torch.compile">

recipes/torch_compile_user_defined_triton_kernel_tutorial

在 Google Colab 中运行

Colab

下载 Notebook

Notebook

在 GitHub 上查看

GitHub

在 torch.compile 中使用用户定义的 Triton 内核

创建日期：2024年4月19日 | 最后更新：2026年4月29日 | 最后验证：2024年11月5日

作者： Oguz Ulgen

用户定义的 Triton 内核可用于优化模型计算的特定部分。这些内核使用 Triton 语言编写，旨在更轻松地实现极致的硬件性能。通过在 torch.compile 中使用用户定义的 Triton 内核，你可以将这些优化后的计算整合到 PyTorch 模型中，从而可能获得显著的性能提升。

本教程演示了如何将用户定义的 Triton 内核与 torch.compile 结合使用。

先决条件

在开始此秘籍之前，请确保您已具备以下条件

• 对 torch.compile 和 Triton 有基本了解。请参考

  • torch.compiler API 文档

  • torch.compile 简介

  • Triton 语言文档

• PyTorch 2.3 或更高版本

• 支持 Triton 的 GPU

import torch
from torch.utils._triton import has_triton

基本用法

在本示例中，我们将结合 torch.compile 使用 Triton 文档中的简单向量加法内核。如需参考，请参阅 Triton 文档。

if not has_triton():
    print("Skipping because triton is not supported on this device.")
else:
    import triton
    from triton import language as tl

    @triton.jit
    def add_kernel(
        in_ptr0,
        in_ptr1,
        out_ptr,
        n_elements,
        BLOCK_SIZE: "tl.constexpr",
    ):
        pid = tl.program_id(axis=0)
        block_start = pid * BLOCK_SIZE
        offsets = block_start + tl.arange(0, BLOCK_SIZE)
        mask = offsets < n_elements
        x = tl.load(in_ptr0 + offsets, mask=mask)
        y = tl.load(in_ptr1 + offsets, mask=mask)
        output = x + y
        tl.store(out_ptr + offsets, output, mask=mask)

    @torch.compile(fullgraph=True)
    def add_fn(x, y):
        output = torch.zeros_like(x)
        n_elements = output.numel()
        grid = lambda meta: (triton.cdiv(n_elements, meta["BLOCK_SIZE"]),)
        add_kernel[grid](x, y, output, n_elements, BLOCK_SIZE=4)
        return output

    x = torch.randn(4, device="cuda")
    y = torch.randn(4, device="cuda")
    out = add_fn(x, y)
    print(f"Vector addition of\nX:\t{x}\nY:\t{y}\nis equal to\n{out}")

Vector addition of
X:      tensor([ 0.5870,  0.4293, -0.1812,  0.4154], device='cuda:0')
Y:      tensor([-1.3115, -0.6079,  0.7410, -0.2501], device='cuda:0')
is equal to
tensor([-0.7246, -0.1786,  0.5598,  0.1652], device='cuda:0')

高级用法

Triton 的自动调优（autotune）功能是一个强大的工具，可以自动优化 Triton 内核的配置参数。它会探索一系列可能的配置，并选择最适合特定用例的配置以实现最佳性能。

当与 torch.compile 结合使用时，triton.autotune 可以帮助确保你的 PyTorch 模型尽可能高效地运行。以下是结合使用 torch.compile 和 triton.autotune 的示例。

注意

torch.compile 仅支持 triton.autotune 中的 configs、keys、restore_value 和 reset_to_zero 参数。

if not has_triton():
    print("Skipping because triton is not supported on this device.")
else:
    import triton
    from triton import language as tl

