torch.compile">

intermediate/compiled_autograd_tutorial

在 Google Colab 中运行

Colab

下载 Notebook

Notebook

在 GitHub 上查看

GitHub

编译自动求导：为 torch.compile 捕获更大的反向图

创建时间：2024 年 10 月 9 日 | 最近更新：2024 年 10 月 23 日 | 最近验证：2024 年 10 月 9 日

作者： Simon Fan

您将学到什么

• 编译自动求导如何与 torch.compile 交互

• 如何使用编译自动求导 API

• 如何使用 TORCH_LOGS 检查日志

先决条件

• PyTorch 2.4

• 完成 torch.compile 简介

• 阅读 PyTorch 2.x 入门 中的 TorchDynamo 和 AOTAutograd 部分

概述

编译自动求导是 PyTorch 2.4 中引入的 torch.compile 扩展，它允许捕获更大的反向图。

虽然 torch.compile 确实捕获了反向图，但它是**部分**捕获的。AOTAutograd 组件提前捕获反向图，但存在某些限制

• 前向中的图断裂会导致反向中的图断裂

• 反向钩子未被捕获

编译自动求导通过直接与自动求导引擎集成来解决这些限制，使其能够在运行时捕获完整的反向图。具有这两个特征的模型应该尝试编译自动求导，并可能观察到更好的性能。

然而，编译自动求导引入了自己的限制

• 反向开始时增加了运行时开销，用于缓存查找

• 由于捕获的图更大，在 dynamo 中更容易导致重新编译和图断裂

注意

编译自动求导正在积极开发中，尚未与所有现有 PyTorch 功能兼容。有关特定功能的最新状态，请参阅 编译自动求导着陆页。

设置

在本教程中，我们将基于这个简单的神经网络模型来构建我们的示例。它接受一个 10 维输入向量，通过一个单一的线性层进行处理，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，因为此调用已使用 @torch.compile 装饰。

• 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求导引擎来计算 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 的前向和反向实现。

• Inductor 生成一个函数，对应于 AOTDispatcher 前向和反向的优化实现。

• Dynamo 设置优化后的函数，以供 Python 解释器下次评估。

• 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()，调用自动求导引擎，由于我们设置了 torch._dynamo.config.compiled_autograd = True，因此它会路由到编译自动求导引擎。

• 编译自动求导计算 model.linear.weight 和 model.linear.bias 的梯度，并将操作（包括它遇到的任何钩子）记录到图中。在此过程中，它将记录先前由 AOTDispatcher 重写的反向。然后，编译自动求导生成一个新函数，该函数对应于 loss.backward() 的完全跟踪实现，并在推理模式下使用 torch.compile 执行它。

• 相同的步骤递归应用于编译自动求导图，但这次 AOTDispatcher 将不需要划分图。

检查编译自动求导日志

使用 TORCH_LOGS 环境变量运行脚本

• 要仅打印编译自动求导图，请使用 TORCH_LOGS="compiled_autograd" python example.py

• 要打印包含更多张量元数据和重新编译原因的图（以性能为代价），请使用 TORCH_LOGS="compiled_autograd_verbose" python example.py

重新运行上述片段，编译自动求导图现在应该记录到 stderr 中。某些图节点将具有以 aot0_ 为前缀的名称，这些名称对应于先前在 AOTAutograd 反向图 0 中提前编译的节点，例如，aot0_view_2 对应于 id=0 的 AOT 反向图的 view_2。

在下图中，红色框封装了没有编译自动求导的 torch.compile 捕获的 AOT 反向图。

注意

这是我们将调用 torch.compile 的图，**不是**优化后的图。编译自动求导本质上生成了一些未优化的 Python 代码来表示整个 C++ 自动求导执行。

使用不同标志编译前向和反向传递

您可以为两次编译使用不同的编译器配置，例如，即使前向中存在图断裂，反向也可能是一个全图。

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，它将应用于其范围内的所有自动求导调用。

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

编译自动求导解决了 AOTAutograd 的某些限制

1. 前向传递中的图断裂不再必然导致反向传递中的图断裂

@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 个图断裂，产生了 3 个反向图。而在第二个带有编译自动求导的 torch.compile 案例中，我们看到尽管存在图断裂，但跟踪到了一个完整的反向图。

注意

在追踪由编译自动求导捕获的反向钩子时，Dynamo 仍然可能发生图断裂。

2. 现在可以捕获反向钩子

@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中

编译自动求导常见的重新编译原因

1. 由于损失值的自动求导结构发生变化

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，我们在每次迭代中调用不同的运算符，导致 loss 每次跟踪不同的自动求导历史。您应该会看到一些重新编译消息：**由于新的自动求导节点导致缓存未命中**。

2. 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 更改了形状，并且在第一次更改后，编译自动求导会将 x 标记为动态形状张量。您应该会看到重新编译消息：**由于形状更改导致缓存未命中**。

结论

在本教程中，我们介绍了带有编译自动求导的 torch.compile 的高层生态系统、编译自动求导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 上的深入探讨。