評價此頁
★ ★ ★ ★ ★

在 ATen IR 上編寫圖變換#

建立日期：2025 年 6 月 11 日 | 最後更新日期：2025 年 6 月 11 日

Passes#

由於 ATen IR 位於 FX Graph/GraphModule 層，因此為 FX Graph 編寫的任何變換都可以輕鬆應用於 ATen IR。如果您熟悉編寫 FX 圖變換，那麼這與您已經瞭解的相同。

編寫變換的最直接方法是遍歷給定的圖並直接操作圖中的節點。

例如，假設我們要將 torch.ops.aten.add.Tensor() 呼叫替換為 torch.ops.aten.mul.Tensor() 呼叫

import torch

def replace_add_with_mul(gm: torch.fx.GraphModule) -> torch.fx.GraphModule:
    for node in gm.graph.nodes:
        if node.op == "call_function" and node.target == torch.ops.aten.add.Tensor:
            node.target = torch.ops.aten.mul.Tensor

我們還可以透過 FX 實用函式刪除和新增新節點，這些函式可以在 Graph 文件中找到。例如，如果我們想在 add 呼叫之後插入一個 torch.ops.aten.relu.default()

import torch

def insert_relu_after_add(gm: torch.fx.GraphModule) -> torch.fx.GraphModule:
    for node in gm.graph.nodes:
        if node.op == "call_function" and node.target == torch.ops.aten.add.Tensor:

            # Specifies the insertion point. Any nodes added to the graph within
            # this scope will be inserted after `node`
            with gm.graph.inserting_after(node):
                # Insert a new `call_function` node with op `torch.ops.aten.relu.default`
                new_relu_node = gm.graph.call_function(torch.ops.aten.relu.default, args=(node,))
                # Replace all the places that use `node` to now use the `new_relu_node`
                node.replace_all_uses_with(new_relu_node)

總的來說，變換可以大致分為幾個軸

軸 A：1. 建立一對多對映（例如，分解） 2. 建立多對一對映（例如，融合）

軸 B：1. 正向迭代（例如，形狀傳播） 2. 反向迭代（例如，死程式碼消除）

軸 C：1. 依賴於區域性節點資訊（例如，out-variant 轉換） 2. 依賴於全域性圖資訊（例如，記憶體規劃）

我們對這些用例頻率的預測是：1. A.1，B.1，C.1 2. A.2 3. B.2，C.2

雖然我們可以透過直接操作圖來實現所有圖變換，但我們也提供了一些輔助工具，以便在處理 1 級和 2 級用例時更加方便。

Transformer#

對於 1 級用例（建立一對多對映、進行正向迭代和檢視區域性節點資訊），我們可以利用 Transformer 類來執行每個節點並重新建立一個圖，但會應用指定的變換。

一對一 Pass#

對於一對一對映的示例，如果我們想用另一個 op B 替換 op A，我們可以執行 GraphModule，每次看到 op A 時，返回 op B。

一個例子是

class ReplaceAddWithMul(torch.fx.Transformer):
    def call_function(self, target, args, kwargs):
        if target != torch.ops.aten.add.Tensor:
            return super().call_function(target, args, kwargs)
        return super().call_function(torch.ops.aten.mul.Tensor, args, kwargs)

transformed_graph_module = ReplaceAddWithMul(graph_module).transform()

對 super().call_function(target, args, kwargs, meta) 的呼叫會建立一個 call_function FX 節點，並返回使用給定引數執行操作的結果。

一對多 Pass#

如果我們想進行一對多對映，例如用兩個其他 op B 和 C 替換 op A，那麼我們將呼叫兩次 super().call_function 來建立兩個 FX 節點，一個 op B，另一個 op C，並返回執行 op C 的結果。

例如

class ReplaceAddWithMulSub(torch.fx.Transformer):
    """
    Original:
        def f(x, y):
            return x + y

    After pass:
        def f(x, y):
            z = x * y
            return z - y
    """
    def call_function(self, target, args, kwargs):
        if target != torch.ops.aten.add.Tensor:
            return super().call_function(target, args, kwargs)

        x, y = args

        mul_res = super().call_function(torch.ops.aten.mul.Tensor, args, {})
        return super().call_function(torch.ops.aten.sub.Tensor, (mul_res, y), {})

transformed_graph_module = ReplaceAddWithMulSub(graph_module).transform()

