评价此页
★ ★ ★ ★ ★
torch.compile">
intermediate/compiled_autograd_tutorial

已编译的自动梯度：捕获更大的反向传播图以用于 torch.compile#

创建于：2024 年 10 月 09 日 | 最后更新：2024 年 10 月 23 日 | 最后验证：2024 年 10 月 09 日

作者： Simon Fan

您将学到什么

  • 已编译的自动梯度如何与 torch.compile 交互

  • 如何使用已编译的自动梯度 API

  • 如何使用 TORCH_LOGS 检查日志

先决条件

概述#

已编译的自动梯度是 PyTorch 2.4 中引入的一个 torch.compile 扩展，它允许捕获更大的反向传播图。

虽然 torch.compile 会捕获反向传播图，但它是部分捕获的。AOTAutograd 组件会提前捕获反向传播图，但存在一些限制。

  • 前向传播中的图中断会导致反向传播中的图中断

  • 反向传播钩子未被捕获

已编译的自动梯度通过直接与自动梯度引擎集成来解决这些限制，允许它在运行时捕获完整的反向传播图。具有这两种特性的模型应尝试使用已编译的自动梯度，并可能观察到更好的性能。

然而，已编译的自动梯度也引入了自己的限制

  • 在反向传播开始时增加了缓存查找的运行时开销

  • 由于捕获范围更大，更容易发生重新编译和图中断

注意

已编译的自动梯度正在积极开发中，尚未与所有现有的 PyTorch 功能兼容。有关特定功能的最新状态，请参阅 已编译自动梯度登陆页面。

设置#

在本教程中，我们将基于这个简单的神经网络模型来举例。它接收一个 10 维的输入向量，通过一个线性层进行处理，并输出另一个 10 维向量。

import torch

class Model(torch.nn.Module):
   def __init__(self):
      super().__init__()
      self.linear = torch.nn.Linear(10, 10)

   def forward(self, x):
      return self.linear(x)

基本用法#

在调用 torch.compile API 之前，请确保将 torch._dynamo.config.compiled_autograd 设置为 True。

model = Model()
x = torch.randn(10)

torch._dynamo.config.compiled_autograd = True
@torch.compile
def train(model, x):
   loss = model(x).sum()
   loss.backward()

train(model, x)

在上面的代码中，我们创建了一个 Model 类的实例，并使用 torch.randn(10) 生成了一个随机的 10 维张量 x。我们定义了训练循环函数 train，并使用 @torch.compile 装饰它以优化其执行。当调用 train(model, x) 时：

  • Python 解释器调用 Dynamo，因为此调用被装饰了 @torch.compile。

  • Dynamo 拦截 Python 字节码，模拟其执行并将操作记录到图中。

  • AOTDispatcher 禁用钩子，并调用自动梯度引擎来计算 model.linear.weight 和 model.linear.bias 的梯度，并将操作记录到图中。使用 torch.autograd.Function，AOTDispatcher 重写了 train 的前向和反向传播实现。

  • Inductor 生成一个对应于 AOTDispatcher 前向和反向传播优化实现的函数。

  • Dynamo 设置优化后的函数，以便 Python 解释器接下来进行评估。

  • Python 解释器执行优化后的函数，该函数执行 loss = model(x).sum()。

  • Python 解释器执行 loss.backward()，调用自动梯度引擎，该引擎会路由到已编译的自动梯度引擎，因为我们将 torch._dynamo.config.compiled_autograd = True 设置为 True。

  • 已编译的自动梯度计算 model.linear.weight 和 model.linear.bias 的梯度，并将操作记录到图中，包括它遇到的任何钩子。在此过程中，它将记录 AOTDispatcher 之前重写的反向传播。然后，已编译的自动梯度生成一个新函数，该函数对应于 loss.backward() 的完全跟踪实现，并以推理模式使用 torch.compile 执行它。

  • 相同的步骤将递归应用于已编译的自动梯度图，但这次 AOTDispatcher 将不需要划分图。

检查已编译的自动梯度日志#

使用 TORCH_LOGS 环境变量运行脚本。

  • 要仅打印已编译的自动梯度图，请使用 TORCH_LOGS="compiled_autograd" python example.py。

  • 要以损失性能为代价，打印带有更多张量元数据和重新编译原因的图，请使用 TORCH_LOGS="compiled_autograd_verbose" python example.py。

