自定义编译器 Pass 和分区器

Pass

Pass 可以大致分为几个轴

轴 A

1. 创建一对多映射（例如，分解）

2. 创建多对一映射（例如，融合）

轴 B

1. 执行前向迭代（例如，形状传播）

2. 执行后向迭代（例如，死代码消除）

轴 C

1. 依赖于本地节点信息（例如，输出变量转换）

2. 依赖于全局图信息（例如，内存规划）

我们对这些用例频率的预测是

1. A.1、B.1、C.1

2. A.2

3. B.2、C.2

级别 1

对于级别 1 用例（创建一对多映射、执行前向迭代和查看本地节点信息），我们可以利用一个名为 ExportPass 的辅助类。这是一种 基于解释器 的方法，我们可以在其中执行每个节点并重新创建图，但会进行指定的转换。这使我们能够通过确保在 Pass 中创建的所有节点都满足 IR 规范（包括确保保留堆栈跟踪、FakeTensor 值和 torch.nn.Module 层次结构，并根据所做的转换进行更新）来保留 IR 规范。

要实现此 Pass，我们可以创建 ExportPass 的子类并实现公开的函数。当使用图模块调用时，它将运行图模块并创建一个包含 Pass 指定更改的新图。这意味着传入的图模块必须可在 CPU 上运行，并且此不变量将在 Pass 运行后保持不变。

一对一 Pass

对于一对一映射的示例，如果我们想用另一个运算符 B 替换运算符 A，我们可以运行给定的 fx.GraphModule，并且每次我们看到运算符 A 时，都返回运算符 B。

考虑以下示例

class ReplaceInPlaceReluWithOutOfPlaceReluPass(ExportPass):
    """
    relu_ is the in-place version. Replace it with relu, which is the
    out-of-place version
    """

    def call_operator(self, op, args, kwargs, meta):
        if op != torch.ops.aten.relu_.default:
            return super().call_operator(op, args, kwargs, meta)
        return super().call_operator(Op(torch.ops.aten.relu.default), args, kwargs, meta)

# To create a pass
replace_pass = ReplaceInPlaceReluWithOutOfPlaceReluPass()
# To run a pass
new_graph_module = replace_pass(graph_module).graph_module

super().call_operator(op, args, kwargs, meta) 调用创建一个 call_function FX 节点，并返回使用给定参数运行运算符的结果。

一对多 Pass

如果我们想进行一对多映射，例如用 2 个其他运算符 B 和 C 替换运算符 A，那么我们将进行 2 次 super().call_operator 调用来创建 2 个 FX 节点，一个使用运算符 B，另一个使用运算符 C，并返回运行运算符 C 的结果。

例如

class ReplaceAddWithMulSub(ExportPass):
    """
    Original:
        def f(x, y):
            return x + y

    After pass:
        def f(x, y):
            z = x * y
            return z - y
    """
    def call_operator(self, op, args, kwargs, meta):
        if op != torch.ops.aten.add.default:
            return super().call_operator(op, args, kwargs, meta)

        x, y = args

        mul_res = super().call_operator(
            torch.ops.aten.mul.default,
            args,
            {},
            meta
        )

        return super().call_operator(
            torch.ops.aten.sub.default,
            (mul_res, y),
            {},
            meta
        )

一对零 Pass

如果我们想删除一个运算符，我们可以只返回传递给函数的值

class RemoveDetachPass(ExportPass):
    def call_operator(self, op, args, kwargs, meta):
        if op not in (
            torch.ops.aten.detach.default,
            torch.ops.aten.detach_copy.default,
        ):
            return super().call_operator(op, args, kwargs, meta)

        assert len(args) == 1
        return args[0]

利用本地信息

利用本地节点信息的示例是，如果我们想将图中的所有标量转换为张量，我们可以运行给定的 fx.GraphModule，并且对于包含标量的每个参数，我们将其转换为张量。它可能看起来像这样

def args_map(op, fn, args, kwargs):
    assert isinstance(args, tuple)
    assert isinstance(kwargs, dict)
    args = list(args)
    kwargs = kwargs.copy()

    # Update the argument based on the function passed
    def update(key, args, schema):
        args[key] = fn(args[key], schema)

    # Update each argument in the schema
    for i, schema in enumerate(self.op._schema.arguments):
        if schema.name in kwargs:
            update(schema.name, kwargs, schema)
        elif not schema.kwarg_only and i < len(args):
            update(i, args, schema)

class ScalarToTensorPass(ExportPass):
    def call_operator(self, op, args, kwargs):
        def try_coerce(value, arg):
            return (
                torch.tensor(value)
                if isinstance(value, (float, int, bool))
                and type(arg.type) == torch.TensorType
                else value
            )

        args, kwargs = args_map(op, try_coerce, args, kwargs)
        return super().call_operator(op, args, kwargs)

