OneFlow源码解析(Op、Kernel与解释器)

OneFlow源码解析(Op、Kernel与解释器)
文章图片

撰文|郑建华
更新|赵露阳
1
Op与Kernel的注册 继续追踪执行流程会发现,ReluFunctor在构造UserOpExpr时会用到UserOpRegistryMgr管理的Op与Kernel。Op表示算子的描述信息,Kernel在不同设备上实现计算。
注册信息保存在私有的map变量中。UserOpRegistryMgr的头文件
https://github.com/Oneflow-In...)中定义了3个宏,REGISTER_USER_OPREGISTER_USER_OP_GRADREGISTER_USER_KERNEL分别用于注册op、grad_op、kernel。
1.1 ReluOp的注册
REGISTER_USER_OP负责UserOp的注册。通过检索代码可以找到这个宏的使用场景。ReluOp相关的源代码在这3个文件中:

  • class定义:
    build/oneflow/core/framework/op_generated.h
  • 注册op、op的部分实现:
    build/oneflow/core/framework/op_generated.cpp
  • 主要实现:
    oneflow/oneflow/user/ops/relu_op.cpp
REGISTER_USER_OP宏在op_generated.cpp中展开后代码如下:
static UserOpRegisterTrigger g_register_trigger715 = ::oneflow::user_op::UserOpRegistryMgr::Get() .CheckAndGetOpRegistry("relu") .Input("x") .Output("y") .SetGetSbpFn(&ReluOp::GetSbp) .SetLogicalTensorDescInferFn(&ReluOp::InferLogicalTensorDesc).SetPhysicalTensorDescInferFn(&ReluOp::InferPhysicalTensorDesc) .SetDataTypeInferFn(&ReluOp::InferDataType);

调用流程如下:
OneFlow源码解析(Op、Kernel与解释器)
文章图片

CheckAndGetOpRegistry(https://github.com/Oneflow-In...)会创建一个OpRegistry(https://github.com/Oneflow-In...)对象,这个类和UserOpRegisterTrigger(https://github.com/Oneflow-In...)类一样,只是为构造OpRegistryResult(https://github.com/Oneflow-In...)用的中间类型。
OpRegistry会暂存中间结果并在Finish中设置一些默认推导逻辑。UserOpRegisterTrigger的构造函数会调用注册逻辑。静态变量就是为了触发构造函数从而调用注册逻辑,将构造好的OpRegistryResult保存到UserOpRegistryMgr(https://github.com/Oneflow-In...)(key是op_type,如relu)。
ReluOp表示一个具体的op_type,负责为OpRegistryResult提供Op特有的方法。
OpRegistryResult把不同的Op抽象为一个通用的结构(便于统一注册管理),主要包含描述信息,保存了op的输入输出描述,以及数据类型、sbp等的推导逻辑函数。对于relu来说,主要是记录了几个推导函数要调用ReluOp的静态方法;op_def主要包含input/output的名字。
1.2 ReluKernel的注册
ReluKernel在relu_kernel.cpp中注册,过程和Op的注册类似。REGISTER_USER_KERNEL宏产开后如下所示:
static UserOpRegisterTrigger g_register_trigger0 = UserOpRegistryMgr::Get(). CheckAndGetOpKernelRegistry("relu"). .SetCreateFn(...) .SetIsMatchedHob(UnaryPrimitiveExists(ep::primitive::UnaryOp::kRelu, "y", "x")) .SetInplaceProposalFn([](const user_op::InferContext&, const user_op::AddInplaceArgPair& AddInplaceArgPairFn) -> Maybe { OF_RETURN_IF_ERROR(AddInplaceArgPairFn("y", 0, "x", 0, true)); return Maybe::Ok(); });

注意SetCreateFn只是把一个如下的lambda表达式赋值给result_.create_fn,这个字段很重要,后续执行就是通过它获取kernel。
[]() { return user_op::NewOpKernel( "y", "x", [](user_op::KernelComputeContext* ctx) { const user_op::TensorDesc* src = https://www.it610.com/article/ctx->TensorDesc4ArgNameAndIndex("x", 0); const user_op::TensorDesc* dst = ctx->TensorDesc4ArgNameAndIndex("y", 0); return ep::primitive::NewPrimitive( ctx->device_type(), ep::primitive::UnaryOp::kRelu, src->data_type(), dst->data_type()); }); }

对于relu来说,NewOpKernel就是new一个UnaryPrimitiveKernel对象并返回函数指针。最终注册的结果,会把OpKernelRegistryResult保存到UserOpRegistryMgr(key是op_type_name,如"relu")。 1.3 Op和Kernel注册相关的类关系图
OneFlow源码解析(Op、Kernel与解释器)
文章图片


