共计 12482 个字符，预计需要花费 32 分钟才能阅读完成。
OneFlow 是一个原生反对分布式训练的、高性能的深度学习框架。最近读了一些 OneFlow 的源码、架构设计和代码实现的文章，简略梳理一下本人的了解。次要通过图形展现调用过程和类之间的关系，只对局部重要的代码作一下剖析。
深度学习框架是一个简单的零碎，而用户应用最多的就是算子（op）。用户通过 op 结构模型，进行训练、预测。这个笔记就从 op 动手，看看从 Python 前端到 C ++ 底层，OneFlow 是如何执行算子的计算逻辑的。
具体的说，以比较简单的 relu 算子为例，剖析如下代码是怎么执行的：
# import 会触发一系列初始化工作，临时疏忽
import oneflow as flow
# tensor 的实现其实很简单，因为要交融 local 和分布式的 global tensor
t = flow.tensor([-1, 0, 1])
r = flow.relu(t)编译环境
在开始剖析之前，须要搭建环境编译 OneFlow 的源码，因为有些代码是在编译构建过程中主动生成的。在剖析的过程中，这些主动生成的代码也是必要的环节。
OneFlow 提供了官网的编译镜像。用这个镜像能够十分不便地搭建编译环境。
我应用的 OneFlow 版本是 v0.7.0。本地编译环境目录构造如下，build 是 cmake 的构建目录，oneflow 是源码目录。
.
├── build
└── oneflow编译比拟耗时，能够把两个目录 mount 到容器，便于后续查看 build 目录中生成的文件。
在 cmake 配置、构建过程中，会下载很多第三方源码包，如果网络情况不好容易超时，间接重试 cmake/make 即可。
# docker run -itd -v $PWD/oneflow:/mnt/oneflow -v $PWD/build:/mnt/build \
# manylinux2014_x86_64_cuda11.2 bash
cd /mnt/build
cmake -S /mnt/oneflow
cmake --build . # --parallel 8
cd ../oneflow/python
python3 setup.py bdist_wheel
pip install ./dist/oneflow-0.7.0+cpu-cp38-cp38-linux_x86_64.whlPython Binding
OneFlow 底层是 C ++ 实现，通过 pybind11 实现 Python Binding。月踏在《从 Python 到 C ++ 调用过程剖析》对相干内容做了解说。
relu 的 python 包门路
# python/oneflow/__init__.py
from oneflow._C import relu
# python/oneflow/_C/__init__.py
from oneflow._oneflow_internal._C import *module 解决逻辑的注册
Python 代码次要在 python/oneflow 目录，C++ 实现的包次要在 _oneflow_internal 下，pybind11 的绑定代码位于 init.cpp：
PYBIND11_MODULE(_oneflow_internal, m) {
// ...
py::class_<::oneflow::cfg::Message, std::shared_ptr<::oneflow::cfg::Message>>(m, "CfgMessage");
::oneflow::cfg::Pybind11ModuleRegistry().ImportAll(m);
::oneflow::OneflowModuleRegistry().ImportAll(m);
}其中 OneflowModuleRegistry 是算子等模块的绑定；Pybind11ModuleRegistry 应该是自定义的、相似 protobuf 的配置数据结构的绑定。
从 OneflowModuleRegistry 开始的具体调用流程如下：
把代码放到一起看看：
using SubModuleMap = std::map<std::string, std::vector<std::function<void(pybind11::module&)>>>;
SubModuleMap* GetSubModuleMap() {
static SubModuleMap sub_module_map;
return &sub_module_map;
}
// 批改 map，执行注册
void OneflowModuleRegistry::Register(std::string module_path,
std::function<void(pybind11::module&)> BuildModule) {(*GetSubModuleMap())[module_path].emplace_back(BuildModule);
}
void OneflowModuleRegistry::ImportAll(pybind11::module& m) {for (const auto& pair : (*GetSubModuleMap())) {for (const auto& BuildModule : pair.second) {BuildSubModule(pair.first, m, BuildModule); }
}
}
void OneflowModuleRegistry::BuildSubModule(
const std::string& module_path, pybind11::module& m,
const std::function<void(pybind11::module&)>& BuildModule) {
// ...
BuildModule(m);
// ...
