Python 自定义算子

您将学到什么

• 如何将用 Python 编写的自定义算子与 PyTorch 集成

• 如何使用 torch.library.opcheck 测试自定义算子

先决条件

• PyTorch 2.4 或更高版本

PyTorch 提供了一个大型算子库，这些算子可以在张量上工作（例如 torch.add、torch.sum 等）。但是，您可能希望在 PyTorch 中使用新的自定义算子，也许是由第三方库编写的。本教程展示了如何包装 Python 函数，使其行为类似于 PyTorch 原生算子。您可能希望在 PyTorch 中创建自定义算子的原因包括

• 将任意 Python 函数视为相对于 torch.compile 的不透明可调用对象（即，防止 torch.compile 跟踪到该函数内部）。

• 为任意 Python 函数添加训练支持

请注意，如果您的操作可以用现有的 PyTorch 算子的组合来表示，那么通常不需要使用自定义算子 API——所有内容（例如 torch.compile、训练支持）都应该可以正常工作。

示例：将 PIL 的 crop 包装到自定义算子中

假设我们正在使用 PIL 的 crop 操作。

import torch
from torchvision.transforms.functional import to_pil_image, pil_to_tensor
import PIL
import IPython
import matplotlib.pyplot as plt

def crop(pic, box):
    img = to_pil_image(pic.cpu())
    cropped_img = img.crop(box)
    return pil_to_tensor(cropped_img).to(pic.device) / 255.

def display(img):
    plt.imshow(img.numpy().transpose((1, 2, 0)))

img = torch.ones(3, 64, 64)
img *= torch.linspace(0, 1, steps=64) * torch.linspace(0, 1, steps=64).unsqueeze(-1)
display(img)

cropped_img = crop(img, (10, 10, 50, 50))
display(cropped_img)

crop 没有被 torch.compile 开箱即用地有效处理：torch.compile 会在它无法处理的函数上引发“图中断”，而图中断不利于性能。以下代码通过引发错误演示了这一点（如果发生图中断，则使用 fullgraph=True 的 torch.compile 会引发错误）。

@torch.compile(fullgraph=True)
def f(img):
    return crop(img, (10, 10, 50, 50))

# The following raises an error. Uncomment the line to see it.
# cropped_img = f(img)

为了将crop函数封装成黑盒，以便与torch.compile一起使用，我们需要做两件事。

1. 将该函数封装成一个PyTorch自定义算子。

2. 为该算子添加一个“FakeTensor内核”（也称为“元内核”）。给定一些FakeTensors输入（不包含存储的虚拟张量），此函数应该返回您选择的虚拟张量，并包含正确的张量元数据（形状/步长/dtype/设备）。

from typing import Sequence

# Use torch.library.custom_op to define a new custom operator.
# If your operator mutates any input Tensors, their names must be specified
# in the ``mutates_args`` argument.
@torch.library.custom_op("mylib::crop", mutates_args=())
def crop(pic: torch.Tensor, box: Sequence[int]) -> torch.Tensor:
    img = to_pil_image(pic.cpu())
    cropped_img = img.crop(box)
    return (pil_to_tensor(cropped_img) / 255.).to(pic.device, pic.dtype)

# Use register_fake to add a ``FakeTensor`` kernel for the operator
@crop.register_fake
def _(pic, box):
    channels = pic.shape[0]
    x0, y0, x1, y1 = box
    return pic.new_empty(channels, y1 - y0, x1 - x0)

之后，crop现在可以在不中断计算图的情况下工作。

@torch.compile(fullgraph=True)
def f(img):
    return crop(img, (10, 10, 50, 50))

cropped_img = f(img)
display(img)

display(cropped_img)

为crop添加训练支持

使用torch.library.register_autograd为算子添加训练支持。优先使用此方法，而不是直接使用torch.autograd.Function；autograd.Function与PyTorch算子注册API的某些组合可能导致（并且已经导致）与torch.compile组合时出现静默错误。