一對零 Pass#

如果我們想移除一個 op，我們可以直接返回傳遞給函式的該值

class RemoveDetachPass(torch.fx.Transformer):
    def call_function(self, target, args, kwargs):
        if target not in (
            torch.ops.aten.detach.default,
            torch.ops.aten.detach_copy.default,
        ):
            return super().call_function(target, args, kwargs, meta)

        assert len(args) == 1
        return args[0]

transformed_graph_module = RemoveDetachPass(graph_module).transform()

利用區域性資訊#

利用區域性節點資訊的例子是，如果我們想將圖中的所有標量轉換為張量，我們可以執行給定的 fx.GraphModule，並且對於包含標量的每個引數，我們將其轉換為張量。它可能看起來像

def args_map(target, fn, args, kwargs):
    assert isinstance(args, tuple)
    assert isinstance(kwargs, dict)
    args = list(args)
    kwargs = kwargs.copy()

    # Update the argument based on the function passed
    def update(key, args, schema):
        args[key] = fn(args[key], schema)

    # Update each argument in the schema
    for i, schema in enumerate(target._schema.arguments):
        if schema.name in kwargs:
            update(schema.name, kwargs, schema)
        elif not schema.kwarg_only and i < len(args):
            update(i, args, schema)
    return tuple(args), kwargs

class ScalarToTensorPass(torch.fx.Transformer):
    def call_function(self, target, args, kwargs):
        breakpoint()
        def try_coerce(value, arg):
            return (
                torch.tensor(value)
                if isinstance(value, (float, int, bool))
                and type(arg.type) == torch.TensorType
                else value
            )

        args, kwargs = args_map(target, try_coerce, args, kwargs)
        return super().call_function(target, args, kwargs)

transformed_graph_module = ScalarToTensorPass(graph_module).transform()

子圖重寫器#

要建立多對一對映，我們可以利用 FX 的 subgraph rewriter。給定一個 pattern，它會建立一個匹配該模式的操作子圖，然後將每個匹配的子圖替換為 replacement。

注意

This is an inplace operation.

pattern 和 replacement 輸入必須是可呼叫函式或包含與圖中使用（ATen ops）的相同操作的 GraphModules，這樣子圖重寫器才能在圖中找到正確的模式。模式/替換可呼叫物件的輸入在匹配時將被視為萬用字元。

一個例子

from torch.fx import subgraph_rewriter

def replace_patterns(graph_module):
    def pattern(x, y):
        x = torch.ops.aten.add.Tensor(x, y)
        x = torch.ops.aten.mul.Tensor(x, y)
        return x

    def replacement(x, y):
        return torch.ops.aten.sub.Tensor(x, y)

replaced_patterns = subgraph_rewriter.replace_pattern_with_filters(
    traced_module, pattern, replacement
)

子圖重寫器返回一個 ReplacedPatterns 列表

@dataclass
class ReplacedPatterns:
    # Node from which the match was found
    anchor: Node
    # Maps nodes in the pattern subgraph to nodes in the larger graph
    nodes_map: Dict[Node, Node]
    # List of nodes that were added into the graph
    replacements: List[Node]

注意

The nodes created by the subgraph rewriter will not have the metadata that
is populated in the matched nodes, but you can use
`ReplacedPatterns.nodes_map` to find the nodes in the original graph that
were matched, and `ReplacedPatterns.replacements` to find the nodes that
were replaced in the transformed graph.

Pass Manager#

PassManager 是一個用於在給定圖模組上執行多個 pass 的類。在初始化 PassManager 例項時，我們會傳入一個我們想要執行的 pass 列表，並設定幾個標誌。要在圖模組上執行 pass 集合，我們可以直接將圖模組傳遞給 PassManager 例項。

一個例子

from torch.fx.passes.infra.pass_manager import PassManager

pm = PassManager(
    passes=[replace_add_with_div, replace_div_with_mul],
    run_checks_after_each_pass=True,
    suppress_check_failures=False,
)
graph_module_out = pm(graph_module)

要新增一組常見的檢查，在每個 pass 執行後進行，我們可以呼叫函式 set_checks(check: Callable)，該函式接受一個可呼叫函式作為輸入。如果設定了 run_checks_after_each_pass 標誌，則在圖模組上執行每個 pass 後將呼叫 check。

一個例子

pm = PassManager(passes=[replace_add_with_div, replace_div_with_mul])

def check_div_target(graph_module):
    for node in graph_module.graph.nodes:
        if node.op == "call_function" and node.target != torch.div:
            raise ValueError("Target should be div!")