2
UserOpExpr的构造 上一篇提到,functional_api.yaml.cpp中的functional::Relu函数通过find("Relu")获取预先注册的PackedFunctor,调用其call方法会执行impl::ReluFunctor
ReluFunctor
https://github.com/Oneflow-In...)的核心代码如下:
class ReluFunctor { public: ReluFunctor() { op_ = CHECK_JUST(one::OpBuilder("relu").Input("x", 1).Output("y", 1).Build()); } Maybe operator()(const std::shared_ptr& x, bool inplace) const { // 忽略inplace相关逻辑 return OpInterpUtil::Dispatch(*op_, {x}); } private: std::shared_ptr op_; };

ReluFunctor
https://github.com/Oneflow-In...)的构造函数中,主要是构造UserOpExpr(https://github.com/Oneflow-In...)。
每一个user op通过OpBuilder的Build()后,都会生成相应的UserOpExpr,用于存储属性、类型/shape/设备等推导方法,用于接下来op/kernel的实际计算。UserOpExpr包含以下成员:
  • base_attrs_
  • tensor_desc_infer_fn_
  • dtype_infer_fn_
  • device_and_stream_infer_fn_
它们分别用于存储该user op相关attrs属性、input/output tensor shape推导方法、数据类型data type推导方法、设备及计算流推导方法等。除了常用的UserOpExpr、还有一些用于系统op的BuiltinOpExpr。
OpBuilderInput/Output调用主要是操作UserOpConfproto对象,Build函数内会修改UserOpConf对象,比如根据OpRegistryResult::op_def补充默认值到attr
之后构造UserOpExpr对象,UserOpConf对象被保存到UserOpExpr的父类BuiltinOpExprImplop_proto_字段,对于relu来说,op_proto_主要保存input, output等信息。UserOpExpr初始化时会从OpRegistryResult拷贝函数变量。
3
Functor的执行 ReluFunctor执行的核心逻辑是调用OpInterpUtil::Dispatch。调运顺序如下:
OneFlow源码解析(Op、Kernel与解释器)
文章图片

整个链路很长,本篇笔记只以Eager Local Mode下,对主要执行流程做一些说明。
3.1 根据环境和输入选择解释器
Dispatch调用的GetInterpreter(https://github.com/Oneflow-In...)返回的是一个AutogradInterpreter(https://github.com/Oneflow-In...)对象,这个类是在其内含的OpExprInterpreter成员变量基础之上增加了autograd的功能。GetIntrpreter内实际构造的是以下3种Interpreter,在Build函数返回时转为AutogradInterpreter
  • LazyInterpreter: 用于lazy mode下的分布式静态图执行模式
  • EagerLocalInterpreter: 用于eager local mode本地单卡执行模式(和pytorch单卡或DDP对齐)
  • EagerGlobalInterpreter: 用于eager global mode,的分布式动态图执行模式
各个Interpreter的关系如下:
OneFlow源码解析(Op、Kernel与解释器)
文章图片

【OneFlow源码解析(Op、Kernel与解释器)】GetInterpreter的作用是根据输入和环境等信息,选择一个合适的解释器。
接着在Dispatch中调用解释器的AutogradInterpreter::Apply方法,在这个方法内调用internal_->Apply(...)(https://github.com/Oneflow-In...),也就是上述3个解释器的Apply方法。
3.2 Apply
通过上面我们知道,EagerLocalInterpreterEagerGlobalnterpreterLazyInterpreter 都将为其包裹上AutogradInterpreter的壳,通过AutogradInterpreter触发Apply的调用。顾名思义,AutogradInterpreter的作用主要是和autograd相关,其主要为eager mode下前向的op节点插入对应的,用于反向计算grad的节点。
下面以最常用的(Eager Mode)模式,讲解Apply的执行方法。在Eager Mode(无论是eager local还是eager consistent)模式下,实际都会走到EagerInterpreter的Apply(https://github.com/Oneflow-In...)方法:
Maybe EagerInterpreter::Apply(const OpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const OpExprInterpContext& ctx) const { #define APPLY_IF(op_type)\ if (const auto* op = dynamic_cast(&op_expr)) { \ return ApplyImpl(*op, inputs, outputs, ctx); \ }APPLY_IF(UserOp); APPLY_IF(VariableOp); APPLY_IF(CastToLocalOp); APPLY_IF(CastFromLocalOp); APPLY_IF(GlobalToGlobalOp); APPLY_IF(CastToGlobalOp); APPLY_IF(CastFromGlobalOp); APPLY_IF(DistributeSplitOp); APPLY_IF(DistributeCloneOp); APPLY_IF(DistributeConcatOp); APPLY_IF(DistributeAddOp); APPLY_IF(FunctionOp); APPLY_IF(SelectTopNOp) #undef APPLY_IFOF_UNIMPLEMENTED() << "The type " << op_expr.op_type_name() << " has not been supported in EagerInterpreter::Apply."; }

