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

编译自动求导（Compiled Autograd）：为 torch.compile 捕获更大的反向传播图#

创建日期：2024年10月9日 | 最后更新：2026年3月31日 | 最后验证：2024年10月9日

作者： Simon Fan

您将学到什么

  • 编译自动求导与 torch.compile 的交互方式

  • 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

概述#

编译自动求导（Compiled Autograd）是 PyTorch 2.4 中引入的一项 torch.compile 扩展，它允许捕获更大的反向传播图。

虽然 torch.compile 确实会捕获反向传播图，但它只能捕获部分。AOTAutograd 组件在预先（ahead-of-time）捕获反向传播图时存在一定的局限性：

编译自动求导通过直接与自动求导引擎集成解决了这些限制，使其能够在运行时捕获完整的反向传播图。具有上述两个特征的模型应尝试使用编译自动求导，并可能获得更好的性能。

然而，编译自动求导也引入了它自身的局限性：

  • 在反向传播开始时增加了用于缓存查找的运行时开销

  • 由于捕获范围更大，在 Dynamo 中更容易触发重新编译和图中断

注意

编译自动求导处于活跃开发阶段，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 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进行示例。它接收一个 10 维输入向量，通过一个线性层处理，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 Model 类的一个实例，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 对其进行装饰以优化其执行。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 的前向和反向传播实现。

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

  • Dynamo 将优化后的函数设置为接下来由 Python 解释器评估。

  • 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，它将记录之前由 AOTDispatcher 重写的反向传播过程。然后，编译自动求导生成一个新函数，该函数对应于 loss.backward() 的完全追踪实现，并以推理模式运行它与 torch.compile 一起执行。

  • 相同的步骤递归地应用于编译自动求导图，但这一次 AOTDispatcher 不需要对图进行分区。

检查编译自动求导日志#

使用 TORCH_LOGS 环境变量运行脚本

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

  • 若要以牺牲性能为代价，打印包含更多张量元数据和重编译原因的图，请使用 TORCH_LOGS="compiled_autograd_verbose" python example.py

重新运行上面的代码片段，编译自动求导图现在应该被记录到 stderr 中。某些图节点的名称将以 aot0_ 为前缀，这些对应于之前在 AOTAutograd 反向传播图 0 中预先编译的节点，例如，aot0_view_2 对应于 id=0 的 AOT 反向传播图中的 view_2。

在下图中，红色框封装了在没有编译自动求导的情况下被 torch.compile 捕获的 AOT 反向传播图。

../_images/entire_verbose_log.png

注意

这是我们将要在其上调用 torch.compile 的图，而不是优化后的图。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++ 自动求导执行过程。

使用不同标志编译前向和反向传播过程#

你可以为两次编译使用不同的编译器配置，例如，即使前向传播中有图中断，反向传播也可以是一个完整图（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)()

或者你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 个图中断，产生了 3 个反向传播图。而在第二个带有编译自动求导的 torch.compile 案例中，尽管存在图中断，我们仍看到追踪到了一个完整的反向传播图。

注意

当追踪被编译自动求导捕获的反向传播钩子时，Dynamo 仍然可能发生图中断。

  1. 现在可以捕获反向传播钩子

@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：

../_images/call_hook_node.png

编译自动求导常见的重新编译原因#

  1. 由于损失值（loss）自动求导结构的变化

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，我们在每次迭代中调用不同的算子，导致 loss 每次都追踪不同的自动求导历史。你应该会看到一些重编译消息：Cache miss due to new autograd node（由于新的自动求导节点导致的缓存未命中）。

../_images/recompile_due_to_node.png

  1. 由于张量形状的变化

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 改变了形状，编译自动求导会在第一次改变后将 x 标记为动态形状张量。你应该会看到重编译消息：Cache miss due to changed shapes（由于形状改变导致的缓存未命中）。

../_images/recompile_due_to_dynamic.png

结论#

在本教程中，我们概述了带有编译自动求导的 torch.compile 生态系统，介绍了编译自动求导的基础知识以及一些常见的重编译原因。敬请关注 dev-discuss 上的深度解析。

在此页面上
PyTorch 库