大数跨境
首页
>
Pytorch2.x时代，关于C++部署的讨论
>
0
0

Pytorch2.x时代，关于C++部署的讨论

Pytorch2.x时代，关于C++部署的讨论 极市平台
2023-12-29
0
↑ 点击蓝字 关注极市平台
作者丨Oldpan
来源丨oldpan博客
编辑丨极市平台

极市导读

 

PyTorch模型的高性能部署问题，主要关注两个方面：高度优化的算子和高效运行计算图的架构和runtime。python有快速开发以及验证的优点，但是相比C++来说速度较慢而且比较费内存，一般高性能场景都是使用C++去部署，尽量避免使用python环境。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

Pytorch模型的高性能部署一直是大家讨论的问题，有两点比较重要：

  • 高度优化的算子
  • 可以高效率运行计算图的架构和runtime

高度优化的算子不用多说，TensorRT为什么那么快，因为engine在构建的时候，在每个平台（A10、A100、T4等）上搜索到了最优最快的kernel（实现了一些op）。高效率运行计算图也是很关键的一点，TensorRT构建好engine后，需要libnvinfer.so来驱动，其中实现了什么，在使用过程中很容易猜到：

  • 序列化和反序列化，也就是所谓的生成engine，读取engine
  • 推理engine、多stream运行计算图，管理engine所需要的一些环境，比如显存和中间变量等

为了达到极致的性能，TensorRT的整个运行时都是在C++环境中，虽然提供了Python-API，但实际调用执行的操作都是在C++中，Python只提供包了一层的作用，算子和执行整个计算图的地方都是C++。

c++ api vs python api

python有快速开发以及验证的优点，但是相比C++来说速度较慢而且比较费内存，一般高性能场景都是使用C++去部署，尽量避免使用python环境。

TORCH 1.x时期的C++部署

torch1.x的实际场景中，一般是搭配使用libtorch + torchscript，这俩在很多生产环境中已经验证过了。

libtorch可以使用C++ API去完成和python中使用pytorch-op实现一样的功能，比如：

#include <ATen/ATen.h>  
  
at::Tensor a = at::ones({2, 2}, at::kInt);  
at::Tensor b = at::randn({2, 2});  
auto c = a + b.to(at::kInt);  

转化为Pytorch就是：

import torch  
  
a = torch.ones((2, 2), dtype=torch.int32)  
b = torch.randn((2, 2))  
c = a + b.to(torch.int32)  

而torchscript则用于trace或者script我们的模型到C++环境中部署，速度方面变化不大，主要是通过torchscript导出的模型可以在C++环境中加载并运行，不需要依赖python了，可以减少一些python的over head：

#include <torch/script.h> // One-stop header.  
  
#include <iostream>  
#include <memory>  
  
int main(int argc, const char* argv[]) {  
  if (argc != 2) {  
    std::cerr << "usage: example-app <path-to-exported-script-module>\n";  
    return -1;  
  }  
  
  
  torch::jit::script::Module module;  
  try {  
    // Deserialize the ScriptModule from a file using torch::jit::load().  
    module = torch::jit::load(argv[1]);  
  }  
  catch (const c10::Error& e) {  
    std::cerr << "error loading the model\n";  
    return -1;  
  }  
  
  std::cout << "ok\n";  
}  

关于torchscript的解读有不少，这里不赘述了，感兴趣的可以参阅：

  • https://zhuanlan.zhihu.com/p/486914187
  • https://zhuanlan.zhihu.com/p/489090393
  • https://zhuanlan.zhihu.com/p/363319763
  • https://zhuanlan.zhihu.com/p/652193676
  • https://zhuanlan.zhihu.com/p/410507557