    @triton.autotune(
        configs=[
            triton.Config({"BLOCK_SIZE": 4}, num_stages=3, num_warps=8),
            triton.Config({"BLOCK_SIZE": 4}, num_stages=4, num_warps=4),
            triton.Config({"BLOCK_SIZE": 2}, num_stages=3, num_warps=8),
            triton.Config({"BLOCK_SIZE": 2}, num_stages=4, num_warps=4),
        ],
        key=[],
    )
    @triton.jit
    def add_kernel_autotuned(
        in_ptr0,
        in_ptr1,
        out_ptr,
        n_elements,
        BLOCK_SIZE: "tl.constexpr",
    ):
        pid = tl.program_id(axis=0)
        block_start = pid * BLOCK_SIZE
        offsets = block_start + tl.arange(0, BLOCK_SIZE)
        mask = offsets < n_elements
        x = tl.load(in_ptr0 + offsets, mask=mask)
        y = tl.load(in_ptr1 + offsets, mask=mask)
        output = x + y
        tl.store(out_ptr + offsets, output, mask=mask)

    @torch.compile(fullgraph=True)
    def add_fn(x, y):
        output = torch.zeros_like(x)
        n_elements = output.numel()
        grid = lambda meta: (triton.cdiv(n_elements, meta["BLOCK_SIZE"]),)
        add_kernel_autotuned[grid](x, y, output, n_elements)
        return output

    x = torch.randn(4, device="cuda")
    y = torch.randn(4, device="cuda")
    out = add_fn(x, y)
    print(f"Vector addition of\nX:\t{x}\nY:\t{y}\nis equal to\n{out}")

Vector addition of
X:      tensor([-0.2110,  1.1786, -1.9163,  1.4693], device='cuda:0')
Y:      tensor([ 1.1126, -0.7698, -1.7958, -0.2113], device='cuda:0')
is equal to
tensor([ 0.9016,  0.4089, -3.7121,  1.2581], device='cuda:0')

可组合性

用户定义的 Triton 内核并不自动支持所有的 PyTorch 子系统。这体现在以下用例中：

• 添加 CPU 回退 (fallback)

• 添加 FlopCounter 公式

• 与张量子类 (Tensor Subclasses) 组合

要与更多的 PyTorch 子系统组合，请使用 torch.library.triton_op。

triton_op 是一种定义自定义算子的结构化方式，由一个或多个 Triton 内核提供支持：与常规自定义算子（torch.library.custom_op）类似，你可以通过 torch.library 指定与 PyTorch 子系统的交互。然而，与 torch.library.custom_op 不同（它对 torch.compile 而言是黑盒可调用对象），torch.compile 可以跟踪进入 triton_op 以应用优化。

以下是将 Triton 内核与 PyTorch 集成时所选 API 的对照表。

	Triton 内核（无显式 torch.library 包装）	torch.library.triton_op	torch.library.custom_op
支持推理	是	是	是
支持训练	在大多数情况下	是	是
支持 torch.compile	是	是	是
支持 torch.compile(fullgraph=True)	在大多数情况下	在大多数情况下	在所有情况下
torch.compile 是否跟踪进入实现内部？	是	是	否
支持 AOTInductor	是	是	否
支持如 FlopCounterMode、CPU 回退、张量子类等 PyTorch 子系统	否	是	是

使用 triton_op 包装 Triton 内核

使用 torch.library.triton_op 包装可能调用一个或多个 Triton 内核的函数。使用 torch.library.wrap_triton 包装对 Triton 内核的调用。

from torch.library import triton_op, wrap_triton

@triton_op("mylib::mysin", mutates_args={})
def mysin(x: torch.Tensor) -> torch.Tensor:
    out = torch.empty_like(x)
    n_elements = x.numel()
    wrap_triton(sin_kernel)[(n_elements,)](x, out, n_elements, BLOCK_SIZE=4)
    return out

@triton.jit
def sin_kernel(
    in_ptr0,
    out_ptr,
    n_elements,
    BLOCK_SIZE: "tl.constexpr",
):
    pid = tl.program_id(axis=0)
    block_start = pid * BLOCK_SIZE
    offsets = block_start + tl.arange(0, BLOCK_SIZE)
    mask = offsets < n_elements
    x = tl.load(in_ptr0 + offsets, mask=mask)
    output = tl.sin(x)
    tl.store(out_ptr + offsets, output, mask=mask)

你可以通过以下两种方式之一调用 triton_op。

x = torch.randn(3, device="cuda")
y = mysin(x)
z = torch.ops.mylib.mysin.default(x)

assert torch.allclose(y, x.sin())
assert torch.allclose(z, x.sin())