pm.add_checks(check_div_target)

pm(graph_module)    # raises ValueError after replace_div_with_mul pass

Partitioner#

我們可以使用幾種常見的基於 FX 圖的分割槽器來對圖進行分割槽。

子圖匹配器#

要查詢圖中與特定模式匹配的子圖，我們可以利用 FX 的 SubgraphMatcher。

類屬性

  • pattern (Graph)：目標匹配模式。圖中的佔位符節點在匹配時將被視為萬用字元。

  • match_output (bool)：如果為 True，則模式圖中的輸出節點將被視為目標模式的一部分。如果為 False，則在匹配期間忽略輸出節點。

  • match_placeholder (bool)：如果為 True，則模式圖中的佔位符節點將被視為目標模式的一部分。如果為 False，則佔位符節點將用作萬用字元。

  • remove_overlapping_matches (bool)：如果為 True，在重疊匹配的情況下，將只返回第一個匹配項。

  • ignore_literals (bool)：如果為 True，將不檢查字面量是否相等，而是將它們視為萬用字元。

一個例子

from torch.fx.passes.utils.matcher_utils import SubgraphMatcher

class LargeModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self._weight = torch.nn.Parameter(torch.ones(3, 3))
        self._bias = torch.nn.Parameter(torch.ones(3, 3))

    def forward(self, x):
        return torch.ops.aten.addmm.default(self._bias, x, self._weight)

large_model_graph = torch.export(LargeModel(), inputs).graph

class PatternModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self._weight_1 = torch.nn.Parameter(torch.ones(5, 5))
        self._bias_1 = torch.nn.Parameter(torch.ones(5, 5))

    def forward(self, x):
        return torch.ops.aten.addmm.default(self._bias_1, x, self._weight_1)

pattern_graph = torch.export(PatternModel(), inputs).graph

subgraph_matcher = SubgraphMatcher(pattern_graph)
match_result = subgraph_matcher.match(large_model_graph)

match 函式返回一個 InternalMatch 列表

@dataclass
class InternalMatch():
    # Nodes from which the match was found
    anchors: List[Node]
    # Maps nodes in the pattern subgraph to nodes in the larger graph
    nodes_map: Dict[Node, Node] = field(default_factory=dict)
    # Nodes in target graph that are matched placeholder in pattern
    placeholder_nodes: List[Node] = field(default_factory=list)
    # Nodes in matched subgraph returned by output
    returning_nodes: List[Node] = field(default_factory=list)

基於能力的 Partitioner#

要查詢支援特定不變性的最大節點子圖，我們可以利用 FX 的 CapabilityBasedPartitioner。

類屬性

  • graph_module (torch.fx.GraphModule)：我們正在對其進行分割槽的圖模組。

  • operator_support (OperatorSupportBase)：用於確定圖中的節點是否受分割槽支援的物件。

  • allows_single_node_partition (bool)：如果為 True，則允許形成單節點分割槽。

  • non_compute_ops (Optional[Sequence[str]])：一組被視為“非計算”的操作（例如 torch.ops.aten.view 和 _operator.getitem），以便分割槽器不會建立僅包含這些非計算操作的圖。

  • allowed_single_node_partition_ops (Optional[Sequence[str]])：允許在單節點分割槽中使用的操作集。

OperatorSupportBase 類由分割槽器用來確定圖中的特定節點是否屬於該分割槽。這是透過覆蓋 is_node_supported 函式來完成的。您可以透過使用 chain（如果任何 OperatorSupportBase 返回 False，則返回 False）和 any_chain（如果任何 OperatorSupportBase 返回 True，則返回 True）來連結多個 OperatorSupportBase。

一個例子

from torch.fx.passes.infra.partitioner import CapabilityBasedPartitioner
from torch.fx.passes.operator_support import any_chain, OperatorSupportBase

class AddMulOperatorSupport(OperatorSupportBase):
    def is_node_supported(self, submodules, node: torch.fx.Node) -> bool:
        return node.op == "call_function" and node.target in [
            torch.ops.aten.add.Tensor, torch.ops.aten.mul.Tensor,
        ]

capability_partitioner = CapabilityBasedPartitioner(
    graph_module,
    op_support,
)

# Returns a list of partitions (list of nodes that belong in each partition)
partition_list = capability_partitioner.propose_partitions()
# Fuses the partitions into graph modules and inserts `call_module` nodes in the graph
fused_graph_module = capability_partitioner.fuse_partitions(partition_list)
在此頁面上
在 GitHub 上編輯
顯示原始碼
PyTorch 庫