TORCH 2.x的C++部署

torch2.0出来的时候，最主要的就是torch.compile的新API，可以直接优化模型。

torch.compile核心是dynamo，dynamo相比torch.jit.trace和torch.jit.script，是一个功能更强大的trace工具(https://pytorch.org/tutorials/intermediate/torch_compile_tutorial.html?highlight=torch%20compile)，trace模型从而优化模型。dynamo出现后，我也很好奇torchscript是否会被废弃？

torchscript

目前看来torchscript还是会继续存在，只是freeze了，功能还会维护，bug还会修，但不会有新功能了。

基于torch.jit.trace的模型导出路径成为过去式了，那么新的基于pt2.0的C++导出方案是啥？

torch官方前一周发了一篇新blog，正式提到了cpp wrapper，核心就是torch.export(https://pytorch.org/docs/main/export.html) + cpp wrapper(https://pytorch.org/tutorials/prototype/inductor_cpp_wrapper_tutorial.html)

  • PyTorch 2.1 Contains New Performance Features for AI Developers
    (https://pytorch.org/blog/new-features-for-ai/ )

使用cpp wrapper去invoke the generated kernels and external kernels in TorchInductor，可以减少python的overhead，实际测试中，模型速度越快，python overhead占比越大，提升也就越大：

cpp wrapper benchmark

我们都知道torch2.0可以基于triton生成高性能的kernel，例如：

@torch.compile  
def opt_foo(x, y):  
    a = torch.sin(x)  
    b = torch.cos(y)  
    return a + b  
  
for _ in range(100):  
    opt_foo(torch.randn(10).cuda(), torch.randn(10).cuda())

定义好一个函数后，加上@torch.compile装饰器，执行几次即可得到优化后的模型，默认使用的优化器是TorchInductor，借助depyf(https://github.com/thuml/depyf)，我们可以看到优化好后生成的triton代码（GPU端）：

import triton  
import triton.language as tl  
from torch._inductor.ir import ReductionHint  
from torch._inductor.ir import TileHint  
from torch._inductor.triton_heuristics import AutotuneHint, pointwise  
from torch._inductor.utils import instance_descriptor  
from torch._inductor import triton_helpers  
  
@pointwise(  
    size_hints=[16],   
    filename=__file__,  
    triton_meta={'signature': {0: '*fp32', 1: '*fp32', 2: '*fp32', 3: 'i32'}, 'device': 0, 'device_type': 'cuda', 'constants': {}, 'configs': [instance_descriptor(divisible_by_16=(0, 1, 2), equal_to_1=(), ids_of_folded_args=(), divisible_by_8=())]},  
    inductor_meta={'autotune_hints': set(), 'kernel_name': 'triton_poi_fused_add_cos_sin_0', 'mutated_arg_names': []},  
    min_elem_per_thread=0  
)  
@triton.jit  
def triton_(in_ptr0, in_ptr1, out_ptr0, xnumel, XBLOCK : tl.constexpr):  
    xnumel = 10  
    xoffset = tl.program_id(0) * XBLOCK  
    xindex = xoffset + tl.arange(0, XBLOCK)[:]  
    xmask = xindex < xnumel  
    x0 = xindex  
    tmp0 = tl.load(in_ptr0 + (x0), xmask)  
    tmp2 = tl.load(in_ptr1 + (x0), xmask)  
    tmp1 = tl.sin(tmp0)  
    tmp3 = tl.cos(tmp2)  
    tmp4 = tmp1 + tmp3  
    tl.store(out_ptr0 + (x0), tmp4, xmask)  

这个triton代码可以直接调用，但是依赖python环境，如果想要切换到C++端，则修改下config：

import torch._inductor.config as config  
config.cpp_wrapper = True  

后重新执行几次，可以得到生成的cpp调用代码:

#include <ATen/ATen.h>  
#include <ATen/core/dispatch/Dispatcher.h>  
#include <ATen/native/BinaryOps.h>  
#include <torch/csrc/inductor/aoti_torch/tensor_converter.h>  
#include <torch/csrc/inductor/inductor_ops.h>  
#define reinterpret_tensor torch::inductor::_reinterpret_tensor  
#define alloc_from_pool torch::inductor::_alloc_from_pool  
#include <c10/util/generic_math.h>  
  
[[maybe_unused]] static int64_t align(int64_t nbytes) {  
  return (nbytes + 64 - 1) & -64;  
}  
#include <filesystem>  
  
