torch.library#

创建于: 2022年6月13日 | 最新更新于: 2025年6月7日

torch.library 是一组用于扩展 PyTorch 核心操作符库的 API。它包含用于测试自定义操作符、创建新自定义操作符以及扩展使用 PyTorch C++ 操作符注册 API (例如 aten 操作符) 定义的操作符的实用程序。

有关有效使用这些 API 的详细指南，请参阅 PyTorch 自定义操作符入门页面以了解更多关于如何有效使用这些 API 的信息。

测试自定义操作#

使用 torch.library.opcheck() 来测试自定义操作符是否不正确地使用了 Python torch.library 和/或 C++ TORCH_LIBRARY API。此外，如果您的操作符支持训练，请使用 torch.autograd.gradcheck() 来测试梯度是否数学上正确。

torch.library.opcheck(op, args, kwargs=None, *, test_utils=('test_schema', 'test_autograd_registration', 'test_faketensor', 'test_aot_dispatch_dynamic'), raise_exception=True, atol=None, rtol=None)[source]#

给定一个操作符和一些示例参数，测试该操作符是否正确注册。

也就是说，当您使用 torch.library/TORCH_LIBRARY API 创建自定义操作符时，您指定了关于自定义操作符的元数据（例如可变性信息），并且这些 API 要求您传递给它们的函数满足某些属性（例如 fake/meta/abstract 内核中没有数据指针访问）。opcheck 测试这些元数据和属性。

具体来说，我们测试以下内容：

test_schema：如果 schema 与操作符的实现匹配。例如：如果 schema 指定 Tensor 是可变的，则我们检查实现是否使 Tensor 可变。如果 schema 指定我们返回一个新的 Tensor，则我们检查实现是否返回一个新的 Tensor（而不是现有 Tensor 或现有 Tensor 的视图）。
test_autograd_registration：如果操作符支持训练（autograd）：我们检查其 autograd 公式是否通过 torch.library.register_autograd 或手动注册到一个或多个 DispatchKey::Autograd 键。任何其他基于 DispatchKey 的注册都可能导致未定义的行为。
test_faketensor：如果操作符有一个 FakeTensor 内核（以及它是否正确）。FakeTensor 内核对于操作符与 PyTorch 编译 API (torch.compile/export/FX) 配合使用是必要的（但不是充分的）。我们检查是否为操作符注册了 FakeTensor 内核（有时也称为元内核）并且它是正确的。此测试将操作符在真实张量上运行的结果与在 FakeTensor 上运行的结果进行比较，并检查它们是否具有相同的 Tensor 元数据（大小/步幅/dtype/设备等）。
test_aot_dispatch_dynamic：如果操作符与 PyTorch 编译 API (torch.compile/export/FX) 具有正确的行为。这将检查在 eager-mode PyTorch 和 torch.compile 下，输出（以及梯度，如果适用）是否相同。此测试是 test_faketensor 的超集，是一个端到端测试；它还测试其他内容，例如操作符是否支持函数化，以及反向传播（如果存在）是否也支持 FakeTensor 和函数化。

为了获得最佳结果，请使用具有代表性输入集多次调用 opcheck。如果您的操作符支持 autograd，请使用 opcheck 和 requires_grad = True 的输入；如果您的操作符支持多个设备（例如 CPU 和 CUDA），请使用 opcheck 和所有支持设备上的输入。

参数

op (Union[OpOverload, OpOverloadPacket, CustomOpDef]) – 操作符。必须是使用 torch.library.custom_op() 装饰的函数，或 torch.ops.* 中找到的 OpOverload/OpOverloadPacket（例如 torch.ops.aten.sin, torch.ops.mylib.foo）
args (tuple[Any, ...]) – 操作符的参数
kwargs (Optional[dict[str, Any]]) – 操作符的关键字参数
test_utils (Union[str, Sequence[str]]) – 应该运行的测试。默认：所有测试。示例：("test_schema", "test_faketensor")
raise_exception (bool) – 如果在第一个错误时应抛出异常。如果为 False，将返回一个字典，其中包含每个测试是否通过的信息。
rtol (Optional[float]) – 浮点比较的相对容差。如果指定，则 atol 也必须指定。如果省略，将根据 dtype 选择默认值（参见 torch.testing.assert_close() 中的表格）。
atol (Optional[float]) – 浮点比较的绝对容差。如果指定，则 rtol 也必须指定。如果省略，将根据 dtype 选择默认值（参见 torch.testing.assert_close() 中的表格）。

返回类型

dict[str, str]

警告

opcheck 和 torch.autograd.gradcheck() 测试不同的东西；opcheck 测试您对 torch.library API 的使用是否正确，而 torch.autograd.gradcheck() 测试您的自动梯度公式是否在数学上正确。同时使用它们来测试支持梯度计算的自定义操作。

示例

>>> @torch.library.custom_op("mylib::numpy_mul", mutates_args=())
>>> def numpy_mul(x: Tensor, y: float) -> Tensor:
>>>     x_np = x.numpy(force=True)
>>>     z_np = x_np * y
>>>     return torch.from_numpy(z_np).to(x.device)
>>>
>>> @numpy_mul.register_fake
>>> def _(x, y):
>>>     return torch.empty_like(x)
>>>
>>> def setup_context(ctx, inputs, output):
>>>     y, = inputs
>>>     ctx.y = y
>>>
>>> def backward(ctx, grad):
>>>     return grad * ctx.y, None
>>>
>>> numpy_mul.register_autograd(backward, setup_context=setup_context)
>>>
>>> sample_inputs = [
>>>     (torch.randn(3), 3.14),
>>>     (torch.randn(2, 3, device='cuda'), 2.718),
>>>     (torch.randn(1, 10, requires_grad=True), 1.234),
>>>     (torch.randn(64, 64, device='cuda', requires_grad=True), 90.18),
>>> ]
>>>
>>> for args in sample_inputs:
>>>     torch.library.opcheck(numpy_mul, args)

