用于 torch.compile 的 TensorRT 后端¶
本指南介绍了 Torch-TensorRT torch.compile 后端：一个深度学习编译器，它使用 TensorRT 在各种模型中加速 JIT 风格的工作流。
主要功能¶
Torch-TensorRT torch.compile 后端的主要目标是通过将 torch.compile API 的简洁性与 TensorRT 的高性能相结合，来启用即时编译（Just-In-Time compilation）工作流。调用 torch.compile 后端非常简单，只需导入 torch_tensorrt 包并指定后端即可。
import torch_tensorrt
...
optimized_model = torch.compile(model, backend="torch_tensorrt", dynamic=False)
注意
用户还可以使用许多额外的自定义选项。本指南将更深入地讨论这些选项。
该后端可以处理各种具有挑战性的模型结构，并提供一个简单易用的接口来有效加速模型。此外，它还具有许多自定义选项，以确保编译过程适合特定用例。
可自定义的设置¶
- class torch_tensorrt.dynamo.CompilationSettings(enabled_precisions: ~typing.Set[~torch_tensorrt._enums.dtype] = <factory>, workspace_size: int = 0, min_block_size: int = 5, torch_executed_ops: ~typing.Collection[~typing.Union[~typing.Callable[[...], ~typing.Any], str]] = <factory>, pass_through_build_failures: bool = False, max_aux_streams: ~typing.Optional[int] = None, version_compatible: bool = False, optimization_level: ~typing.Optional[int] = None, use_python_runtime: ~typing.Optional[bool] = False, truncate_double: bool = False, use_fast_partitioner: bool = True, enable_experimental_decompositions: bool = False, device: ~torch_tensorrt._Device.Device = <factory>, require_full_compilation: bool = False, disable_tf32: bool = False, assume_dynamic_shape_support: bool = False, sparse_weights: bool = False, engine_capability: ~torch_tensorrt._enums.EngineCapability = <factory>, num_avg_timing_iters: int = 1, dla_sram_size: int = 1048576, dla_local_dram_size: int = 1073741824, dla_global_dram_size: int = 536870912, dryrun: ~typing.Union[bool, str] = False, hardware_compatible: bool = False, timing_cache_path: str = '/tmp/torch_tensorrt_engine_cache/timing_cache.bin', lazy_engine_init: bool = False, cache_built_engines: bool = False, reuse_cached_engines: bool = False, use_explicit_typing: bool = False, use_fp32_acc: bool = False, refit_identical_engine_weights: bool = False, strip_engine_weights: bool = False, immutable_weights: bool = True, enable_weight_streaming: bool = False, enable_cross_compile_for_windows: bool = False, tiling_optimization_level: str = 'none', l2_limit_for_tiling: int = -1, use_distributed_mode_trace: bool = False, offload_module_to_cpu: bool = False)[源代码]¶
Torch-TensorRT Dynamo 路径的编译设置
- 参数
enabled_precisions (Set[dpython:type]) – 可用的内核 dtype 精度
debug (bool) – 是否打印详细的调试信息
workspace_size (python:int) – TRT 允许为模块使用的工作空间大小（默认为 0）
min_block_size (python:int) – 每个 TRT 引擎块的最小操作符数量
torch_executed_ops (Collection[Target]) – 在 Torch 中运行的操作集合，无论转换器覆盖范围如何
pass_through_build_failures (bool) – 在 TRT 引擎构建错误时是失败（True）还是不失败（False）
max_aux_streams (Optional[python:int]) – 每个引擎允许的最大辅助 TRT 流数量
version_compatible (bool) – 为引擎计划文件提供版本前向兼容性
optimization_level (Optional[python:int]) – 构建器优化级别 0-5，更高级别意味着更长的构建时间，搜索更多的优化选项。TRT 默认为 3
use_python_runtime (Optional[bool]) – 是否严格使用 Python 运行时或 C++ 运行时。要根据 C++ 依赖项的存在自动选择运行时（如果可用，则优先选择 C++ 运行时），请将参数保留为 None
truncate_double (bool) – 是否将 float64 TRT 引擎输入或权重截断为 float32
use_fast_partitioner (bool) – 是使用快速分区系统还是全局图分区系统
enable_experimental_decompositions (bool) – 是启用所有核心 aten 分解还是只启用其中的一个选定子集
device (Device) – 用于编译模型的 GPU
require_full_compilation (bool) – 是否要求图在 TensorRT 中完全编译。仅适用于 ir=”dynamo”；对 torch.compile 路径无效
assume_dynamic_shape_support (bool) – 将此设置为 true 可使转换器适用于动态和静态形状。默认值：False
disable_tf32 (bool) – 是否为 TRT 层禁用 TF32 计算
sparse_weights (bool) – 是否允许构建器使用稀疏权重
engine_capability (trt.EngineCapability) – 将内核选择限制为安全的 GPU 内核或安全的 DLA 内核
num_avg_timing_iters (python:int) – 用于选择内核的平均计时迭代次数
dla_sram_size (python:int) – DLA 用于在层内通信的快速软件管理 RAM。