#include <c10/cuda/CUDAGuard.h>  
#include <c10/cuda/CUDAStream.h>  
  
#define CUDA_DRIVER_CHECK(EXPR)                    \  
do {                                               \  
    CUresult code = EXPR;                          \  
    const char *msg;                               \  
    cuGetErrorString(code, &msg);                  \  
    if (code != CUDA_SUCCESS) {                    \  
        throw std::runtime_error(                  \  
            std::string("CUDA driver error: ") +   \  
            std::string(msg));                     \  
    }                                              \  
} while (0);  
  
namespace {  
  
struct Grid {  
    Grid(uint32_t x, uint32_t y, uint32_t z)  
      : grid_x(x), grid_y(y), grid_z(z) {}  
    uint32_t grid_x;  
    uint32_t grid_y;  
    uint32_t grid_z;  
  
    bool is_non_zero() {  
        return grid_x > 0 && grid_y > 0 && grid_z > 0;  
    }  
};  
  
}  // anonymous namespace  
  
static inline CUfunction loadKernel(  
        std::string filePath,  
        const std::string &funcName,  
        uint32_t sharedMemBytes,  
        const std::optional<std::string> &cubinDir = std::nullopt) {  
    if (cubinDir) {  
        std::filesystem::path p1{*cubinDir};  
        std::filesystem::path p2{filePath};  
        filePath = (p1 / p2.filename()).string();  
    }  
  
    CUmodule mod;  
    CUfunction func;  
    CUDA_DRIVER_CHECK(cuModuleLoad(&mod, filePath.c_str()));  
    CUDA_DRIVER_CHECK(cuModuleGetFunction(&func, mod, funcName.c_str()));  
    if (sharedMemBytes > 0) {  
        CUDA_DRIVER_CHECK(cuFuncSetAttribute(  
            func,  
            CU_FUNC_ATTRIBUTE_MAX_DYNAMIC_SHARED_SIZE_BYTES,  
            sharedMemBytes  
        ))  
    }  
    return func;  
}  
  
static inline void launchKernel(  
        CUfunction func,  
        uint32_t gridX,  
        uint32_t gridY,  
        uint32_t gridZ,  
        uint32_t numWarps,  
        uint32_t sharedMemBytes,  
        void* args[],  
        cudaStream_t stream) {  
    CUDA_DRIVER_CHECK(cuLaunchKernel(  
        func, gridX, gridY, gridZ, 32*numWarps, 1, 1, sharedMemBytes, stream, args, nullptr  
    ));  
}  
  
static CUfunction triton_poi_fused_add_cos_sin_0 = nullptr;  
  
std::vector<at::Tensor> inductor_entry_cpp(const std::vector<at::Tensor>& inputs) {  
  
    py::gil_scoped_release release;  
    auto arg0_1 = std::move(inputs[0]);  
    auto arg1_1 = std::move(inputs[1]);  
  
    at::cuda::CUDAGuard device_guard(0);  
    auto buf0 = at::empty_strided({10L, }, {1L, }, at::TensorOptions(c10::Device(at::kCUDA, 0)).dtype(at::kFloat));  
    // Source Nodes: [a, add, b], Original ATen: [aten.add, aten.cos, aten.sin]  
    if (triton_poi_fused_add_cos_sin_0 == nullptr) {  
        triton_poi_fused_add_cos_sin_0 = loadKernel("/tmp/torchinductor_oldpan/rg/crgz7xmq52z337gwizafhl5xeujixy6bjenwk4nrtrulwqolpnzf.cubin", "triton__0d1d2d3", 0);  
    }  
    CUdeviceptr var_0 = reinterpret_cast<CUdeviceptr>(arg0_1.data_ptr());  
    CUdeviceptr var_1 = reinterpret_cast<CUdeviceptr>(arg1_1.data_ptr());  
    CUdeviceptr var_2 = reinterpret_cast<CUdeviceptr>(buf0.data_ptr());  
    auto var_3 = 10;  
    void* kernel_args_var_0[] = {&var_0, &var_1, &var_2, &var_3};  
    cudaStream_t stream0 = at::cuda::getCurrentCUDAStream(0);  
    Grid triton_poi_fused_add_cos_sin_0_grid_0 = Grid(1L, 1L, 1L);  
    launchKernel(triton_poi_fused_add_cos_sin_0, triton_poi_fused_add_cos_sin_0_grid_0.grid_x, triton_poi_fused_add_cos_sin_0_grid_0.grid_y, triton_poi_fused_add_cos_sin_0_grid_0.grid_z, 1, 0, kernel_args_var_0, stream0);  
    arg0_1.reset();  
    arg1_1.reset();  
    return {buf0};  
}  