}从这段代码能够看出，python module 的注册逻辑都保留在 SubModuleMap 中。它的 key 是 module name；value 是一组函数，BuildSubModule中调用这些函数、执行 module 注册逻辑。
GetSubModuleMap中保留 map 单例，Register函数设置 map 的值，of_api_registry.h 中的宏 ONEFLOW_API_PYBIND11_MODULE 调用 Register 函数解决 module 注册逻辑。搜寻一下能够晓得 relu 的注册逻辑在 build/oneflow/api/python/functional/functional_api.yaml.pybind.cpp 中，这个文件中注册了很多算子（user_op）。以 relu 和 pow 为例，这个宏开展后的外围代码如下：
static void OneflowApiPythonModule9623(pybind11::module&);
namespace {
struct OfApiRegistryInit {OfApiRegistryInit() {::oneflow::OneflowModuleRegistry().Register("_C", &OneflowApiPythonModule9623);
}
};
OfApiRegistryInit of_api_registry_init;
}
static void OneflowApiPythonModule9623(pybind11::module & m) {m.def("relu", &functional::PyFunction<functional::ReluSchema_TTB>);
m.def("pow", &functional::PyFunction<
functional::PowSchema_TTT, functional::ScalarPowSchema_TTScB,
functional::ScalarPowSchema_TTSc, functional::ScalarReversePowSchema_TScT
>);
}这段代码中的相似注册技巧，在 OneFlow 中的很多中央都被用到。
module 注册逻辑在函数 OneflowApiPythonModule9623 中（9623来自宏定义中的 LINE 以防止名字抵触），OfApiRegistryInit在结构对象时将这个函数注册到 SubModuleMap，匿名空间中的变量of_api_registry_init 就是为了通过结构对象、在构造函数中调用注册逻辑（而这个对象不占用任何空间）。这样在零碎加载时就通过动态对象的初始化实现了 module 解决逻辑的注册，再通过 pybind11 的调用实现对 Python Binding 的定义。
多个接口签名的主动推断
从以上代码能够看到，relu 算子被绑定到 PyFunction 这个函数执行计算逻辑，每次调用算子都会执行 PyFunction 这个函数。
从签名看，PyFunction是一个模版函数，给 Python 前端返回 py::object 作为算子执行后果。
relu 只有一个模版参数，pow 有 4 个模版参数。每个模版参数示意算子反对的一种调用接口签名。OneFlow 能够依据 python 传过来的 arguments 类型，主动推断适合的签名、调用相干函数。
例如上面的代码，算子 pow 的指数参数既反对标量、也反对 tensor：
import oneflow as flow
r = flow.randn(1, 10)
flow.pow(r, 2)
flow.pow(r, flow.ones(1, 10))上面就来看看 OneFlow 是怎么实现这个性能的。
Relu 算子的签名 Schema 如下所示：
struct ReluSchema_TTB {using FType = Maybe<one::Tensor> (const std::shared_ptr<one::Tensor>& x, bool inplace);
using R = Maybe<one::Tensor>;
static constexpr FType* func = &functional::Relu;
static constexpr size_t max_args = 2;
static constexpr size_t max_pos_args = 2;
static constexpr char const* signature = "Tensor (Tensor x, Bool inplace=False)";
static FunctionDef function_def;
};先看一下从 PyFunction 开始的的调用程序：
PyFunction 相干的代码如下（删掉了一些与外围逻辑无关的内容）。
// SchemaT 如 ReluSchema_TTB
template<typename... SchemaT>
class PyFunctionDispatcher {
public:
// schema_t 是第 I 个签名
template<size_t I>
using schema_t = typename std::tuple_element<I, std::tuple<SchemaT...>>::type;
// schema_size_是签名个数，比方 relu 是 1，pow 是 4
PyFunctionDispatcher() : schema_size_(sizeof...(SchemaT)) {signatures_.resize(schema_size_);
InitSignatures(std::make_index_sequence<sizeof...(SchemaT)>{});
}
template<size_t I0, size_t... I>
py::object call(const py::args& args, const py::kwargs& kwargs,
std::index_sequence<I0, I...>) const {
// T 是以后查看的签名，比方 ReluSchema_TTB
using T = schema_t<I0>;
std::vector<PythonArg> parsed_args(T::max_args);
if (ParseArgs(args, kwargs, &parsed_args, T::function_def, T::max_pos_args,
/*raise_exception*/ schema_size_ == 1)) {return detail::unpack_call(*T::func, parsed_args);
}
return call(args, kwargs, std::index_sequence<I...>{});
}
py::object call(const py::args& args, const py::kwargs& kwargs, std::index_sequence<>) const {
// throw error ...