重新运行上面的片段，已编译的自动梯度图现在应该被记录到 stderr。某些图节点将带有以 aot0_ 为前缀的名称，这些名称对应于之前在 AOTAutograd 反向传播图 0 中预先编译的节点，例如，aot0_view_2 对应于 ID 为 0 的 AOT 反向传播图的 view_2。

在下面的图像中，红色框包含了在没有已编译自动梯度的情况下被 torch.compile 捕获的 AOT 反向传播图。

../_images/entire_verbose_log.png

注意

这是我们将调用 torch.compile 的图，而不是优化后的图。已编译的自动梯度本质上会生成一些未优化的 Python 代码来表示整个 C++ 自动梯度执行。

使用不同的标志编译前向和反向传播#

您可以使用不同的编译器配置进行两次编译，例如，即使前向传播中有图中断，反向传播也可以是 fullgraph。

def train(model, x):
    model = torch.compile(model)
    loss = model(x).sum()
    torch._dynamo.config.compiled_autograd = True
    torch.compile(lambda: loss.backward(), fullgraph=True)()

或者，您可以使用上下文管理器，它将应用于其作用域内的所有自动梯度调用。

def train(model, x):
   model = torch.compile(model)
   loss = model(x).sum()
   with torch._dynamo.compiled_autograd.enable(torch.compile(fullgraph=True)):
      loss.backward()

已编译的自动梯度解决了 AOTAutograd 的某些限制#

  1. 前向传播中的图中断不再必然导致反向传播中的图中断。

@torch.compile(backend="aot_eager")
def fn(x):
   # 1st graph
   temp = x + 10
   torch._dynamo.graph_break()
   # 2nd graph
   temp = temp + 10
   torch._dynamo.graph_break()
   # 3rd graph
   return temp.sum()

x = torch.randn(10, 10, requires_grad=True)
torch._dynamo.utils.counters.clear()
loss = fn(x)

# 1. base torch.compile
loss.backward(retain_graph=True)
assert(torch._dynamo.utils.counters["stats"]["unique_graphs"] == 3)
torch._dynamo.utils.counters.clear()

# 2. torch.compile with compiled autograd
with torch._dynamo.compiled_autograd.enable(torch.compile(backend="aot_eager")):
   loss.backward()

# single graph for the backward
assert(torch._dynamo.utils.counters["stats"]["unique_graphs"] == 1)

在第一个 torch.compile 案例中，我们看到由于编译函数 fn 中的 2 次图中断，产生了 3 个反向传播图。而在第二个使用已编译自动梯度的 torch.compile 案例中，我们看到即使存在图中断，也跟踪了一个完整的反向传播图。

注意

Dynamo 在跟踪已编译自动梯度捕获的反向传播钩子时，仍有可能发生图中断。

  1. 现在可以捕获反向传播钩子了。

@torch.compile(backend="aot_eager")
def fn(x):
   return x.sum()

x = torch.randn(10, 10, requires_grad=True)
x.register_hook(lambda grad: grad+10)
loss = fn(x)

with torch._dynamo.compiled_autograd.enable(torch.compile(backend="aot_eager")):
   loss.backward()

图中应该有一个 call_hook 节点，Dynamo 稍后会将其内联到以下内容：

../_images/call_hook_node.png

已编译自动梯度的常见重新编译原因#

  1. 由于损失值自动梯度结构的变化

torch._dynamo.config.compiled_autograd = True
x = torch.randn(10, requires_grad=True)
for op in [torch.add, torch.sub, torch.mul, torch.div]:
   loss = op(x, x).sum()
   torch.compile(lambda: loss.backward(), backend="eager")()

在上面的示例中，我们在每次迭代时调用不同的运算符，导致 loss 跟踪不同的自动梯度历史。您应该会看到一些重新编译消息：由于新的自动梯度节点导致缓存未命中。

../_images/recompile_due_to_node.png

  1. 由于张量形状发生变化

torch._dynamo.config.compiled_autograd = True
for i in [10, 100, 10]:
   x = torch.randn(i, i, requires_grad=True)
   loss = x.sum()
   torch.compile(lambda: loss.backward(), backend="eager")()

在上面的示例中，x 的形状发生变化，在第一次变化后，已编译的自动梯度会将 x 标记为动态形状张量。您应该会看到重新编译消息：由于形状变化导致缓存未命中。

../_images/recompile_due_to_dynamic.png

结论#

在本教程中，我们概述了 torch.compile 与已编译自动梯度的生态系统、已编译自动梯地的基础知识以及一些常见的重新编译原因。请继续关注 dev-discuss 上的深度探讨。

在此页面上
PyTorch 库