其中调用的cubin就是上述生成triton代码编译出来的/tmp/torchinductor_oldpan/rg/xxx.cubin，这样的话就可以直接拿这个cpp代码去no-python环境跑起来了。

不过实际中我们更多用的是整个模型，例如resnet50，并且带有权重参数，当然这种也是支持的。torch官方也提供了aot工具可以导出整个模型为so：

import torch  
from torch._export import aot_compile, dynamic_dim  
  
torch.manual_seed(1337)  
  
class Net(torch.nn.Module):  
    def __init__(self):  
        super().__init__()  
        self.fc = torch.nn.Linear(64, 10)  
  
    def forward(self, x, y):  
        return self.fc(torch.sin(x) + torch.cos(y))  
  
data = {}  
  
for device in ["cpu", "cuda"]:  
    model = Net().to(device=device)  
    x = torch.randn((32, 64), device=device)  
    y = torch.randn((32, 64), device=device)  
    with torch.no_grad():  
        ref_output = model(x, y)  
  
    torch._dynamo.reset()  
    with torch.no_grad():  
        constraints = [  
            dynamic_dim(x, 0) >= 1,  
            dynamic_dim(x, 0) <= 1024,  
            dynamic_dim(x, 0) == dynamic_dim(y, 0),  
        ]  
        model_so_path = aot_compile(model, (x, y), constraints=constraints)  
  
    data.update({  
        f"model_so_path_{device}": model_so_path,  
        f"inputs_{device}": [x, y],  
        f"outputs_{device}": [ref_output],  
    })  
  
# Use this to communicate tensors to the cpp code  
class Serializer(torch.nn.Module):  
    def __init__(self, data):  
        super().__init__()  
        for key in data:  
            setattr(self, key, data[key])  
  
torch.jit.script(Serializer(data)).save("data.pt")  

通过这个aot_compile可以直接导出带有模型入口的so，因为是aot，需要提前指定输入的一些维度信息，对于支持dynamic来说是必要的。

导出的so可以通过以下C++方式读取：

void test_aoti(const std::string& device) {  
  torch::NoGradGuard no_grad;  
  
  std::string data_path =  
      (std::filesystem::path(STRINGIZE(CMAKE_CURRENT_BINARY_DIR)) / "data.pt")  
           .string();  
  torch::jit::script::Module data_loader = torch::jit::load(data_path);  
  std::string path_attr = "model_so_path_" + device;  
  std::string inputs_attr = "inputs_" + device;  
  std::string outputs_attr = "outputs_" + device;  
  const auto& model_so_path = data_loader.attr(path_attr.c_str()).toStringRef();  
  const auto& input_tensors =  
      data_loader.attr(inputs_attr.c_str()).toTensorList().vec();  
  const auto& ref_output_tensors =  
      data_loader.attr(outputs_attr.c_str()).toTensorList().vec();  
  
  std::unique_ptr<torch::inductor::AOTIModelContainerRunner> runner;  
  if (device == "cuda") {  
    runner = std::make_unique<torch::inductor::AOTIModelContainerRunnerCuda>(  
        model_so_path.c_str());  
  } else if (device == "cpu") {  
    runner = std::make_unique<torch::inductor::AOTIModelContainerRunnerCpu>(  
        model_so_path.c_str());  
  } else {  
    std::cout << "unsupported device: " << device << std::endl;  
  }  
  auto actual_output_tensors = runner->run(input_tensors);  
  assert(actual_output_tensors.size() == ref_output_tensors.size());  
}  