在 Python 中创建新的自定义操作#

使用 torch.library.custom_op() 创建新的自定义操作。

torch.library.custom_op(name, fn=None, /, *, mutates_args, device_types=None, schema=None, tags=None)[源]#

将函数封装到自定义运算符中。

您可能想要创建自定义操作的原因包括：- 将第三方库或自定义内核封装起来以与 PyTorch 子系统（如 Autograd）一起使用。- 防止 torch.compile/export/FX 跟踪窥探您的函数内部。

此 API 用作函数周围的装饰器（请参阅示例）。提供的函数必须具有类型提示；这些是与 PyTorch 的各种子系统接口所必需的。

参数

name (str) – 自定义操作的名称，形式为“{namespace}::{name}”，例如“mylib::my_linear”。该名称用作操作在 PyTorch 子系统（例如 torch.export、FX 图）中的稳定标识符。为避免名称冲突，请使用您的项目名称作为命名空间；例如，pytorch/fbgemm 中的所有自定义操作都使用“fbgemm”作为命名空间。
mutates_args (Iterable[str] 或 "unknown") – 函数修改的参数名称。这必须准确，否则行为是未定义的。如果为“unknown”，则悲观地假定运算符的所有输入都被修改。
device_types (None | str | Sequence[str]) – 函数有效的设备类型。如果未提供设备类型，则该函数将用作所有设备类型的默认实现。示例：“cpu”、“cuda”。当为不接受张量的运算符注册特定于设备的实现时，我们要求运算符具有“device: torch.device 参数”。
schema (None | str) – 运算符的模式字符串。如果为 None（推荐），我们将从其类型注释中推断出运算符的模式。除非您有特殊原因不这样做，否则我们建议让 PyTorch 推断模式。示例：“(Tensor x, int y) -> (Tensor, Tensor)”。

返回类型

Union[Callable[[Callable[[…], object]], CustomOpDef], CustomOpDef]

注意

我们建议不要传入 schema 参数，而是让我们从类型注释中推断它。自己编写模式容易出错。如果我们对类型注释的解释不是您想要的，您可能希望提供自己的模式。有关如何编写模式字符串的更多信息，请参阅此处

示例：

>>> import torch
>>> from torch import Tensor
>>> from torch.library import custom_op
>>> import numpy as np
>>>
>>> @custom_op("mylib::numpy_sin", mutates_args=())
>>> def numpy_sin(x: Tensor) -> Tensor:
>>>     x_np = x.cpu().numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np).to(device=x.device)
>>>
>>> x = torch.randn(3)
>>> y = numpy_sin(x)
>>> assert torch.allclose(y, x.sin())
>>>
>>> # Example of a custom op that only works for one device type.
>>> @custom_op("mylib::numpy_sin_cpu", mutates_args=(), device_types="cpu")
>>> def numpy_sin_cpu(x: Tensor) -> Tensor:
>>>     x_np = x.numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np)
>>>
>>> x = torch.randn(3)
>>> y = numpy_sin_cpu(x)
>>> assert torch.allclose(y, x.sin())
>>>
>>> # Example of a custom op that mutates an input
>>> @custom_op("mylib::numpy_sin_inplace", mutates_args={"x"}, device_types="cpu")
>>> def numpy_sin_inplace(x: Tensor) -> None:
>>>     x_np = x.numpy()
>>>     np.sin(x_np, out=x_np)
>>>
>>> x = torch.randn(3)
>>> expected = x.sin()
>>> numpy_sin_inplace(x)
>>> assert torch.allclose(x, expected)
>>>
>>> # Example of a factory function
>>> @torch.library.custom_op("mylib::bar", mutates_args={}, device_types="cpu")
>>> def bar(device: torch.device) -> Tensor:
>>>     return torch.ones(3)
>>>
>>> bar("cpu")

torch.library.triton_op(name, fn=None, /, *, mutates_args, schema=None)[源]#

创建一个自定义运算符，其实现由 1 个或多个 Triton 内核支持。

这是使用 Triton 内核与 PyTorch 更结构化的方式。优先使用没有 torch.library 自定义运算符包装器（如 torch.library.custom_op()、torch.library.triton_op()）的 Triton 内核，因为它更简单；仅当您想创建行为类似于 PyTorch 内置运算符的运算符时才使用 torch.library.custom_op()/torch.library.triton_op()。例如，您可以使用 torch.library 包装器 API 来定义 Triton 内核在传递张量子类或在 TorchDispatchMode 下的行为。

当实现包含 1 个或多个 Triton 内核时，请使用 torch.library.triton_op() 而不是 torch.library.custom_op()。torch.library.custom_op() 将自定义运算符视为不透明的（torch.compile() 和 torch.export.export() 永远不会跟踪它们），但 triton_op 会使实现对这些子系统可见，允许它们优化 Triton 内核。

