关于大数据:用OneFlow实现数据类型自动提升

一、问题引入
咱们先简略看下在PyTorch下的这几段代码，读者能够猜下最初输入的类型是什么：

x_tensor = torch.ones((3, ), dtype=torch.int8)
y1_tensor = torch.tensor(1, dtype=torch.float64)
out1 = torch.mul(x_tensor, y1_tensor)

y2_tensor = torch.tensor(1, dtype=torch.int64)
out2 = torch.mul(x_tensor, y2_tensor)

out3 = torch.mul(x_tensor, 1.0)

out4 = torch.mul(x_tensor, 2^63-1(the max value of int64))
接下来揭晓答案：

out1.dtype: torch.float64
out2.dtype: torch.int8
out3.dtype: torch.float32
out4.dtype: torch.int8
能够察看到同样是multiply运算，有些后果的数据类型被晋升到更高的一级，有些并没有被晋升，还维持着int8类型。这其实是一种类型晋升零碎，零碎内会自定义一些类型晋升的规定，依据输出的数据类型来推导最终后果的数据类型。
**
二、Python Array API规范**

在这里咱们能够理解到Python Array的类型晋升规定

类型晋升
从上图能够看到：

不同数据类型的晋升遵循这个连贯的规定

虚线示意python标量在溢出的时候未定义

bool int float之间没有连线，示意这种混合类型的晋升未定义

对于第一条，咱们能够看int8和uint8，两者最终指向了int16，示意两者运算后最终类型晋升到了int16

而依据这一个规定，咱们能够列出一个类型晋升表格（这个表格很重要，后续看Pytorch源码也会用到）

以unsigned int系列和signed int系列为例，列出的表格为：

更多类型晋升规定表格可参考后面提到的链接

横坐标和纵坐标别离代表输出的数据类型，表格的值代表类型晋升后的数据类型，其中：

i1 : 8-bit signed integer (i.e., int8 )

i2 : 16-bit signed integer (i.e., int16 )

i4 : 32-bit signed integer (i.e., int32 )

i8 : 64-bit signed integer (i.e., int64 )

同理于unsigned int

Python Array 和 Scalar 的类型晋升
上述这些都是array与array之间运算的类型晋升规定，而array与scalar（就是独自一个int，float数值）的类型晋升规定则不一样。

如果两者同属于一个数据类型系列（比方都是int系列，蕴含int8, int32, int64)，则最终数据类型遵循数组的数据类型

如果两者同不属于一个数据类型系列（比方一个是int32，一个是float)，则进行类型晋升

咱们能够看下简略的两个例子：

x_tensor = torch.ones((3, ), dtype=torch.int16)
out1 = x_tensor + 2 # out.dtype = torch.int16
out2 = x_tensor + 2.0 # out.dtype = torch.float32
须要留神的是，Array与Scalar的行为会和Array与0d Array的行为保持一致。

咱们能够再测试后面两个例子，不同之处是咱们将scalar改成一个0d Array

x_tensor = torch.ones((3, ), dtype=torch.int16)
y1_tensor = torch.tensor(2)
y2_tensor = torch.tensor(2.0)

out1 = x_tensor + y1_tensor # out.dtype = torch.int16
out2 = x_tensor + y2_tensor # out.dtype = torch.float32
对于与Scalar运算的行为，Pytorch是和Python Array API规范统一的，然而Numpy则不同，他会依据scalar的数据范畴做一个正当的类型晋升：

import numpy as np

x = np.ones((3, 3), dtype=np.int32)
out = x + (2**31-1) # dtype: np.int32
out = x + (2**31) # dtype: np.int64
我集体更偏向于在类型晋升中，Scalar是独自一种行为，而Scalar Tensor和Tensor的行为统一

三、其余状况

除了后面提到的规定，PyTorch还存在以下两种状况：

要求两个输出的数据类型完全一致，如torch.dot

RuntimeError: dot : expected both vectors to have same dtype, but found Short and Float
输出存在一个最低数据类型，比方torch.sum，传任意int系列数据类型，最终输入后果均为torch.int64。

以上就简略介绍了Pytorch的类型晋升规定，还想要更多的例子能够参考官网文档：

https://pytorch.org/docs/mast...

四、PyTorch是怎么做类型晋升的？
理论运算的Kernel，输出和输入的数据类型都是雷同的模板参数，不存在特化一个输出为int32，输入为float32或其余类型的函数。

因而PyTorch外部会先推断出一个正当的dtype，而后插入一个to这个op，将输出tensor进行类型晋升，再进入到Kernel进行理论的运算。上面咱们会依据PyTorch的源码进行解说：

波及到的代码：

https://github.com/pytorch/py...

https://github.com/pytorch/py...

https://github.com/pytorch/py...

https://github.com/pytorch/py...

ScalarType.h
在这个头文件里定义了相干的数据类型，并且定义了一个类型晋升的二维矩阵，这样咱们就能够输出两个数据类型，依据索引拿到晋升后的数据类型。大数据培训

类型晋升矩阵
Activation.cpp
https://github.com/pytorch/py... 咱们以其中一个激活函数threshold为例子

TORCH_META_FUNC(threshold)(const Tensor& self, const Scalar& threshold, const Scalar& value) {
const Tensor& result = maybe_get_output();
build(TensorIteratorConfig()

....promote_inputs_to_common_dtype(true)

}
这里调用了一个build函数，函数承受一个TensorIteratorConfig，这个Config类是用于配制各种属性，能够看到这里调用promote_inputs_to_common_dtype并设为true。

TensorIterator.cpp
build函数定义在：

https://github.com/pytorch/py...