级别 2

为了创建多对一映射，我们可以利用 FX 的 子图重写器。给定一个 pattern，它会创建一个与模式匹配的运算符子图，然后用 replacement 替换每个匹配的子图。

注意

This is an inplace operation.

pattern 和 replacement 输入必须是使用与您要匹配的 EXIR 图中使用的相同运算符（ATen 运算符）编写的可调用函数，以便子图重写器可以在图中找到正确的模式。模式/替换可调用对象的输入将被视为通配符。

考虑以下示例

from torch.fx import subgraph_rewriter

def replace_patterns(graph_module):
    def pattern(x, y):
        x = torch.ops.aten.add.Tensor(x, y)
        x = torch.ops.aten.mul.Tensor(x, y)
        return x

    def replacement(x, y):
        return torch.ops.aten.sub.Tensor(x, y)

replaced_patterns = subgraph_rewriter.replace_pattern_with_filters(
    traced_module, pattern, replacement
)

子图重写器返回一个 ReplacedPatterns 列表

@dataclass
class ReplacedPatterns:
    # Node from which the match was found
    anchor: Node
    # Maps nodes in the pattern subgraph to nodes in the larger graph
    nodes_map: Dict[Node, Node]
    # List of nodes that were added into the graph
    replacements: List[Node]

注意

The nodes created by the subgraph rewriter will not have the metadata that
is normally in EXIR nodes (`stack_trace`, `val`, `nn_module_stack`).

级别 3

对于创建 Pass 的第三种方法，我们可以利用最基本的 PassBase。要创建 Pass，我们可以继承此类并使用 Pass 内容实现函数 call。此外，我们可以实现函数 requires 和 ensures，它们将在函数 call 之前和之后调用。请注意，这些函数也可以在 ExportPass 中重写。要在图模块上运行 Pass，我们可以将图模块直接传递给类的实例。

考虑以下示例

class ReplaceAddPass(PassBase):

    def __init__(self, replace_op):
        self.replace_op = replace_op

    def call(self, graph_module):
        for node in gm.graph.nodes:
            if node.op == "call_function" and node.target == torch.add:
                node.target = self.replace_op

    # Optional to implement, will be called before call()
    def requires(self, graph_module) -> None:
        for node in graph_module.graph.nodes:
            if node.op == "call_function" and node.target == torch.add:
                return
        raise ValueError("No torch.add ops!")

    # Optional to implement, will be called after call()
    def ensures(self, graph_module: torch.fx.GraphModule) -> None:
        pass

# To create a pass
replace_add_with_div = ReplaceAddPass(torch.div)
# To run a pass
replace_add_with_div(graph_module)

Pass 管理器

PassManager 是一个用于在给定图模块上运行多个 Pass 的类。初始化 PassManager 实例时，我们传入要运行的 Pass 列表并设置几个标志。要在图模块上运行 Pass 集合，我们可以将图模块直接传递给 PassManager 实例。

示例

from executorch.exir.pass_manager import PassManager

pm = PassManager(
    passes=[replace_add_with_div, replace_div_with_mul],
    run_checks_after_each_pass=True,
    suppress_check_failures=False,
)
graph_module_out = pm(graph_module)

要添加在每个 Pass 之后运行的一组通用检查，我们可以调用函数 set_checks(check: Callable)，该函数将可调用函数作为输入。如果设置了 run_checks_after_each_pass 标志，则在图模块上运行每个 Pass 后，将调用 check。

示例

pm = PassManager(passes=[replace_add_with_div, replace_div_with_mul])

def check_div_target(graph_module):
    for node in graph_module.graph.nodes:
        if node.op == "call_function" and node.target != torch.div:
            raise ValueError("Target should be div!")

pm.add_checks(check_div_target)

pm(graph_module)    # raises ValueError after replace_div_with_mul pass

分区器

我们可以使用几个常见的基于 FX 图的分区器来对图进行分区。但是，这些分区器不一定会生成符合 IR 规范的图，因此在使用时请小心。

子图匹配器

为了在图中查找与特定模式匹配的子图，我们可以利用 FX 的 SubgraphMatcher。

类属性

• pattern (Graph)：目标匹配模式。图中的占位符节点在匹配时将被视为通配符。

• match_output (bool)：如果为 True，则模式图中的输出节点将被视为目标模式的一部分。如果为 False，则在匹配期间忽略输出节点。

• match_placeholder (bool)：如果为 True，则模式图中的占位符节点将被视为目标模式的一部分。如果为 False，则占位符节点将用作通配符。

