加载时，可以按如下方式实现。

namespace {
auto cls = BackendWithCompiler();
Backend backend{"BackendWithCompilerDemo", &cls};
static auto success_with_compiler = register_backend(backend);
} // namespace

SDK 集成：可调试性¶

提供一致的调试体验，无论是针对运行时故障还是性能分析，都非常重要。ExecuTorch 为此目的采用了原生 SDK（软件开发工具包），它可以通过调试句柄将程序指令与原始 PyTorch 代码相关联。您可以在此处了解更多信息。

委托的程序或子图对 ExecuTorch 运行时是透明的，并显示为一个特殊的 call_delegate 指令，该指令要求相应的后端处理子图或程序的执行。由于后端委托的透明性，原生 SDK 无法看到委托的程序。因此，与非委托的对应程序相比，委托执行的调试（功能或性能）体验会受到很大影响。

为了为用户提供一致的调试体验，无论是否使用模型委托，SDK 都提供了一个接口来将委托的（子）图与原始的（子）图相关联。SDK 通过调试句柄映射来实现这一点，该映射允许委托生成可以与委托使用的原始（子）图关联的内部句柄。然后在运行时，后端开发人员可以使用内部句柄报告错误或性能信息，这些信息将使用调试句柄映射映射到原始（子）图。有关更多信息，请参阅 SDK 委托集成。

通过利用调试标识符，后端开发人员可以将调试嵌入到委托的 blob 中。

这样，在执行阶段，使用调试标识符，后端开发人员可以将委托内部的失败指令关联回 Python 代码的准确行。

常见问题¶

1. 我们如何在 backend.preprocess 中获取数据？

正在预处理的图模块是一个提升后的图，这意味着静态数据（如权重和偏差）作为输入提供给图。但是，我们可以通过导出的程序提前访问权重和偏差。要从给定节点访问这些参数，我们可以使用 get_params 函数，该函数在 torch/_export/utils.py 中提供。

2. 我们如何将数据（如权重/偏差）嵌入到后端？

后端通常有一些方法可以优化常量数据。在这种情况下，我们需要标记占位符节点，这些节点也是分区器中的状态，在后端预处理期间，我们可以按照第一个问题中的描述获取权重。

3. 我们如何在 Python 中使用特定后端运行降低的模块？

我们还没有添加支持，但这是计划！

4. 我们是否应该期望在边缘方言程序中看到 get_attr 节点？

get_attr 节点只会出现在用于控制流或委托的子模块中。它不会保存任何数据。

5. 我们能否委托给多个后端？

是的！有两种方法可以做到这一点

选项 1：对不同的后端运行 to_backend 多次

如果我们有两个后端，backend_1 和 backend_2，并且它们有自己的分区器：backend_1_parititioner 和 backend_2_partitioner，我们可以像这样运行它

# Will first lower nodes to backend_1 depending on the backend_1_parititioner depending on partitioner algorithm
exported_program_backend_1 = to_backend(exported_program, backend_1_parititioner())
# For the rest of nodes, they will be lowered to backend_2 depending on backend_2_parititioner
exported_program_backend_1_and_2 = to_backend(exported_program_backend_1, backend_2_parititioner())

可以在此处找到更具体的示例。在这个例子中， qnnpack 是一个后端，xnnpack 是另一个后端。我们还没有开源这两个后端委托，这个例子无法开箱即用。它可以作为参考，了解如何实现。

这个选项很容易尝试，因为通常所有后端都会实现自己的分区器。但是，如果我们更改 to_backend 调用的顺序，这个选项可能会得到不同的结果。如果我们想更好地控制节点，例如它们应该去哪个后端，选项 2 更好。

选项 2：拥有一个为不同后端进行分区的分区器

另一种选择是创建一个自定义分区器，例如分区器 backend_1_2_partitioner，并在分区器逻辑内部，

class Backend_1_2_Partitioner(Partitioner):
    """
    Partitions all add/mul nodes regardless of order for Backend2
    """

    def __init__(self) -> None:
        self.delegation_spec_1 = DelegationSpec("Backend1", [])
        self.delegation_spec_2 = DelegationSpec("Backend2", [])
        self.partition_tags = {}

    def partition(
        self, exported_program: ExportedProgram
    ) -> ExportedProgram:

        # Tag all nodes in the first partiton to backend 1
        node_to_backend_1 = ... # some logic to select the nodes from the graph
        delegation_tag = f"backend2_tag{partitioner_1.id}"
        node.meta["delegation_tag"] = delegation_tag
        self.partition_tags[delegation_tag] = self.delegation_spec_1

        # Tag all nodes in the first partiton to backend 2
        node_to_backend_2 = ... # some logic to select the nodes from the graph
        delegation_tag = f"backend2_tag{partitioner_2.id}"
        node.meta["delegation_tag"] = delegation_tag
        self.partition_tags[delegation_tag] = self.delegation_spec_2
        return exported_program

6. 有没有简单的方法来编写分区器？

我们提供了一些辅助分区器此处，以便轻松地从分解的运算符中找到节点。

7. 如何将节点链接回源代码？ 我们提供了一个辅助函数

from executorch.exir.print_program import inspect_node

print(inspect_node(graph, node))

它将突出显示图中的节点并指向源代码，示例输出如下

_param_constant1 error_msg:  Here is the node in the graph module:
graph():
    %arg0_1 : [num_users=1] = placeholder[target=arg0_1]
    %_param_constant0 : [num_users=1] = get_attr[target=_param_constant0]
--> %_param_constant1 : [num_users=1] = get_attr[target=_param_constant1]
    %aten_convolution_default : [num_users=2] = call_function[target=executorch.exir.dialects.edge._ops.aten.convolution.default](args = (%arg0_1, %_param_constant0, %_param_constant1, [1, 1], [0, 0], [1, 1], False, [0, 0], 1), kwargs = {})
    %_param_constant2 : [num_users=1] = get_attr[target=_param_constant2]
    %_param_constant3 : [num_users=1] = get_attr[target=_param_constant3]
    %aten_convolution_default_1 : [num_users=1] = call_function[target=executorch.exir.dialects.edge._ops.aten.convolution.default](args = (%aten_convolution_default, %_param_constant2, %_param_constant3, [1, 1], [0, 0], [1, 1], False, [0, 0], 1), kwargs = {})
    %aten_add_tensor : [num_users=1] = call_function[target=executorch.exir.dialects.edge._ops.aten.add.Tensor](args = (%aten_convolution_default, %aten_convolution_default_1), kwargs = {})
    %_param_constant4 : [num_users=1] = get_attr[target=_param_constant4]
    %_param_constant5 : [num_users=1] = get_attr[target=_param_constant5]
    %aten_convolution_default_2 : [num_users=1] = call_function[target=executorch.exir.dialects.edge._ops.aten.convolution.default](args = (%aten_add_tensor, %_param_constant4, %_param_constant5, [1, 1], [0, 0], [1, 1], False, [0, 0], 1), kwargs = {})
    %aten_gelu_default : [num_users=1] = call_function[target=executorch.exir.dialects.edge._ops.aten.gelu.default](args = (%aten_convolution_default_2,), kwargs = {})
    return [aten_gelu_default]
This node _param_constant1 has metadata of:
The node stacktrace:
Traceback (most recent call last):
    File "/tmp/ipykernel_1204253/3382880687.py", line 7, in forward
return self.test_model(x)
    File "/mnt/xarfuse/uid-25337/7b86ad0c-seed-nspid4026532987_cgpid2707357-ns-4026532984/torch/nn/modules/module.py", line 1528, in _call_impl
return forward_call(*args, **kwargs)
    File "/tmp/ipykernel_1204253/712280972.py", line 10, in forward
a = self.conv1(x)

后端和代理¶

后端接口：概述¶

后端接口：提前编译预处理¶

后端接口：运行时初始化和执行¶

SDK 集成：可调试性¶

常见问题¶

文档

教程

资源