核心就是AOTIModelContainerRunnerCpu。

torch针对inductor设计了AOTIModelContainerRunnerCpu类去加载和运行生成的so，so中会包含一些计算图的执行步骤。

具体例子在pytorch/test/cpp/aot_inductor中，有两个例子，一个是torch::CustomClassHolder包一层AOTIModelContainerRunnerCuda跑，也就是和torchscript的结合，另一个是单独的AOTIModelContainerRunnerCuda去跑，搭配API直接C++调用。

对于一些常见的op，比如全连接self.fc = torch.nn.Linear(64, 10)，可以直接调用外部算子不需要triton去codegen，上述例子中直接调用的是torch.ops.aten.addmm，更多细节可以看pytorch/torch/_inductor/select_algorithm.py。

整体来说，这种导出方式也比较符合常识，常见的op可以直接调用已经高度优化的版本，未见过的一些算子可以使用triton去生成，fuse等图融合操作可以通过fx pass去做，导出c++也可以通过aot的方式导出，还有一些提升性能的runtime细节设计，整体潜力还是蛮大的。

还有很多细节没有来得及看，比如模型中的某些可以并行的op是如何多stream运行的，dynamic的情况是怎么处理的，中间变量如何存放的，显存是如何管理的，都需要花时间去看看。

如果有疑问欢迎交流。

参考

https://pytorch.org/tutorials/prototype/inductor_cpp_wrapper_tutorial.html

https://www.youtube.com/watch?v=eN5fqBNrjOo&list=PL_lsbAsL_o2BivkGLiDfHY9VqWlaNoZ2O&index=33

https://pytorch.org/blog/new-features-for-ai/

https://github.com/pytorch/pytorch/pull/111124

https://github.com/pytorch/pytorch/pull/88167

https://discuss.pytorch.org/t/pytorch-2-and-the-c-interface/168034/4

https://github.com/pytorch/TensorRT/discussions/1743

https://github.com/pytorch/TensorRT/discussions/1557

https://github.com/pytorch/TensorRT/issues/1404

https://github.com/pytorch/TensorRT/discussions/1372

https://discuss.pytorch.org/t/pytorch-2-and-the-c-interface/168034/2

https://discuss.pytorch.org/t/torch-compiles-deployment-story-to-non-python-host-processes/180943

https://dev-discuss.pytorch.org/t/using-nsight-systems-to-profile-gpu-workload/59/10

参考资料

[1]dynamo相比torch.jit.trace和torch.jit.script，是一个功能更强大的trace工具: https://pytorch.org/tutorials/intermediate/torch_compile_tutorial.html?highlight=torch%20compile

[2]torch.export: https://pytorch.org/docs/main/export.html

[3]cpp wrapper: https://pytorch.org/tutorials/prototype/inductor_cpp_wrapper_tutorial.html

[4]PyTorch 2.1 Contains New Performance Features for AI Developers: https://pytorch.org/blog/new-features-for-ai/

[5]depyf: https://github.com/thuml/depyf

公众号后台回复“数据集”获取100+深度学习各方向资源整理

极市干货

技术专栏：多模态大模型超详细解读专栏｜搞懂Tranformer系列｜ICCV2023论文解读｜极市直播
极视角动态：欢迎高校师生申报极视角2023年教育部产学合作协同育人项目｜新视野+智慧脑，「无人机+AI」成为道路智能巡检好帮手！
技术综述：四万字详解Neural ODE：用神经网络去刻画非离散的状态变化｜transformer的细节到底是怎么样的？Transformer 连环18问！

点击阅读原文进入CV社区

收获更多技术干货


【声明】内容源于网络
0
0
极市平台
为计算机视觉开发者提供全流程算法开发训练平台，以及大咖技术分享、社区交流、竞赛实践等丰富的内容与服务。
内容 8155
粉丝 0
极市平台 为计算机视觉开发者提供全流程算法开发训练平台，以及大咖技术分享、社区交流、竞赛实践等丰富的内容与服务。
总阅读5.7k
粉丝0
内容8.2k