• remove_overlapping_matches (bool)：如果为 True，则在重叠匹配的情况下，仅返回第一个匹配项。

• ignore_literals (bool)：如果为 True，则不会检查字面量是否相等，而是将其视为通配符。

考虑以下示例

from torch.fx.passes.utils.matcher_utils import SubgraphMatcher

class LargeModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self._weight = torch.nn.Parameter(torch.ones(3, 3))
        self._bias = torch.nn.Parameter(torch.ones(3, 3))

    def forward(self, x):
        return torch.ops.aten.addmm.default(self._bias, x, self._weight)

large_model_graph = to_edge(export(LargeModel(), large_inputs)).exported_program().graph_module.graph

class PatternModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self._weight_1 = torch.nn.Parameter(torch.ones(5, 5))
        self._bias_1 = torch.nn.Parameter(torch.ones(5, 5))

    def forward(self, x):
        return torch.ops.aten.addmm.default(self._bias_1, x, self._weight_1)

pattern_graph = to_edge(export(PatternModel(), pattern_inputs)).exported_program().graph_module.graph

subgraph_matcher = SubgraphMatcher(pattern_graph)
match_result = subgraph_matcher.match(large_model_graph)

match 函数返回一个 InternalMatch 列表

@dataclass
class InternalMatch():
    # Nodes from which the match was found
    anchors: List[Node]
    # Maps nodes in the pattern subgraph to nodes in the larger graph
    nodes_map: Dict[Node, Node] = field(default_factory=dict)
    # Nodes in target graph that are matched placeholder in pattern
    placeholder_nodes: List[Node] = field(default_factory=list)
    # Nodes in matched subgraph returned by output
    returning_nodes: List[Node] = field(default_factory=list)

基于能力的分区器

为了找到支持特定不变量的最大节点子图，我们可以利用 FX 的 CapabilityBasedPartitioner。

类属性

• graph_module (torch.fx.GraphModule)：我们要在其上进行分区的图模块。

• operator_support (OperatorSupportBase)：用于确定图中节点是否在分区中受支持的对象。

• allows_single_node_partition (bool)：如果为 True，则允许形成单节点分区。

• non_compute_ops (Optional[Sequence[str]])：一组被认为是“非计算”的运算符（例如 torch.ops.aten.view 和 _operator.getitem），以便分区器不会创建仅包含这些非计算运算符的图

• allowed_single_node_partition_ops (Optional[Sequence[str]])：一组允许在单节点分区中的运算符。

OperatorSupportBase 类由分区器用于确定图中特定节点是否属于分区。这是通过重写 is_node_supported 函数来完成的。您可以使用 chain（如果任何 OperatorSupportBase 返回 False，则返回 False）和 any_chain（如果任何 OperatorSupportBase 返回 True，则返回 True）链接多个 OperatorSuppportBase。

考虑以下示例

from torch.fx.passes.infra.partitioner import CapabilityBasedPartitioner
from torch.fx.passes.operator_support import any_chain, OperatorSupportBase

class AddMulOperatorSupport(OperatorSupportBase):
    def is_node_supported(self, submodules, node: torch.fx.Node) -> bool:
        return node.op == "call_function" and node.target in [
            torch.ops.aten.add.Tensor, torch.ops.aten.mul.Tensor,
        ]

capability_partitioner = CapabilityBasedPartitioner(
    graph_module,
    op_support,
)

# Returns a list of partitions (list of nodes that belong in each partition)
partition_list = capability_partitioner.propose_partitions()

如果您查看基于能力的分区器，您可能还会找到一个 fuse_partition 函数，该函数将返回一个修改后的图，其中分区作为子模块，并通过 call_module 节点在顶层图中调用这些子模块。但是，这不符合 IR 规范，因为我们不允许 call_module 节点。

组合

我们还提供了一个组合辅助函数：generate_pattern_op_partitions

Args

• graph_module (fx.GraphModule)：我们要分区的模块

• patterns (List[torch.fx.Graph])：torch.fx.Graph 格式的模式列表。这些图可以通过从 exir.capture（推荐）或符号跟踪（可能不会产生准确的边缘方言图）获得的 GraphModule 获取 graph 字段来获得，或者通过手动制作图模块来获得。

• op_support (OperatorSupportBase)：可以按以下方式创建的 OperatorSupportBase

  • 直接继承它并实现 is_node_supported()

  • 获取 create_op_support() 的结果

  • 获取 create_pattern_support() 的结果

  • 使用 chain() 或 any_chain() 链接在一起的多个 OperatorSupportBase 类

返回

• 包含给定 OperatorSupportBase 对象和给定模式图的并集支持的节点的分区列表（最大可能的子图）。

源分区器

对于更复杂的用例，用户希望基于更高级别的模块（torch.nn.Linear 或 torch.nn.functional.Linear）进行分区，这些模块现在被分解为其运算符（aten.permute、aten.addmm），我们有以下 辅助函数

get_source_partitions(graph: torch.fx.Graph, wanted_sources: List[Any]) -> Dict[Any, SourcePartition]