请注意，fn 必须仅包含对 PyTorch 可理解运算符和 Triton 内核的调用。在 fn 内部调用的任何 Triton 内核都必须封装在对 torch.library.wrap_triton() 的调用中。

参数

name (str) – 自定义操作的名称，形式为“{namespace}::{name}”，例如“mylib::my_linear”。该名称用作操作在 PyTorch 子系统（例如 torch.export、FX 图）中的稳定标识符。为避免名称冲突，请使用您的项目名称作为命名空间；例如，pytorch/fbgemm 中的所有自定义操作都使用“fbgemm”作为命名空间。
mutates_args (Iterable[str] 或 "unknown") – 函数修改的参数名称。这必须准确，否则行为是未定义的。如果为“unknown”，则悲观地假定运算符的所有输入都被修改。
schema (None | str) – 运算符的模式字符串。如果为 None（推荐），我们将从其类型注释中推断出运算符的模式。除非您有特殊原因不这样做，否则我们建议让 PyTorch 推断模式。示例：“(Tensor x, int y) -> (Tensor, Tensor)”。

返回类型

Callable

示例

>>> import torch
>>> from torch.library import triton_op, wrap_triton
>>>
>>> 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)
>>>
>>> @triton_op("mylib::add", mutates_args={})
>>> def add(x: torch.Tensor, y: torch.Tensor) -> torch.Tensor:
>>>     output = torch.empty_like(x)
>>>     n_elements = output.numel()
>>>
>>>     def grid(meta):
>>>         return (triton.cdiv(n_elements, meta["BLOCK_SIZE"]),)
>>>
>>>     # NB: we need to wrap the triton kernel in a call to wrap_triton
>>>     wrap_triton(add_kernel)[grid](x, y, output, n_elements, 16)
>>>     return output
>>>
>>> @torch.compile
>>> def f(x, y):
>>>     return add(x, y)
>>>
>>> x = torch.randn(3, device="cuda")
>>> y = torch.randn(3, device="cuda")
>>>
>>> z = f(x, y)
>>> assert torch.allclose(z, x + y)

torch.library.wrap_triton(triton_kernel, /)[源]#

允许通过 make_fx 或非严格 torch.export 将 Triton 内核捕获到图中。

这些技术执行基于 Dispatcher 的跟踪（通过 __torch_dispatch__），无法看到对原始 Triton 内核的调用。wrap_triton API 将 Triton 内核封装到一个可调用对象中，该对象实际上可以跟踪到图中。

请将此 API 与 torch.library.triton_op() 一起使用。

示例

>>> import torch
>>> import triton
>>> from triton import language as tl
>>> from torch.fx.experimental.proxy_tensor import make_fx
>>> from torch.library import wrap_triton
>>>
>>> @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)
>>>
>>> def add(x, y):
>>>     output = torch.empty_like(x)
>>>     n_elements = output.numel()
>>>
>>>     def grid_fn(meta):
>>>         return (triton.cdiv(n_elements, meta["BLOCK_SIZE"]),)
>>>
>>>     wrap_triton(add_kernel)[grid_fn](x, y, output, n_elements, 16)
>>>     return output
>>>
>>> x = torch.randn(3, device="cuda")
>>> y = torch.randn(3, device="cuda")
>>> gm = make_fx(add)(x, y)
>>> print(gm.code)
>>> # def forward(self, x_1, y_1):
>>> #     empty_like = torch.ops.aten.empty_like.default(x_1, pin_memory = False)
>>> #     triton_kernel_wrapper_mutation_proxy = triton_kernel_wrapper_mutation(
>>> #         kernel_idx = 0, constant_args_idx = 0,
>>> #         grid = [(1, 1, 1)], kwargs = {
>>> #             'in_ptr0': x_1, 'in_ptr1': y_1, 'out_ptr': empty_like,
>>> #             'n_elements': 3, 'BLOCK_SIZE': 16
>>> #         })
>>> #     return empty_like

返回类型: 任何

扩展自定义操作（由 Python 或 C++ 创建）#

使用 register.* 方法，例如 torch.library.register_kernel() 和 torch.library.register_fake()，为任何运算符添加实现（它们可能已使用 torch.library.custom_op() 或通过 PyTorch 的 C++ 运算符注册 API 创建）。

torch.library.register_kernel(op, device_types, func=None, /, *, lib=None)[源]#

为该运算符的设备类型注册一个实现。

一些有效的设备类型包括：“cpu”、“cuda”、“xla”、“mps”、“ipu”、“xpu”。此 API 可用作装饰器。

参数

op (str | OpOverload) – 要注册实现的运算符。
device_types (None | str | Sequence[str]) – 要注册实现的设备类型。如果为 None，我们将注册到所有设备类型——请仅在您的实现真正与设备类型无关时才使用此选项。
func (Callable) – 要注册为给定设备类型实现的函数。
lib (Optional[Library]) – 如果提供，此注册的生命周期

