自动加载树外扩展¶
作者: 纪元昊
扩展自动加载机制使 PyTorch 能够自动加载树外后端扩展,无需显式导入语句。此功能对用户有利,因为它可以增强他们的体验,并使他们能够遵循熟悉的 PyTorch 设备编程模型,而无需显式加载或导入特定于设备的扩展。此外,它还简化了现有 PyTorch 应用程序的轻松采用,无需对树外设备进行任何代码更改。有关更多详细信息,请参阅 [RFC] 自动加载设备扩展。
如何在 PyTorch 中使用树外扩展自动加载
回顾 Intel Gaudi HPU、华为 Ascend NPU 的示例
PyTorch v2.5 或更高版本
注意
此功能默认启用,可以通过使用 export TORCH_DEVICE_BACKEND_AUTOLOAD=0
来禁用。如果您收到类似这样的错误:“无法加载后端扩展”,则此错误与 PyTorch 无关,您应该禁用此功能并向树外扩展维护者寻求帮助。
如何将此机制应用于树外扩展?¶
例如,假设您有一个名为 foo
的后端和一个名为 torch_foo
的相应软件包。确保您的软件包与 PyTorch 2.5 或更高版本兼容,并在其 __init__.py
文件中包含以下代码段
def _autoload():
print("Check things are working with `torch.foo.is_available()`.")
然后,您唯一需要做的事情就是在 Python 软件包中定义一个入口点
setup(
name="torch_foo",
version="1.0",
entry_points={
"torch.backends": [
"torch_foo = torch_foo:_autoload",
],
}
)
现在,您可以通过简单地添加 import torch
语句来导入 torch_foo
模块,而无需再添加 import torch_foo
。
>>> import torch
Check things are working with `torch.foo.is_available()`.
>>> torch.foo.is_available()
True
在某些情况下,您可能会遇到循环导入问题。以下示例演示了如何解决这些问题。
示例¶
在本示例中,我们将使用英特尔 Gaudi HPU 和华为昇腾 NPU 来确定如何使用自动加载功能将您的树外扩展与 PyTorch 集成。
habana_frameworks.torch 是一个 Python 包,允许用户通过使用 PyTorch HPU
设备密钥在英特尔 Gaudi 上运行 PyTorch 程序。
habana_frameworks.torch
是 habana_frameworks
的一个子模块,我们在 habana_frameworks/setup.py
中的 __autoload()
中添加了一个入口点。
setup(
name="habana_frameworks",
version="2.5",
+ entry_points={
+ 'torch.backends': [
+ "device_backend = habana_frameworks:__autoload",
+ ],
+ }
)
在 habana_frameworks/init.py
中,我们使用全局变量来跟踪我们的模块是否已加载。
import os
is_loaded = False # A member variable of habana_frameworks module to track if our module has been imported
def __autoload():
# This is an entrypoint for pytorch autoload mechanism
# If the following condition is true, that means our backend has already been loaded, either explicitly
# or by the autoload mechanism and importing it again should be skipped to avoid circular imports
global is_loaded
if is_loaded:
return
import habana_frameworks.torch
在 habana_frameworks/torch/init.py
中,我们通过更新全局变量的状态来防止循环导入。
import os
# This is to prevent torch autoload mechanism from causing circular imports
import habana_frameworks
habana_frameworks.is_loaded = True
torch_npu 允许用户在华为昇腾 NPU 上运行 PyTorch 程序,它利用 PrivateUse1
设备密钥并将设备名称公开为 npu
,供最终用户使用。
我们在 torch_npu/setup.py 中定义了一个入口点。
setup(
name="torch_npu",
version="2.5",
+ entry_points={
+ 'torch.backends': [
+ 'torch_npu = torch_npu:_autoload',
+ ],
+ }
)
与 habana_frameworks
不同,torch_npu
使用环境变量 TORCH_DEVICE_BACKEND_AUTOLOAD
来控制自动加载过程。例如,我们将它设置为 0
以禁用自动加载,以防止循环导入。
# Disable autoloading before running 'import torch'
os.environ['TORCH_DEVICE_BACKEND_AUTOLOAD'] = '0'
import torch
工作原理¶
自动加载是基于 Python 的 入口点 机制实现的。我们在 torch/__init__.py
中发现并加载树外扩展定义的所有特定入口点。
如上所示,在安装 torch_foo
后,您的 Python 模块可以在加载您定义的入口点时导入,然后您可以在调用它时执行一些必要的工作。
查看此拉取请求中的实现:[RFC] Add support for device extension autoloading。
结论¶
在本教程中,我们了解了 PyTorch 中的树外扩展自动加载机制,它可以自动加载后端扩展,无需添加额外的导入语句。我们还了解了如何通过定义入口点将此机制应用于树外扩展,以及如何防止循环导入。我们还回顾了如何使用英特尔 Gaudi HPU 和华为昇腾 NPU 使用自动加载机制的示例。