这里通过宏定义APPLY_IF,增加了对不同类型op的分支处理,将op_expr dynamic_cast成相应子类op实现的Expr,如对于大多数用户来说,用到的op都是UserOp类型,所以这里实际上会走到这个分支中:
if (const auto* op = dynamic_cast(&op_expr)) { return ApplyImpl(*op, inputs, outputs, ctx); }

再看看EagerLocalInterpreter::ApplyImpl(https://github.com/Oneflow-In...):
Maybe EagerLocalInterpreter::ApplyImpl(const UserOpExpr& op_expr, const TensorTuple& inputs, TensorTuple* outputs, const OpExprInterpContext& ctx) const { return NaiveInterpret(op_expr, inputs, outputs, ctx); }

其最终实现是NaiveInterpret(https://github.com/Oneflow-In...)。
3.3 NaiveInterpret
NaiveInterpret简单来说,主要用于做以下四件事:
  • check input tensor的device是否一致
  • 生成output tensor
  • 为output tensor推导和检查shape/stride/dtype
  • 构建op执行指令,并派发至vm
简化版的代码如下:
Maybe NaiveInterpret(const UserOpExpr& user_op_expr, const TensorTuple& inputs, const Symbol& default_device, TensorTuple* outputs, const OpExprInterpContext& ctx) {const auto& attrs = ctx.attrs; // 检查input tensor是否位于相同device上 ...// 推导outout tensor的设备类型 // Infer devices if (!user_op_expr.has_device_and_stream_infer_fn()) { stream = JUST(GetDefaultStreamByDevice(default_device)); for (int i = 0; i < outputs->size(); i++) { auto* tensor_impl = JUST(TensorImpl4Tensor(outputs->at(i))); *JUST(tensor_impl->mut_device()) = default_device; } } else { need_check_mem_case = false; stream = JUST(user_op_expr.InferDeviceAndStream(attrs, inputs, outputs)); }// 推导outout tensor的形状、数据类型 // Infer shapes and dtypes const auto& device_tag = stream->device()->type(); JUST(user_op_expr.InferPhysicalTensorDesc( attrs, device_tag, [&](int32_t i) -> const TensorMeta* { return CHECK_JUST(TensorImpl4Tensor(inputs[i]))->mut_tensor_meta(); }, [&](int32_t i) -> TensorMeta* { // using thread_local TensorMeta pointer if inplace. // using tensor_impl TensorMeta pointer if not inplace. return output_tensor_metas->at(i); })); // 为output tensor初始化eager_blob_object for (int i = 0; i < output_eager_blob_objects->size(); i++) { auto* tensor_impl = JUST(TensorImpl4Tensor(outputs->at(i))); if (!output_eager_blob_objects->at(i)) { if (!JUST(user_op_expr.SupportNonContiguous())) { std::shared_ptr stride(new Stride(*tensor_impl->shape())); tensor_impl->mut_tensor_meta()->set_stride(stride); } const auto& dep_object = NewLocalDepObject(); JUST(tensor_impl->InitEagerBlobObject(dep_object)); output_eager_blob_objects->at(i) = JUST(tensor_impl->eager_blob_object()); } else { // output i is inplaced. // check thread_local TensorMeta and tensor_impl TensorMeta. CHECK_OR_RETURN(tensor_impl->tensor_meta()->shape() == output_tensor_metas->at(i)->shape()); CHECK_OR_RETURN(tensor_impl->tensor_meta()->dtype() == output_tensor_metas->at(i)->dtype()); } }// 从user_op_expr中取出kernel const auto& kernel = JUST(user_op_expr.MutKernel4Stream(stream)); kernel->set_need_check_mem_case(need_check_mem_case); for (int64_t index : kernel->output_tuple_indexes4mut2_obns()) { output_eager_blob_objects->at(index)->set_is_shape_synced(false); } // kernel dispatch至VM,等待后续实际的调度执行 JUST(PhysicalRun([&](InstructionsBuilder* builder) -> Maybe { return builder->Call(kernel, input_eager_blob_objects, output_eager_blob_objects, ctx, stream); })); return Maybe::Ok(); }

PhysicalRun接受一个lambda functor作为参数,这里即InstructionsBuilder->Call方法,该方法接受kernel、input/output的eager blob object、kernel执行的上下文作为参数。Call方法实际会完成OpCall指令的构建,并最终将其派发至vm指令列表中,等待VM实际调度执行。
参考资料
OneFlow学习笔记:Op注册
https://mp.weixin.qq.com/s/eF...
从Functor到OpExprInterpreter
https://github.com/Oneflow-In...
https://zhuanlan.zhihu.com/p/...
(本文经授权后发布,原文https://segmentfault.com/a/11...
欢迎下载体验 OneFlow v0.8.0 最新版本:
https://github.com/Oneflow-In...

    推荐阅读