示例：

>>> import torch
>>> from torch import Tensor
>>> from torch.library import custom_op
>>> import numpy as np
>>>
>>> # Create a custom op that works on cpu
>>> @custom_op("mylib::numpy_sin", mutates_args=(), device_types="cpu")
>>> def numpy_sin(x: Tensor) -> Tensor:
>>>     x_np = x.numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np)
>>>
>>> # Add implementations for the cuda device
>>> @torch.library.register_kernel("mylib::numpy_sin", "cuda")
>>> def _(x):
>>>     x_np = x.cpu().numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np).to(device=x.device)
>>>
>>> x_cpu = torch.randn(3)
>>> x_cuda = x_cpu.cuda()
>>> assert torch.allclose(numpy_sin(x_cpu), x_cpu.sin())
>>> assert torch.allclose(numpy_sin(x_cuda), x_cuda.sin())

torch.library.register_autocast(op, device_type, cast_inputs, /, *, lib=None)[源]#

为此自定义操作注册一个自动混合精度调度规则。

有效的 device_type 包括：“cpu”和“cuda”。

参数

op (str | OpOverload) – 要注册自动混合精度调度规则的运算符。
device_type (str) – 要使用的设备类型。“cuda”或“cpu”。该类型与 torch.device 的 type 属性相同。因此，您可以使用 Tensor.device.type 获取张量的设备类型。
cast_inputs (torch.dtype) – 当自定义操作在自动混合精度启用区域中运行时，将传入的浮点张量转换为目标 dtype（非浮点张量不受影响），然后禁用自动混合精度执行自定义操作。
lib (Optional[Library]) – 如果提供，此注册的生命周期

示例：

>>> import torch
>>> from torch import Tensor
>>> from torch.library import custom_op
>>>
>>> # Create a custom op that works on cuda
>>> @torch.library.custom_op("mylib::my_sin", mutates_args=())
>>> def my_sin(x: Tensor) -> Tensor:
>>>     return torch.sin(x)
>>>
>>> # Register autocast dispatch rule for the cuda device
>>> torch.library.register_autocast("mylib::my_sin", "cuda", torch.float16)
>>>
>>> x = torch.randn(3, dtype=torch.float32, device="cuda")
>>> with torch.autocast("cuda", dtype=torch.float16):
>>>     y = torch.ops.mylib.my_sin(x)
>>> assert y.dtype == torch.float16

torch.library.register_autograd(op, backward, /, *, setup_context=None, lib=None)[源]#

为此自定义操作注册一个反向公式。

为了使运算符与自动梯度配合使用，您需要注册一个反向公式：1. 您必须通过提供“backward”函数来告诉我们如何在反向传播期间计算梯度。2. 如果您需要前向传播中的任何值来计算梯度，您可以使用 setup_context 来保存反向传播所需的值。

backward 在反向传播期间运行。它接受 (ctx, *grads)：- grads 是一个或多个梯度。梯度的数量与运算符的输出数量匹配。ctx 对象是与上下文方法混合使用的 ctx 对象，由 torch.autograd.Function 使用。backward_fn 的语义与 torch.autograd.Function.backward() 相同。

setup_context(ctx, inputs, output) 在前向传播期间运行。请通过 torch.autograd.function.FunctionCtx.save_for_backward() 或将其作为 ctx 的属性赋值来保存反向传播所需的值。如果您的自定义操作具有仅限 kwarg 的参数，我们希望 setup_context 的签名是 setup_context(ctx, inputs, keyword_only_inputs, output)。

setup_context_fn 和 backward_fn 都必须是可跟踪的。也就是说，它们不能直接访问 torch.Tensor.data_ptr()，并且它们不能依赖或改变全局状态。如果您需要不可跟踪的反向传播，您可以将其作为单独的 custom_op，在 backward_fn 中调用。

如果您需要在不同设备上进行不同的自动梯度行为，我们建议创建两个不同的自定义运算符，每个需要不同行为的设备一个，并在运行时在它们之间切换。

示例

>>> import torch
>>> import numpy as np
>>> from torch import Tensor
>>>
>>> @torch.library.custom_op("mylib::numpy_sin", mutates_args=())
>>> def numpy_sin(x: Tensor) -> Tensor:
>>>     x_np = x.cpu().numpy()
>>>     y_np = np.sin(x_np)
>>>     return torch.from_numpy(y_np).to(device=x.device)
>>>
>>> def setup_context(ctx, inputs, output) -> Tensor:
>>>     x, = inputs
>>>     ctx.save_for_backward(x)
>>>
>>> def backward(ctx, grad):
>>>     x, = ctx.saved_tensors
>>>     return grad * x.cos()
>>>
>>> torch.library.register_autograd(
...     "mylib::numpy_sin", backward, setup_context=setup_context
... )
>>>
>>> x = torch.randn(3, requires_grad=True)
>>> y = numpy_sin(x)
>>> (grad_x,) = torch.autograd.grad(y, x, torch.ones_like(y))
>>> assert torch.allclose(grad_x, x.cos())
>>>
>>> # Example with a keyword-only arg
>>> @torch.library.custom_op("mylib::numpy_mul", mutates_args=())
>>> def numpy_mul(x: Tensor, *, val: float) -> Tensor:
>>>     x_np = x.cpu().numpy()
>>>     y_np = x_np * val
>>>     return torch.from_numpy(y_np).to(device=x.device)
>>>
>>> def setup_context(ctx, inputs, keyword_only_inputs, output) -> Tensor:
>>>     ctx.val = keyword_only_inputs["val"]
>>>
>>> def backward(ctx, grad):
>>>     return grad * ctx.val
>>>
>>> torch.library.register_autograd(
...     "mylib::numpy_mul", backward, setup_context=setup_context
... )
>>>
>>> x = torch.randn(3, requires_grad=True)
>>> y = numpy_mul(x, val=3.14)
>>> (grad_x,) = torch.autograd.grad(y, x, torch.ones_like(y))
>>> assert torch.allclose(grad_x, torch.full_like(x, 3.14))

torch.library.register_fake(op, func=None, /, *, lib=None, _stacklevel=1, allow_override=False)[源]#