由此产生的 triton_op 可与 torch.compile 和 AOTInductor 协同工作。

y = torch.compile(mysin)(x)
assert torch.allclose(y, x.sin())

添加训练支持

使用 register_autograd 为 triton_op 添加自动微分公式。优先使用此方法，而不是 torch.autograd.Function（后者在与 torch.compile 结合时存在各种可组合性陷阱）。

def backward(ctx, grad):
    x, = ctx.saved_tensors
    return grad * x.cos()

def setup_context(ctx, inputs, output):
    x, = inputs
    ctx.save_for_backward(x)

mysin.register_autograd(backward, setup_context=setup_context)

请注意，反向传播必须是 PyTorch 可理解算子的组合。如果你希望反向传播也调用 Triton 内核，那么这些内核也必须包装在 triton_op 中。

@triton.jit
def cos_kernel(
    in_ptr0,
    out_ptr,
    n_elements,
    BLOCK_SIZE: "tl.constexpr",
):
    pid = tl.program_id(axis=0)
    block_start = pid * BLOCK_SIZE
    offsets = block_start + tl.arange(0, BLOCK_SIZE)
    mask = offsets < n_elements
    x = tl.load(in_ptr0 + offsets, mask=mask)
    output = tl.cos(x)
    tl.store(out_ptr + offsets, output, mask=mask)

@triton_op("mylib::mycos", mutates_args={})
def mycos(x: torch.Tensor) -> torch.Tensor:
    out = torch.empty_like(x)
    n_elements = x.numel()
    wrap_triton(cos_kernel)[(n_elements,)](x, out, n_elements, BLOCK_SIZE=4)
    return out

def backward(ctx, grad):
    x, = ctx.saved_tensors
    return grad * mycos(x)

def setup_context(ctx, inputs, output):
    x, = inputs
    ctx.save_for_backward(x)

mysin.register_autograd(backward, setup_context=setup_context)

添加 CPU 回退

Triton 内核无法在 CPU 上运行。使用 register_kernel 为 triton_op 添加 CPU（或任何其他设备）回退逻辑。

@mysin.register_kernel("cpu")
def _(x):
    return torch.sin(x)

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

回退逻辑必须由 PyTorch 算子组成。

添加 FlopCounter 公式

要指定 Triton 内核在 PyTorch 的浮点运算计数器中报告多少 FLOP，请使用 register_flop_formula。

from torch.utils.flop_counter import FlopCounterMode, register_flop_formula

@register_flop_formula(torch.ops.mylib.mysin)
def _(x_shape):
    numel = 1
    for s in x_shape:
        numel *= s
    return numel

x = torch.randn(3, device="cuda")

FlopCounterMode 需要 tabulate 库。在运行下面的代码之前，请确保已安装 tabulate，或运行 pip install tabulate 进行安装。

>>> with FlopCounterMode() as flop_counter:
>>>     y = mysin(x)

限制

截至 PyTorch 2.3，torch.compile 对用户定义的 Triton 内核的支持包括动态形状、torch.autograd.Function、JIT Inductor 和 AOT Inductor。你可以将这些功能组合在一起构建复杂的高性能模型。

PyTorch 2.6 添加了 torch.library.triton_op，增加了对张量子类中用户定义 Triton 内核的支持以及其他高级特性。

然而，需要注意以下限制：

• Triton 特性： 虽然 triton.heuristics 可以独立使用，也可以在 triton.autotune 之前使用，但它不能在 triton.autotune 之后使用。这意味着如果需要同时使用 triton.heuristics 和 triton.autotune，必须先使用 triton.heuristics。

结论

在本教程中，我们探讨了如何利用用户定义的 Triton 内核与 torch.compile。我们深入了解了简单向量加法内核的基本用法以及涉及 Triton 自动调优功能的高级用法。我们还讨论了用户定义 Triton 内核与其他 PyTorch 特性的可组合性，并指出了当前的一些限制。

另请参阅

• 编译优化器

• 使用缩放点积注意力 (Scaled Dot Product Attention) 实现高性能 Transformer