return py::none();}
private:
template<size_t... I>
void InitSignatures(std::index_sequence<I...>) {__attribute__((__unused__)) int dummy[] = {((void)(signatures_[I] = schema_t<I>::signature), 0)...};
}
private:
size_t schema_size_;
std::vector<const char*> signatures_;
};
// SchemaT 如 ReluSchema_TTB
template<typename... SchemaT>
inline py::object PyFunction(const py::args& args, const py::kwargs& kwargs) {
static PyFunctionDispatcher<SchemaT...> dispatcher;
return dispatcher.call(args, kwargs, std::make_index_sequence<sizeof...(SchemaT)>{});
}
// py module 注册
static void OneflowApiPythonModule9623(pybind11::module & m) {m.def("relu", &functional::PyFunction<functional::ReluSchema_TTB>);
m.def("pow", &functional::PyFunction<
functional::PowSchema_TTT, functional::ScalarPowSchema_TTScB,
functional::ScalarPowSchema_TTSc, functional::ScalarReversePowSchema_TScT
>);
}dispatcher: 算子接口签名的主动推断
PyFunction是一个模版函数，每个模版参数示意算子的一个接口签名。
PyFunction及其后续执行链路的最重要的性能，就是实现这些签名的主动筛选。主动筛选的本质，就是通过 index_sequence 一一查看签名与 PyFunction 的参数 args/kwargs 是否匹配。函数内的动态变量 dispatcher 实现了这个主动筛选性能。
每个算子都会特化一个 PyFunction 和PyFunctionDispatcher实例，也有一个算子本人的 dispatcher 变量。PyFunction间接将申请转发给 dispatcher.call，顺带加上一个index_sequence 模版参数，正是依附这个模版参数实现了签名的主动筛选。
在 call 函数中，先确定以后查看的签名类型 T（例如ReluSchema_TTB），而后通过 ParseArgs 查看 Python 传过来的参数 args/kwargs 与签名T 是否匹配。如果不匹配，就去掉以后签名T，将残余的签名类型作为模版参数、持续递归调用 call 函数。
如果算子只有一个签名，就通过 schema_size_ == 1 告诉ParseArgs，校验失败时间接抛出错误信息。
ParseArgs: 签名与参数的匹配
Python 的 keyword arguments 是相似 map 的构造，在 C ++ 中不不便间接用，须要转为 positional arguments，同时按程序保留到 parsed_args 中供后续执行应用。而这个程序只能是签名指定的程序，所以 ParseArgs 中只能按 function_def 的程序循环校验。
函数的参数可能是各种类型，ParseArgs对立转为 PythonArg 类型，并通过 PyObject* 类型的成员读取 Python 的变量值。
参数校验不统一的状况次要包含：
- positional 与 keyword 参数类型抵触
- 签名中的 keyword 参数名在 kwargs 中不存在、且不承受默认值
- 参数类型不合乎
PythonArgCheck规定的外部类型查看要求 - kwargs 蕴含
function_def中未定义的参数
unpack_call: 开展算子函数的参数
在 call 函数中确定算子签名的 Schema 之后，间接调用 unpack_call 函数。这时曾经能够确定具体的算子执行函数了，对于 relu 来说就是 functional::Relu，同时将 Python 传过来的参数都整顿到args 中。
unpack_call 的模版参数是函数类型，例如functional::Relu，在函数体内利用 function_traits 推导出函数的参数个数和返回值类型。
unpack_call_dispatcher 内次要是调用 f，也就是functional::Relu。但还不能间接调用这个函数。因为每个算子对应函数的签名都不一样，又不能把vector args 间接传给这些函数。
OneFlow 通过如下步骤实现模版的特化适配：
- 将
args开展为各个PythonArg元素，通过index_sequence和变长模版参数包的开展实现。 - 利用
function_traits推导失去函数参数类型列表ArgsType。 As函数调用可简化为As<typename tuple_element<I, typename ArgsType>>()...，外围是拿到各个参数的理论类型并交给As解决，最终调用 ObjectAs 实现各种外部数据类型的转换。
unpack_call_dispatcher返回的是 C ++ 外部数据类型，最初要通过 CastToPyObject 转为 pybind11::object，次要是调用pybind11::cast 函数。
class PythonArg {
template<typename T>
T As() const {return ObjectAsHelper<oneflow::detail::remove_cvref_t<T>>()(this).GetOrThrow();}