为该运算符注册一个 FakeTensor 实现（“假实现”）。

有时也称为“元核”、“抽象实现”。

“FakeTensor 实现”指定此运算符在不携带数据（“FakeTensor”）的张量上的行为。给定具有某些属性（大小/步幅/存储偏移/设备）的输入张量，它指定输出张量的属性是什么。

FakeTensor 实现具有与运算符相同的签名。它对 FakeTensor 和元张量都运行。要编写 FakeTensor 实现，请假定运算符的所有张量输入都是常规的 CPU/CUDA/Meta 张量，但它们没有存储，并且您正在尝试将常规的 CPU/CUDA/Meta 张量作为输出返回。FakeTensor 实现必须仅包含 PyTorch 操作（并且不得直接访问任何输入或中间张量的存储或数据）。

此 API 可用作装饰器（请参阅示例）。

有关自定义操作的详细指南，请参阅 https://pytorch.ac.cn/tutorials/advanced/custom_ops_landing_page.html

参数

op_name – 运算符名称（以及重载）或 OpOverload 对象。
func (Optional[Callable]) – 假张量实现。
lib (Optional[Library]) – 要注册假张量的库。
allow_override (bool) – 控制是否要覆盖现有注册的假实现的标志。这默认关闭，并且如果您尝试向已注册假实现的运算符注册假实现，则会出错。这也仅适用于未通过 torch.library.custom_op 创建的自定义运算符，因为已允许覆盖和现有假实现。

示例

>>> import torch
>>> import numpy as np
>>> from torch import Tensor
>>>
>>> # Example 1: an operator without data-dependent output shape
>>> @torch.library.custom_op("mylib::custom_linear", mutates_args=())
>>> def custom_linear(x: Tensor, weight: Tensor, bias: Tensor) -> Tensor:
>>>     raise NotImplementedError("Implementation goes here")
>>>
>>> @torch.library.register_fake("mylib::custom_linear")
>>> def _(x, weight, bias):
>>>     assert x.dim() == 2
>>>     assert weight.dim() == 2
>>>     assert bias.dim() == 1
>>>     assert x.shape[1] == weight.shape[1]
>>>     assert weight.shape[0] == bias.shape[0]
>>>     assert x.device == weight.device
>>>
>>>     return (x @ weight.t()) + bias
>>>
>>> with torch._subclasses.fake_tensor.FakeTensorMode():
>>>     x = torch.randn(2, 3)
>>>     w = torch.randn(3, 3)
>>>     b = torch.randn(3)
>>>     y = torch.ops.mylib.custom_linear(x, w, b)
>>>
>>> assert y.shape == (2, 3)
>>>
>>> # Example 2: an operator with data-dependent output shape
>>> @torch.library.custom_op("mylib::custom_nonzero", mutates_args=())
>>> def custom_nonzero(x: Tensor) -> Tensor:
>>>     x_np = x.numpy(force=True)
>>>     res = np.stack(np.nonzero(x_np), axis=1)
>>>     return torch.tensor(res, device=x.device)
>>>
>>> @torch.library.register_fake("mylib::custom_nonzero")
>>> def _(x):
>>> # Number of nonzero-elements is data-dependent.
>>> # Since we cannot peek at the data in an fake impl,
>>> # we use the ctx object to construct a new symint that
>>> # represents the data-dependent size.
>>>     ctx = torch.library.get_ctx()
>>>     nnz = ctx.new_dynamic_size()
>>>     shape = [nnz, x.dim()]
>>>     result = x.new_empty(shape, dtype=torch.int64)
>>>     return result
>>>
>>> from torch.fx.experimental.proxy_tensor import make_fx
>>>
>>> x = torch.tensor([0, 1, 2, 3, 4, 0])
>>> trace = make_fx(torch.ops.mylib.custom_nonzero, tracing_mode="symbolic")(x)
>>> trace.print_readable()
>>>
>>> assert torch.allclose(trace(x), torch.ops.mylib.custom_nonzero(x))

torch.library.register_vmap(op, func=None, /, *, lib=None)[源]#

为此自定义操作注册一个 vmap 实现，以支持 torch.vmap()。

此 API 可用作装饰器（请参阅示例）。

为了使运算符与 torch.vmap() 配合使用，您可能需要注册一个具有以下签名的 vmap 实现

vmap_func(info, in_dims: Tuple[Optional[int]], *args, **kwargs),

其中 *args 和 **kwargs 是 op 的参数和关键字参数。我们不支持仅限 kwarg 的 Tensor 参数。

它指定了如何根据具有额外维度（由 in_dims 指定）的输入来计算 op 的批处理版本。

对于 args 中的每个参数，in_dims 都有一个对应的 Optional[int]。如果参数不是 Tensor 或参数未进行 vmap 处理，则为 None，否则它是一个整数，指定 Tensor 的哪个维度正在进行 vmap 处理。

info 是一个额外的元数据集合，可能很有用：info.batch_size 指定正在进行 vmap 处理的维度的大小，而 info.randomness 是传递给 torch.vmap() 的 randomness 选项。