在1340行，build函数外部调用了compute_type函数

...
compute_types(config);
...
而该函数在260行开始，进行一系列类型推导

其中TensorIterator是一个容器类(Numpy里也有一个相似的容器NpyIter)，用于存储输入，输出tensor，外面用了多个for循环来推导失去一个common_dtype。

并在最初进行条件判断：promote_inputs_to_common_dtype_为true，以后Tensor不是输入Tensor，且输出的dtype不等于推导失去的common_dtype，则做一个类型晋升：

// Promotes inputs by creating temporaries of the correct dtype

  if (config.promote_inputs_to_common_dtype_ && !op.is_output && op.current_dtype != common_dtype_) {    op.original_tensor = op.tensor;    op.tensor = c10::MaybeOwned<Tensor>::owned(op.tensor->to(common_dtype_));    op.current_dtype = common_dtype_;    op.target_dtype = common_dtype_;  }

五、OneFlow的做法
相干PR：https://github.com/Oneflow-In...

OneFlow则将类型晋升的逻辑放在c++中functional前端局部，相似的咱们设计了一个TensorProcessor类，接口设计如下：

class TensorProcessor final {
public:
TensorProcessor()

  : common_dtype_(DType::InvalidDataType()), promote_inputs_to_common_dtype_(false){};

TensorProcessor& AddInputs(const TensorTuple& init_list);
TensorProcessor& AddInputs(const TensorTuple& init_list, Symbol<DType> tensor_lowest_dtype);

Maybe<void> Apply();
TensorProcessor& PromoteInputsToCommonDtype(bool is_promote);
Maybe<TensorTuple&> GetInputs() { return tensor_tuple_; };

private:
TensorTuple tensor_tuple_;
Symbol<DType> common_dtype_;
std::vector<Symbol<DType>> inputs_lowest_dtype_vec_;

bool promote_inputs_to_common_dtype_;
};
以二元操作Functor基类为例，在理论调用的时候，咱们能够这样：

class BinaryFunctor{
public:
Maybe<Tensor> operator()(const std::shared_ptr<one::Tensor>& x,

                       const std::shared_ptr<one::Tensor>& y) const {TensorProcessor tensor_processor;JUST(tensor_processor.PromoteInputsToCommonDtype(true).AddInputs({x, y}).Apply());TensorTuple input_tuple = JUST(tensor_processor.GetInputs());return OpInterpUtil::Dispatch<Tensor>(*op_, input_tuple);

...
}
...
};
PromoteInputsToCommonDtype 用于设置相干属性

AddInputs函数将须要参加类型晋升的Tensor增加到容器中

Apply函数执行理论的类型晋升等逻辑

tensor_processor.cpp还有其余几个函数，这里简略介绍下性能：

CheckHasDifferentInputDType 遍历输出Tensor，查看输出Tensor是否有不同的dtype

ComputeCommonDType 依据输出dtype推导一个正当的晋升过的dtype

CastToSameType 给输出Tensor插入一个Cast操作

Maybe<void> CastToSameType(TensorTuple& tensor_tuple, const Symbol<DType>& common_dtype) {
for (auto& tensor_ptr : tensor_tuple) {

if (tensor_ptr->dtype() != common_dtype) {  tensor_ptr = JUST(functional::Cast(tensor_ptr, common_dtype));}

}
return Maybe<void>::Ok();
}
Apply函数逻辑如下：

Maybe<void> TensorProcessor::Apply() {
if (promote_inputs_to_common_dtype_) {

bool has_different_input_dtype = CheckHasDifferentInputDType(tensor_tuple_);if (has_different_input_dtype) {  common_dtype_ = ComputeCommonDType(tensor_tuple_);  JUST(CastToSameType(tensor_tuple_, common_dtype_));}

} else {

for (int i = 0; i < tensor_tuple_.size(); ++i) {  // Cast all the inputs to it's attribute `lowest_dtype` if the input tensor dtype is lower  // than attribute `lowest_dtype`.  Symbol<DType> base_dtype = inputs_lowest_dtype_vec_.at(i);  if (base_dtype->data_type()      && DType::priority_order[base_dtype->data_type()]             > DType::priority_order[tensor_tuple_.at(i)->dtype()->data_type()]) {    tensor_tuple_.at(i) = JUST(one::functional::Cast(tensor_tuple_.at(i), base_dtype));  }}

}
return Maybe<void>::Ok();
}
if内执行的是类型晋升，而else内逻辑则是对应后面提到的其余状况中的第二条，将Tensor类型晋升到设定好的一个最低数据类型。还是sum算子，咱们设定最低数据类型为int64是这么做的：

class ReduceSumFunctor{
public:
Maybe<Tensor> operator()(const std::shared_ptr<one::Tensor>& x, const std::vector<int32_t>& axis,

                       const bool& keepdims) const {...TensorProcessor tensor_processor;JUST(tensor_processor.AddInputs({x}, /*lowest_dtype=*/DType::Int64()).Apply());TensorTuple input_tuple = JUST(tensor_processor.GetInputs());

}
...
};

总结
类型晋升是一个咱们不经意间会应用的一个操作，如果没有正确处理输入的数据类型，则可能导致后果溢出，呈现谬误的后果。看似很简略，但理论调研+斟酌细节也搞了两三周，最初感激共事在我实现这个性能的期间提供的许多帮忙。