如果您不需要训练支持，则无需使用torch.library.register_autograd。如果您最终使用没有自动微分注册的custom_op进行训练，我们将引发错误消息。

crop的梯度公式本质上是PIL.paste（我们将推导过程留给读者作为练习）。让我们首先将paste封装成一个自定义算子。

@torch.library.custom_op("mylib::paste", mutates_args=())
def paste(im1: torch.Tensor, im2: torch.Tensor, coord: Sequence[int]) -> torch.Tensor:
    assert im1.device == im2.device
    assert im1.dtype == im2.dtype
    im1_pil = to_pil_image(im1.cpu())
    im2_pil = to_pil_image(im2.cpu())
    PIL.Image.Image.paste(im1_pil, im2_pil, coord)
    return (pil_to_tensor(im1_pil) / 255.).to(im1.device, im1.dtype)

@paste.register_fake
def _(im1, im2, coord):
    assert im1.device == im2.device
    assert im1.dtype == im2.dtype
    return torch.empty_like(im1)

现在让我们使用register_autograd为crop指定梯度公式。

def backward(ctx, grad_output):
    grad_input = grad_output.new_zeros(ctx.pic_shape)
    grad_input = paste(grad_input, grad_output, ctx.coords)
    return grad_input, None

def setup_context(ctx, inputs, output):
    pic, box = inputs
    ctx.coords = box[:2]
    ctx.pic_shape = pic.shape

crop.register_autograd(backward, setup_context=setup_context)

请注意，反向传播必须是PyTorch理解的算子的组合，这就是我们将paste封装成自定义算子而不是直接使用PIL的paste的原因。

img = img.requires_grad_()
result = crop(img, (10, 10, 50, 50))
result.sum().backward()
display(img.grad)

这是正确的梯度，裁剪区域为1（白色），未使用的区域为0（黑色）。

测试Python自定义算子

使用torch.library.opcheck测试自定义算子是否已正确注册。这不会测试梯度在数学上是否正确；请为此编写单独的测试（手动测试或torch.autograd.gradcheck）。

要使用opcheck，请向其传递一组示例输入以进行测试。如果您的算子支持训练，则示例应包含需要梯度的张量。如果您的算子支持多个设备，则示例应包含来自每个设备的张量。

examples = [
    [torch.randn(3, 64, 64), [0, 0, 10, 10]],
    [torch.randn(3, 91, 91, requires_grad=True), [10, 0, 20, 10]],
    [torch.randn(3, 60, 60, dtype=torch.double), [3, 4, 32, 20]],
    [torch.randn(3, 512, 512, requires_grad=True, dtype=torch.double), [3, 4, 32, 45]],
]

for example in examples:
    torch.library.opcheck(crop, example)

可变Python自定义算子

您还可以将修改其输入的Python函数封装成自定义算子。修改输入的函数很常见，因为许多底层内核都是这样编写的；例如，计算sin的内核可能会接收输入和输出张量，并将input.sin()写入输出张量。

我们将使用numpy.sin来演示可变Python自定义算子的示例。

import numpy as np

@torch.library.custom_op("mylib::numpy_sin", mutates_args={"output"}, device_types="cpu")
def numpy_sin(input: torch.Tensor, output: torch.Tensor) -> None:
    assert input.device == output.device
    assert input.device.type == "cpu"
    input_np = input.numpy()
    output_np = output.numpy()
    np.sin(input_np, out=output_np)

由于算子不返回任何内容，因此无需注册FakeTensor内核（元内核）即可使其与torch.compile一起使用。

@torch.compile(fullgraph=True)
def f(x):
    out = torch.empty(3)
    numpy_sin(x, out)
    return out

x = torch.randn(3)
y = f(x)
assert torch.allclose(y, x.sin())

这是一个opcheck运行结果，告诉我们确实已正确注册了算子。opcheck会在我们忘记将输出添加到mutates_args时报错，例如。

example_inputs = [
    [torch.randn(3), torch.empty(3)],
    [torch.randn(0, 3), torch.empty(0, 3)],
    [torch.randn(1, 2, 3, 4, dtype=torch.double), torch.empty(1, 2, 3, 4, dtype=torch.double)],
]

for example in example_inputs:
    torch.library.opcheck(numpy_sin, example)

结论

在本教程中，我们学习了如何使用torch.library.custom_op在Python中创建自定义算子，该算子可与PyTorch子系统（如torch.compile和自动微分）一起使用。

本教程提供了对自定义算子的基本介绍。有关更详细的信息，请参阅

• torch.library文档

• 自定义算子手册