函数 func 的返回是一个 (output, out_dims) 元组。与 in_dims 类似，out_dims 应该与 output 具有相同的结构，并且每个输出包含一个 out_dim，指定输出是否具有 vmap 维度以及它在哪个索引。

示例

>>> import torch
>>> import numpy as np
>>> from torch import Tensor
>>> from typing import Tuple
>>>
>>> def to_numpy(tensor):
>>>     return tensor.cpu().numpy()
>>>
>>> lib = torch.library.Library("mylib", "FRAGMENT")
>>> @torch.library.custom_op("mylib::numpy_cube", mutates_args=())
>>> def numpy_cube(x: Tensor) -> Tuple[Tensor, Tensor]:
>>>     x_np = to_numpy(x)
>>>     dx = torch.tensor(3 * x_np ** 2, device=x.device)
>>>     return torch.tensor(x_np ** 3, device=x.device), dx
>>>
>>> def numpy_cube_vmap(info, in_dims, x):
>>>     result = numpy_cube(x)
>>>     return result, (in_dims[0], in_dims[0])
>>>
>>> torch.library.register_vmap(numpy_cube, numpy_cube_vmap)
>>>
>>> x = torch.randn(3)
>>> torch.vmap(numpy_cube)(x)
>>>
>>> @torch.library.custom_op("mylib::numpy_mul", mutates_args=())
>>> def numpy_mul(x: Tensor, y: Tensor) -> Tensor:
>>>     return torch.tensor(to_numpy(x) * to_numpy(y), device=x.device)
>>>
>>> @torch.library.register_vmap("mylib::numpy_mul")
>>> def numpy_mul_vmap(info, in_dims, x, y):
>>>     x_bdim, y_bdim = in_dims
>>>     x = x.movedim(x_bdim, -1) if x_bdim is not None else x.unsqueeze(-1)
>>>     y = y.movedim(y_bdim, -1) if y_bdim is not None else y.unsqueeze(-1)
>>>     result = x * y
>>>     result = result.movedim(-1, 0)
>>>     return result, 0
>>>
>>>
>>> x = torch.randn(3)
>>> y = torch.randn(3)
>>> torch.vmap(numpy_mul)(x, y)

注意

vmap 函数应旨在保留整个自定义操作的语义。也就是说，grad(vmap(op)) 应该可以用 grad(map(op)) 替换。

如果您的自定义运算符在反向传播中具有任何自定义行为，请记住这一点。

torch.library.impl_abstract(qualname, func=None, *, lib=None, _stacklevel=1)[源]#: 此 API 在 PyTorch 2.4 中已重命名为 torch.library.register_fake()。请改用它。

torch.library.get_ctx()[源]#

get_ctx() 返回当前的 AbstractImplCtx 对象。

调用 get_ctx() 仅在假实现内部有效（有关更多使用详细信息，请参阅 torch.library.register_fake()）。

返回类型: FakeImplCtx

torch.library.register_torch_dispatch(op, torch_dispatch_class, func=None, /, *, lib=None)[源]#

为给定运算符和 torch_dispatch_class 注册一个 torch_dispatch 规则。

这允许开放注册来指定运算符和 torch_dispatch_class 之间的行为，而无需直接修改 torch_dispatch_class 或运算符。

torch_dispatch_class 是一个带有 __torch_dispatch__ 的 Tensor 子类或一个 TorchDispatchMode。

如果它是 Tensor 子类，我们期望 func 具有以下签名：(cls, func: OpOverload, types: Tuple[type, ...], args, kwargs) -> Any

如果它是 TorchDispatchMode，我们期望 func 具有以下签名：(mode, func: OpOverload, types: Tuple[type, ...], args, kwargs) -> Any

args 和 kwargs 将以与 __torch_dispatch__ 相同的方式规范化（请参阅 __torch_dispatch__ 调用约定）。

示例

>>> import torch
>>>
>>> @torch.library.custom_op("mylib::foo", mutates_args={})
>>> def foo(x: torch.Tensor) -> torch.Tensor:
>>>     return x.clone()
>>>
>>> class MyMode(torch.utils._python_dispatch.TorchDispatchMode):
>>>     def __torch_dispatch__(self, func, types, args=(), kwargs=None):
>>>         return func(*args, **kwargs)
>>>
>>> @torch.library.register_torch_dispatch("mylib::foo", MyMode)
>>> def _(mode, func, types, args, kwargs):
>>>     x, = args
>>>     return x + 1
>>>
>>> x = torch.randn(3)
>>> y = foo(x)
>>> assert torch.allclose(y, x)
>>>
>>> with MyMode():
>>>     y = foo(x)
>>> assert torch.allclose(y, x + 1)

torch.library.infer_schema(prototype_function, /, *, mutates_args, op_name=None)[源]#

解析给定函数及其类型提示的模式。模式从函数的类型提示推断，可用于定义新运算符。

我们做出以下假设

没有一个输出是任何输入或彼此的别名。
没有库规范的字符串类型注释“device, dtype, Tensor, types”是

假定为 torch.*。同样，没有库规范的字符串类型注释“Optional, List, Sequence, Union”

假定为 typing.*。
只有 mutates_args 中列出的参数被修改。如果 mutates_args 是“unknown”，

它假定运算符的所有输入都被修改。

调用者（例如自定义操作 API）负责检查这些假设。

参数

prototype_function (Callable) – 用于从其类型注释推断模式的函数。
op_name (Optional[str]) – 模式中运算符的名称。如果 name 为 None，则名称不包含在推断模式中。请注意，torch.library.Library.define 的输入模式需要一个运算符名称。
mutates_args ("unknown" | Iterable[str]) – 函数中被修改的参数。

