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.whl
Python 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 int
yaml 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