};
template<typename F, typename R>
struct unpack_call_dispatcher {
template<size_t... I>
static R apply(const F& f, const std::vector<PythonArg>& args, std::index_sequence<I...>) {
// 这里适当改写了一下，把 ArgsType 抽出来
using ArgsType = function_traits<F>::args_type;
return f(args[I]
.As<oneflow::detail::remove_cvref_t<typename std::tuple_element<
I, typename ArgsType>::type>>()...);
}
};
template<typename F>
py::object unpack_call(const F& f, const std::vector<PythonArg>& args) {
constexpr size_t nargs = function_traits<F>::nargs;
using R = typename function_traits<F>::return_type;
return CastToPyObject(unpack_call_dispatcher<F, R>::apply(f, args, std::make_index_sequence<nargs>{}));
}签名都有效时的错误处理
以上只是探讨了 Python 参数非法、能够找到匹配的函数签名的状况。如果传过来的参数是非法的，依据 args/kwargs 找不到匹配的签名怎么办？
如之前的探讨，PyFunctionDispatcher::call 是递归模版参数，如果以后签名不匹配，就尝试下一个签名。如果所有签名都不匹配，就会进入 call 的模版参数列表为空的特化版本。这个函数会记录具体的错误信息。
例如，flow.pow("abc", 123)会输入如下错误信息：
File ".../oneflow/api/python/functional/py_function.h", line 76, in call
TypeError: pow(): received an invalid combination of arguments. The valid signatures are:
*0: Tensor (Tensor input, Tensor exponent)
*1: Tensor (Tensor input, Scalar exponent, *, Bool inplace=False)
*2: Tensor (Tensor input, Scalar exponent)
*3: Tensor (Scalar exponent, Tensor input)而 relu 这种只反对一个签名的算子，如上面看到的，参数类型谬误时的提示信息体现了单个签名的特点。如上所述，这是由 schema_size_ == 1 提醒给 ParseArgs 的。
flow.relu(1)
TypeException:
File ".../oneflow/api/python/functional/py_function.cpp", line 98, in ParseArgs
TypeError: relu(): argument 'x' must be tensor, not intyaml cpp 的生成
functional_api.yaml的相干代码是在 cmake 构建过程中生成的，对应的 cmake 脚本是 cmake/functional.cmake。
小结
总结一下上述几个次要组件的作用：
PyFunction是 pybind11 的def定义的入口函数，并为算子保留一个dispatcher对象用于推断适合的签名。PyFunctionDispatcher通过模版函数的递归调用实现了签名的主动筛选，通过成员变量为参数校验和异样提醒保留必要的信息。unpack_call在编译期就确定了具体执行的算子函数类型。这一点在PyFunctionDispatcher中是无奈做到的。unpack_call_dispatcher的作用是将vector开展为多个元素、作为调用算子函数的参数。这在unpack_call中也是无奈做到的。- PythonArg 是 Python 与 C ++ 类型转换的桥梁，同时承当类型查看的职能。
- 基于 yaml 生成的 2 组文件，
yaml.pybind.cpp中调用 pybind11 的m.def指定模块调用的函数，并定义了函数签名的 Schema 构造作为PyFunction的模版参数。yaml.cpp中则定义了具体的执行函数，如Relu。将二者衔接起来的就是 Schema 的字段func，对于 Relu 算子来说，签名 Schema 的func字段就是函数functional:Relu。
外围是实现签名的主动校验推断，参数的对立解决，以及参数的合并、开展。整个过程环环相扣、天然晦涩。
算子 Functor 的注册与执行
算子 Functor 的注册
追踪一下 functional::Relu 的调用链路，容易发现最终会用到 FunctionLibrary 的动态 map 变量。先看看这个 map 是怎么初始化的。它在 add_functor_creator 中被增加元素，后者被 add_functor 间接调用。
搜寻一下 add_functor 和Relu，发现在 activation_functor.cpp 中调用宏 ONEFLOW_FUNCTION_LIBRARY。宏开展后代码如下。通过定义一个动态变量来实现调用注册函数的目标。
static void _oneflow_function_library_0(FunctionLibrary & m);
// 以定义一个动态变量的形式调用注册函数
static int _oneflow_function_library_dummy_0 = []() {FunctionLibrary* library = FunctionLibrary::Global();