返回

推断的模式。

返回类型

str

示例

>>> def foo_impl(x: torch.Tensor) -> torch.Tensor:
>>>     return x.sin()
>>>
>>> infer_schema(foo_impl, op_name="foo", mutates_args={})
foo(Tensor x) -> Tensor
>>>
>>> infer_schema(foo_impl, mutates_args={})
(Tensor x) -> Tensor

class torch._library.custom_ops.CustomOpDef(namespace, name, schema, fn, tags=None)[源]#

CustomOpDef 是一个围绕函数的包装器，它将其转换为自定义操作。

它具有用于注册此自定义操作的其他行为的各种方法。

您不应直接实例化 CustomOpDef；相反，请使用 torch.library.custom_op() API。

set_kernel_enabled(device_type, enabled=True)[源]#

禁用或重新启用此自定义操作已注册的内核。

如果内核已禁用/启用，则此操作为空操作。

注意

如果内核首先被禁用然后注册，则它将一直禁用，直到再次启用。

参数

device_type (str) – 要禁用/启用内核的设备类型。
disable (bool) – 是否禁用或启用内核。

示例

>>> inp = torch.randn(1)
>>>
>>> # define custom op `f`.
>>> @custom_op("mylib::f", mutates_args=())
>>> def f(x: Tensor) -> Tensor:
>>>     return torch.zeros(1)
>>>
>>> print(f(inp))  # tensor([0.]), default kernel
>>>
>>> @f.register_kernel("cpu")
>>> def _(x):
>>>     return torch.ones(1)
>>>
>>> print(f(inp))  # tensor([1.]), CPU kernel
>>>
>>> # temporarily disable the CPU kernel
>>> with f.set_kernel_enabled("cpu", enabled = False):
>>>     print(f(inp))  # tensor([0.]) with CPU kernel disabled

低级 API#

以下 API 是 PyTorch C++ 低级运算符注册 API 的直接绑定。

警告

低级运算符注册 API 和 PyTorch Dispatcher 是一个复杂的 PyTorch 概念。我们建议您尽可能使用上面的高级 API（不需要 torch.library.Library 对象）。这篇博客文章是了解 PyTorch Dispatcher 的一个很好的起点。

关于如何使用此 API 的一些示例教程可在 Google Colab 上找到。

class torch.library.Library(ns, kind, dispatch_key='')[源]#

一个类，用于创建可用于从 Python 注册新运算符或覆盖现有库中运算符的库。用户可以选择传入一个调度键名，如果他们只想注册与一个特定调度键对应的内核。

要创建用于覆盖现有库中运算符的库（名称为 ns），请将 kind 设置为“IMPL”。要创建用于注册新运算符的新库（名称为 ns），请将 kind 设置为“DEF”。要创建可能现有库的片段以注册运算符（并绕过给定命名空间只有一个库的限制），请将 kind 设置为“FRAGMENT”。

参数

ns – 库名称
kind – “DEF”、“IMPL”、“FRAGMENT”
dispatch_key – PyTorch 调度键（默认值：“”）

define(schema, alias_analysis='', *, tags=())[源]#

在 ns 命名空间中定义一个新运算符及其语义。

参数

schema – 定义新运算符的函数模式。
alias_analysis (optional) – 指示运算符参数的别名属性是否可以从模式（默认行为）推断，或者不能推断（“CONSERVATIVE”）。
tags (Tag | Sequence[Tag]) – 要应用于此运算符的一个或多个 torch.Tag。标记运算符会改变运算符在各种 PyTorch 子系统下的行为；请在应用前仔细阅读 torch.Tag 的文档。

返回

从模式推断的运算符名称。

示例

>>> my_lib = Library("mylib", "DEF")
>>> my_lib.define("sum(Tensor self) -> Tensor")

fallback(fn, dispatch_key='', *, with_keyset=False)[源]#

将函数实现注册为给定键的后备。

此函数仅适用于具有全局命名空间 (“_”) 的库。

参数

fn – 用作给定调度键的后备的函数，或者 fallthrough_kernel() 用于注册直通。
dispatch_key – 输入函数应注册的调度键。默认情况下，它使用创建库时使用的调度键。
with_keyset – 控制当前调度器调用键集是否应作为第一个参数传递给 fn 的标志。这应该用于为重新调度调用创建适当的键集。

示例

>>> my_lib = Library("_", "IMPL")
>>> def fallback_kernel(op, *args, **kwargs):
>>>     # Handle all autocast ops generically
>>>     # ...
>>> my_lib.fallback(fallback_kernel, "Autocast")

impl(op_name, fn, dispatch_key='', *, with_keyset=False, allow_override=False)[源]#

注册库中定义的运算符的函数实现。

参数

op_name – 运算符名称（连同重载）或 OpOverload 对象。
fn – 作为输入调度键的运算符实现的函数，或者 fallthrough_kernel() 用于注册直通。
dispatch_key – 输入函数应注册的调度键。默认情况下，它使用创建库时使用的调度键。
with_keyset – 控制当前调度器调用键集是否应作为第一个参数传递给 fn 的标志。这应该用于为重新调度调用创建适当的键集。
allow_override – 控制是否要覆盖现有注册内核实现的标志。这默认关闭，如果您尝试向已注册内核的调度键注册内核，则会出错。