Args

• graph：我们要分区的图

• wanted_sources：从该源分解的节点源列表。这可以是函数（例如 torch.nn.functional.linear）或叶模块类型（例如 torch.nn.Linear）

返回

• 将源（例如 torch.nn.modules.linear.Linear）映射到 SourcePartitions 列表的字典，这些列表对应于从该类型的模块展平的节点列表。

@dataclass
class SourcePartition():
    # Nodes in a particular partition
    nodes: List[Node]
    # Module type
    module_type: Type
    # Nodes in the graph that are needed as inputs to the partition
    input_nodes: List[Node] = field(default_factory=list)
    # Nodes in the partition that are being used by nodes outside of the partition
    output_nodes: List[Node] = field(default_factory=list)
    # Parameters that are being used
    params: List[str] = field(default_factory=list)

示例

class M(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1 = torch.nn.Linear(3, 3)
        self.relu = torch.nn.ReLU()
        self.linear2 = torch.nn.Linear(3, 5)

    def forward(self, x):
        x = self.linear1(x)
        x = self.linear1(x)
        x = self.relu(x)
        x = self.linear2(x)
        return x

inputs = (torch.randn(3, 3),)
edge_graph = to_edge(export(M(), inputs)).exported_program().graph_module.graph
print(edge_graph)
"""
graph():
    %arg0 : [#users=1] = placeholder[target=arg0]
    %_param_constant0 : [#users=1] = get_attr[target=_param_constant0]
    %permute_default : [#users=1] = call_function[target=torch.ops.aten.permute_copy.default](args = (%_param_constant0,), kwargs = {})
    %_param_constant1 : [#users=1] = get_attr[target=_param_constant1]
    %addmm_default : [#users=1] = call_function[target=torch.ops.aten.addmm.default](args = (%_param_constant1, %arg0, %t_default), kwargs = {})
    %_param_constant0_1 : [#users=1] = get_attr[target=_param_constant0]
    %permute_default_1 : [#users=1] = call_function[target=torch.ops.aten.permute_copy.default](args = (%_param_constant0_1,), kwargs = {})
    %_param_constant1_1 : [#users=1] = get_attr[target=_param_constant1]
    %addmm_default_1 : [#users=1] = call_function[target=torch.ops.aten.addmm.default](args = (%_param_constant1_1, %addmm_default, %t_default_1), kwargs = {})
    %relu_default : [#users=1] = call_function[target=torch.ops.aten.relu.default](args = (%addmm_default_1,), kwargs = {})
    %_param_constant2 : [#users=1] = get_attr[target=_param_constant2]
    %permute_default_2 : [#users=1] = call_function[target=torch.ops.aten.permute_copy.default](args = (%_param_constant2,), kwargs = {})
    %_param_constant3 : [#users=1] = get_attr[target=_param_constant3]
    %addmm_default_2 : [#users=1] = call_function[target=torch.ops.aten.addmm.default](args = (%_param_constant3, %relu_default, %t_default_2), kwargs = {})
    return [addmm_default_2]
"""

module_partitions = get_source_partitions(edge_graph, [torch.nn.Linear, torch.nn.ReLU])
print(module_partitions)
"""
{<class 'torch.nn.modules.linear.Linear'>: [
    ModulePartition(nodes=[_param_constant0, t_default, _param_constant1, addmm_default], module_type=<class 'torch.nn.modules.linear.Linear'>, input_nodes=[arg0], output_nodes=[addmm_default], params=["_param_constant0", "_param_constant1"]),
    ModulePartition(nodes=[_param_constant0_1, t_default_1, _param_constant1_1, addmm_default_1], module_type=<class 'torch.nn.modules.linear.Linear'>, input_nodes=[addmm_default], output_nodes=[addmm_default_1], params=["_param_constant0_1", "_param_constant1_1"]),
    ModulePartition(nodes=[_param_constant2, t_default_2, _param_constant3, addmm_default_2], module_type=<class 'torch.nn.modules.linear.Linear'>, input_nodes=[relu_default], output_nodes=[addmm_default_2], params=["_param_constant2", "_param_constant3"])],

 <class 'torch.nn.modules.activation.ReLU'>: [
    ModulePartition(nodes=[relu_default], module_type=<class 'torch.nn.modules.activation.ReLU'>, input_nodes=[addmm_default_1], output_nodes=[relu_default], params=[])]}
"""