_oneflow_function_library_0(*library);
return 0;
}();
void _oneflow_function_library_0(FunctionLibrary & m) {m.add_functor<impl::ReluFunctor>("Relu");
};略微梳理一下就能够发现，FunctionLibrary 的 map 中的 value 是相似上面这样的 lambda：
[=]() {
// Func 如 impl::ReluFunctor
Func func;
// func_name 来自 lambda 绑定，如 Relu
return PackedFunctorMaker<func_type>::make(func_name, func);
}注册的调用程序如下：
多个 Functor 对应同一个名字
那么，add_functor 的模版参数为何是变长的，外部又要开展呢？是因为 ScalarAdd 等名字对应多个 Functor。
算子 Functor 的执行
接下来看看 functional_api.yaml.cpp 中的 functional::Relu 函数。代码通过整顿后如下所示。
Maybe<one::Tensor> Relu(const std::shared_ptr<one::Tensor>& x, bool inplace) {
static thread_local const auto& __op = CHECK_JUST(FunctionLibrary::Global()->find
<
Maybe<one::Tensor>,
const std::shared_ptr<one::Tensor>&,
bool
> ("Relu"));
return __op->call(x, inplace);
}外围逻辑就是func_lib.find("Relu").call(x, inplace)。
获取 __op 并执行的调用程序如下（疏忽 op 的动态属性）：
依据下面的探讨以及调用链路容易发现，PackedFuncCreatorMap::Get 内的动态 map 变量，其 value 理论是一个相似如下的 lambda 表达式：
[=]() {
// Func 如 impl::ReluFunctor
Func func;
// func_name 来自 lambda 绑定，如 Relu
return PackedFunctorMaker<func_type>::make(func_name, func);
}find 返回的是 it->second()，也就是调用这个 lambda 表达式的返回值，即 PackedFunctorMaker::make 的返回值，类型是 PackedFunctor<F>，这就是 op__ 的类型。其中模版参数 F 的类型如decltype(ReluFunctor::operator())。
PackedFunctor结构时承受如下的 lambda 表达式，并保留到变量 impl_中：
// func 是一个函数变量，类型如 impl::ReluFunctor
[func](const remove_cvref_t<Args>&... args) -> R {return func(std::forward<const remove_cvref_t<Args>&>(args)...);
}所以 __op->call(...) 就是PackedFunctor<Func>::call(...)，最终相当于调用impl::ReluFunctor::operator()(args)。
也就是说，relu 的操作就由 impl::ReluFunctor 执行。
须要留神的是，
这里整个链路的剖析，最要害的是模版参数的梳理和推导。模版参数确定后，整个逻辑还是比较清楚的。
小结
- 同一个名字可能对应多个 Functor。所以不能只用名字作为 Functor 的 key，须要联合签名。
- FunctionLibrary 负责管理所有的 Functor。然而单例不适宜作为模版类，所以通过内嵌的 PackedFuncCreatorMap 保留签名各异的 Functor。
- 每种签名都会特化一个 PackedFuncCreatorMap 模版类，再通过名字辨别不同的 Functor。
PackedFunctor 的作用
那么，PackedFunctor类的作用是什么？或者换个角度，如果没有这个类，是否实现需求？答案是不能。
- 首先，yaml 生成的 2 个 cpp 文件，都没有 Functor 信息，只有
Relu这个名字、以及 Functor 的签名信息。Functor 是在各个模块依据名字注册的。yaml 与FunctionLibrary通过名字和签名进行交互。 - 其次，
FunctionLibrary::find返回的PackedFunctor是带模版参数的（参数就是 Functor 签名）。find是否间接返回 Functor 对象呢？次要是 map 不便存储不同类型的 Functor。即便 Functor 都有独特的虚基类、map 的 value 存储指针，但不能要求所有 Functor 的执行接口是统一的，虚函数不满足这个场景的需要。所以find不能间接返回 Functor 对象。 PackedFunctor的作用就在于，它把真正的 Functor 包在本人的构造外面；它的模版参数与 Functor 的调用接口统一；它的call办法将 Op 的所有入参通过 lambda 转发给 Functor。- Functor 能间接作为
PackedFunctor的成员变量吗？应该是能够的。PackedFunctorMaker::make 的模版参数也蕴含 Functor。然而这样每个 Functor 都要特化一个PackedFunctor，编译后的可执行程序容易收缩。而当初的实现，PackedFunctor只依据 Functor 执行函数签名特化，代价是要做一次调用转发（编译器有优化空间？）。
参考资料
- 从 Python 到 C ++ 调用过程剖析
- OneFlow