示例

>>> my_lib = Library("aten", "IMPL")
>>> def div_cpu(self, other):
>>>     return self * (1 / other)
>>> my_lib.impl("div.Tensor", div_cpu, "CPU")

torch.library.fallthrough_kernel()[源]#: 一个传递给 Library.impl 的虚拟函数，用于注册直通。

torch.library.define(qualname, schema, *, lib=None, tags=())[源]#

torch.library.define(lib, schema, alias_analysis='')

定义一个新运算符。

在 PyTorch 中，定义一个操作（“operator”的简称）是一个两步过程：- 我们需要定义操作（通过提供操作名称和模式）- 我们需要为操作如何与各种 PyTorch 子系统（如 CPU/CUDA 张量、Autograd 等）交互实现行为。

此入口点定义了自定义操作（第一步），然后您必须通过调用各种 impl_* API 来执行第二步，例如 torch.library.impl() 或 torch.library.register_fake()。

参数

qualname (str) – 运算符的限定名称。应为“namespace::name”形式的字符串，例如“aten::sin”。PyTorch 中的运算符需要命名空间以避免名称冲突；给定运算符只能创建一次。如果您正在编写 Python 库，我们建议命名空间为您的顶级模块的名称。
schema (str) – 运算符的模式。例如，接受一个 Tensor 并返回一个 Tensor 的操作的模式为“(Tensor x) -> Tensor”。它不包含运算符名称（该名称在 qualname 中传递）。
lib (Optional[Library]) – 如果提供，此运算符的生命周期将与 Library 对象的生命周期绑定。
tags (Tag | Sequence[Tag]) – 要应用于此运算符的一个或多个 torch.Tag。标记运算符会改变运算符在各种 PyTorch 子系统下的行为；请在应用前仔细阅读 torch.Tag 的文档。

示例：

>>> import torch
>>> import numpy as np
>>>
>>> # Define the operator
>>> torch.library.define("mylib::sin", "(Tensor x) -> Tensor")
>>>
>>> # Add implementations for the operator
>>> @torch.library.impl("mylib::sin", "cpu")
>>> def f(x):
>>>     return torch.from_numpy(np.sin(x.numpy()))
>>>
>>> # Call the new operator from torch.ops.
>>> x = torch.randn(3)
>>> y = torch.ops.mylib.sin(x)
>>> assert torch.allclose(y, x.sin())

torch.library.impl(lib, name, dispatch_key='')[源]#

torch.library.impl(qualname: str, types: Union[str, Sequence[str]], func: Literal[None] = None, *, lib: Optional[Library] = None) → Callable[[Callable[..., object]], None]

torch.library.impl(qualname: str, types: Union[str, Sequence[str]], func: Callable[..., object], *, lib: Optional[Library] = None) → None

torch.library.impl(lib: Library, name: str, dispatch_key: str = '') → Callable[[Callable[_P, _T]], Callable[_P, _T]]

为该运算符的设备类型注册一个实现。

您可以为 types 传递“default”以将此实现注册为所有设备类型的默认实现。请仅在实现真正支持所有设备类型时才使用此选项；例如，如果它是由内置 PyTorch 运算符组成的，则为真。

此 API 可用作装饰器。您可以将嵌套装饰器与此 API 一起使用，前提是它们返回函数并放置在此 API 内部（参见示例 2）。

一些有效的类型是：“cpu”、“cuda”、“xla”、“mps”、“ipu”、“xpu”。

参数

qualname (str) – 应为“namespace::operator_name”形式的字符串。
types (str | Sequence[str]) – 要注册实现的设备类型。
lib (Optional[Library]) – 如果提供，此注册的生命周期将与 Library 对象的生命周期绑定。

示例

>>> import torch
>>> import numpy as np
>>> # Example 1: Register function.
>>> # Define the operator
>>> torch.library.define("mylib::mysin", "(Tensor x) -> Tensor")
>>>
>>> # Add implementations for the cpu device
>>> @torch.library.impl("mylib::mysin", "cpu")
>>> def f(x):
>>>     return torch.from_numpy(np.sin(x.numpy()))
>>>
>>> x = torch.randn(3)
>>> y = torch.ops.mylib.mysin(x)
>>> assert torch.allclose(y, x.sin())
>>>
>>> # Example 2: Register function with decorator.
>>> def custom_decorator(func):
>>>     def wrapper(*args, **kwargs):
>>>         return func(*args, **kwargs) + 1
>>>     return wrapper
>>>
>>> # Define the operator
>>> torch.library.define("mylib::sin_plus_one", "(Tensor x) -> Tensor")
>>>
>>> # Add implementations for the operator
>>> @torch.library.impl("mylib::sin_plus_one", "cpu")
>>> @custom_decorator
>>> def f(x):
>>>     return torch.from_numpy(np.sin(x.numpy()))
>>>
>>> # Call the new operator from torch.ops.
>>> x = torch.randn(3)
>>>
>>> y1 = torch.ops.mylib.sin_plus_one(x)
>>> y2 = torch.sin(x) + 1
>>> assert torch.allclose(y1, y2)

torch.library#

测试自定义操作#

在 Python 中创建新的自定义操作#

扩展自定义操作（由 Python 或 C++ 创建）#

低级 API#

文档

教程

资源