dla_local_dram_size (python:int) – DLA 用于在操作间共享中间张量数据的主机 RAM
dla_global_dram_size (python:int) – DLA 用于存储权重和元数据以供执行的主机 RAM
dryrun (Union[bool, str]) – 切换“Dryrun”模式，该模式会通过分区运行所有内容，但不进行到 TRT 引擎的转换。打印图结构和分区性质的详细日志。如果指定了字符串路径，则可选择将输出保存到文件
hardware_compatible (bool) – 构建与构建引擎的 GPU 之外的 GPU 架构兼容的 TensorRT 引擎（目前适用于 NVIDIA Ampere 及更新版本）
timing_cache_path (str) – 计时缓存的路径（如果存在）或编译后将保存到的位置
cache_built_engines (bool) – 是否将已编译的 TRT 引擎保存到存储中
reuse_cached_engines (bool) – 是否从存储中加载已编译的 TRT 引擎
use_strong_typing (bool) – 此标志在 TensorRT 编译中启用强类型，它会遵循 Pytorch 模型中设置的精度。当用户有混合精度图时，这很有用。
use_fp32_acc (bool) – 此选项在 matmul 层周围插入转换为 FP32 的节点，TensorRT 确保 matmul 的累积以 FP32 进行。仅当在 enabled_precisions 中配置了 FP16 精度时才使用此选项。
refit_identical_engine_weights (bool) – 是否用相同的权重重置引擎
strip_engine_weights (bool) – 是否剥离引擎权重
immutable_weights (bool) – 构建不可重置的引擎。这对于某些不可重置的层很有用。如果此参数设置为 true，strip_engine_weights 和 refit_identical_engine_weights 将被忽略
enable_weight_streaming (bool) – 启用权重流式传输。
enable_cross_compile_for_windows (bool) – 默认情况下为 False，表示 TensorRT 引擎只能在构建它们的同一平台上执行。True 将启用跨平台兼容性，允许在 Linux 上构建引擎并在 Windows 上运行
tiling_optimization_level (str) – 平铺策略的优化级别。更高级别允许 TensorRT 花费更多时间搜索更好的平铺策略。我们目前支持 ["none", "fast", "moderate", "full"]。
l2_limit_for_tiling (python:int) – 用于平铺优化的目标 L2 缓存使用限制（以字节为单位）（默认为 -1，表示没有限制）。
use_distributed_mode_trace (bool) – 使用 aot_autograd 追踪图。当 DTensor 或分布式张量存在于分布式模型中时启用此功能
自定义设置用法¶
import torch_tensorrt
...
optimized_model = torch.compile(model, backend="torch_tensorrt", dynamic=False,
options={"truncate_long_and_double": True,
"enabled_precisions": {torch.float, torch.half},
"debug": True,
"min_block_size": 2,
"torch_executed_ops": {"torch.ops.aten.sub.Tensor"},
"optimization_level": 4,
"use_python_runtime": False,})
注意
量化/INT8 支持计划在未来版本中推出；目前，我们支持 FP16 和 FP32 精度层。
编译¶
通过向模型传递输入来触发编译，如下所示
import torch_tensorrt
...
# Causes model compilation to occur
first_outputs = optimized_model(*inputs)
# Subsequent inference runs with the same, or similar inputs will not cause recompilation
# For a full discussion of this, see "Recompilation Conditions" below
second_outputs = optimized_model(*inputs)
编译后¶
编译对象可用于 Python 会话内的推理，并将根据下面详述的重新编译条件进行重新编译。除了一般推理外，编译过程还可以作为一个有用的工具，用于确定模型性能、当前算子覆盖范围以及序列化的可行性。下面将详细介绍这些要点。
模型性能¶
从 torch.compile 返回的优化模型对于模型基准测试非常有用，因为它可以自动处理编译上下文的变化，或可能需要重新编译的不同输入。在对不同分布、批处理大小或其他标准的输入进行基准测试时，这可以节省时间。
算子覆盖范围¶
编译也是确定特定模型算子覆盖范围的有用工具。例如，以下编译命令将显示每个图的算子覆盖范围，但不会编译模型——有效地提供了一种“预演”机制
import torch_tensorrt
...
optimized_model = torch.compile(model, backend="torch_tensorrt", dynamic=False,
options={"debug": True,
"min_block_size": float("inf"),})
如果您的模型的关键算子不受支持，请参阅 dynamo_conversion 来贡献您自己的转换器，或在此处提交问题：https://github.com/pytorch/TensorRT/issues。
序列化的可行性¶
编译还有助于展示图中断以及特定模型序列化的可行性。例如，如果一个模型没有图中断并且使用 Torch-TensorRT 后端成功编译，那么该模型应该可以通过 torch_tensorrt Dynamo IR 进行编译和序列化，如 使用 Torch-TensorRT 的动态形状 中所讨论的。要确定模型中的图中断数量，torch._dynamo.explain 函数非常有用
import torch
import torch_tensorrt
...
explanation = torch._dynamo.explain(model)(*inputs)
print(f"Graph breaks: {explanation.graph_break_count}")
optimized_model = torch.compile(model, backend="torch_tensorrt", dynamic=False, options={"truncate_long_and_double": True})
动态形状支持¶
Torch-TensorRT torch.compile 后端目前会为遇到的每个新批次大小重新编译，并且在使用此后端进行编译时，首选使用 dynamic=False 参数。完整的动态形状支持计划在未来版本中提供。
重新编译条件¶
一旦模型被编译，具有相同形状和数据类型、并以相同方式遍历图的后续推理输入将不需要重新编译。此外，每个新的重新编译都将在 Python 会话期间被缓存。例如，如果向模型提供了批处理大小为 4 和 8 的输入，导致两次重新编译，那么在同一会话内进行推理时，未来具有这些批处理大小的输入将不再需要重新编译。对引擎缓存序列化的支持计划在未来版本中提供。
重新编译通常由两个事件之一触发：遇到不同大小的输入或以不同方式遍历模型代码的输入。后一种情况可能发生在模型代码包含条件逻辑、复杂循环或数据依赖形状时。torch.compile 在这两种情况下都会处理 guarding，并确定何时需要重新编译。
