当前位置: 首页 > 工具软件 > TCSF-Codegen > 使用案例 >

如何在TVM上集成Codegen(下)

太叔逸春
2023-12-01

如何在TVM上集成Codegen(下)
Bring DNNL to TVM: JSON Codegen/Runtime
现在实现将Relay,序列化为JSON表示的DNNL codegen,然后实现DNNL JSON runtime,反序列化和执行。尝试实现codegen,生成C兼容的程序。
要使TVM中的DNNL JSON codegen/runtime在本例中工作,确保DNNL在计算机上可用,使用set(USE_DNNL_CODEGEN ON),构建TVM配置文件。
DNNL codegen在src/relay/backend/contrib/dnnl/codegen.cc。 在这个文件的两个表单中,都实现了DNNL codegen,在跟踪代码时,可以将注意力集中在USE_JSON_RUNTIME宏,所涵盖的部分。
首先用TVM注册API(L510)注册codegen。使TVM编译引擎,将Compiler=的Relay函数,分派到relay.ext.。实现了DNNL编译器(L490)的入口函数。有关详细信息,请阅读代码片段中嵌入的注释:
runtime::Module DNNLCompiler(const ObjectRef& ref) {
// “ref” should be the paritioned Relay function with kCompiler=dnnl.
CHECK(ref->IsInstance());
auto func = Downcast(ref);

// Get the function name as the symbol to match in runtime.
auto func_name = GetExtSymbol(func);

// Serialize the function to a JSON string (introduce later).
DNNLJSONSerializer serializer(func_name, func);
serializer.serialize();
std::string graph_json = serializer.GetJSON();

// The constant tensor names that have been bound to the module.
// All constant tensors will be serialzied along with the JSON graph
// when export_library is invoked.
auto params = serializer.GetParams();

// The function to create DNNL JSON runtime (introduce later).
const auto* pf = runtime::Registry::Get(“runtime.DNNLJSONRuntimeCreate”);
CHECK(pf != nullptr) << “Cannot find JSON runtime module to create”;

// Create a DNNL runtime module that can run the serialized function.
auto mod = (*pf)(func_name, graph_json, params);
return mod;
}
TVM_REGISTER_GLOBAL(“relay.ext.dnnl”).set_body_typed(DNNLCompiler);
每个 runtime模块,只负责一个Relay函数,可能在一个single .so文件中,有多个DNNL runtime模块。
DNNL JSON序列化
接下来,实现dnnljson序列化器(L429)。
从BYOC JSON codegen (src/relay/backend/contrib/codegen_json/codegen_json.h)派生而来。DNNL JSON serializer中的特殊进程,尝试序列化对,可由DNNL JSON runtime解释的JSON节点的,复合函数调用。假设有一个与模式匹配的复合函数dnnl.conv2d_relu,则BYOC JSON codegen将生成以下JSON节点:
{
op: “kernel”,
name: “dnnl.conv2d_relu”,
inputs: [[0, 0, 0], [1, 0, 0]],
attrs: {
PartitionedFromPattern: [“nn.conv2d_nn.relu_”],
shape: [1, 32, 14, 14]
}
}
在runtime仍然需要Conv2D属性,比如padding和stripes,但是BYOC JSON序列化程序,只附加复合函数的属性,不附加body算子。另一方面,定制的DNNL JSON序列化程序,在复合函数中附加第一个,也是唯一一个Conv2D的属性,生成以下JSON节点:
{
op: “kernel”,
name: “dnnl.conv2d_relu”,
inputs: [[0, 0, 0], [1, 0, 0]],
attrs: {
shape: [1, 32, 14, 14],
data_layout: [“NCHW”],
kernel_layout: [“OIHW”],
strides: [1, 1],
padding: [1, 1, 1, 1]
}
}
从DNNL JSON序列化程序,只要JSON runtime能够解释,就可以定制序列化程序,生成JSON格式的任何表单。
DNNL JSON Runtime
实现一个DNNL JSON runtime,解释和执行序列化的JSON图。放在src/runtime/contrib/dnnl/dnnl_json_runtime.cc。
同样,首先注册两个api,创建 runtime,可以在任何地方使用。这个runtime.DNNLJSONRuntimeCreate序列化后,在上一部分中使用, runtime.module.loadbinary_dnnl_json可以在 load.so back时使用。
// Create a DNNL JSON runtime to interpret and execute the given JSON graph.
runtime::Module DNNLJSONRuntimeCreate(String symbol_name, String graph_json,
const Array& const_names) {
auto n = make_object(symbol_name, graph_json, const_names);
return runtime::Module(n);
}
TVM_REGISTER_GLOBAL(“runtime.DNNLJSONRuntimeCreate”)
.set_body_typed(DNNLJSONRuntimeCreate);

TVM_REGISTER_GLOBAL(“runtime.module.loadbinary_dnnl_json”)
.set_body_typed(JSONRuntimeBase::LoadFromBinary);
Now we explain DNNL JSON runtime implementation. The basic class structure is:
class DNNLJSONRuntime : public JSONRuntimeBase {
const char* type_key() const { return “dnnl_json”; }
void Init(const Array& consts) override {
// Initialize the DNNL graph engine.
BuildEngine();

// Setup constants entries for weights.
CHECK_EQ(consts.size(), const_idx_.size())
  << "The number of input constants must match the number of required.";
SetupConstants(consts);

}

void Run() override {
// 1. Fill in the input buffers.
// 2. Invoke the engine through intepreting the stream.
// 3. Read and fill output buffers.
}
}

Init函数负责通过解释JSON图形字符串,构建DNNL引擎,将常量权重填充到相应的数据输入缓冲区(SetupConstant在JSON runtime基类中实现,只需在Init中调用)。
即使运行多次推断,函数也只会调用一次。
接下来,Run函数首先将输入张量(可能来自用户输入或恒定权重),写入构建DNNL引擎时,初始化的相应DNNL内存缓冲区。启动DNNL引擎,执行JSON图。将DNNL输出内存缓冲区,写回相应的输出张量。
由于DNNL JSON runtime中的rest,实现太过DNNL特定,将停止讨论。虽然DNNL JSON runtime是一个很好的参考,但是JSON runtime可以完全定制。
Bring DNNL to TVM: C Source Codegen
实现DNNL codegen,生成C源代码,调用dnnlapi,执行Relay图表。注释如果试图实现一个codegen,生成JSON格式的其它图形表示,可能需要阅读DNNL to TVM: JSON Codegen/Runtime。
要使TVM中的DNNL C源代码生成,确保DNNL在计算机上可用,使用set(USE_DNNL_CODEGEN C_SRC),构建TVM配置文件制作.
DNNL codegen在src/relay/backend/contrib/dnnl/codegen.cc。在这个文件中。两个表单中,都实现了DNNL codegen,在跟踪代码时,可以将注意力集中在USE_JSON_RUNTIME runtime宏未涵盖的部分。
用TVM注册API注册codegen。使TVM编译引擎将Compiler=的Relay函数,分派到relay.ext.。实现DNNL编译器的entry函数:
runtime::Module DNNLCompiler(const ObjectRef& ref) {
DNNLModuleCodegen dnnl;
return dnnl.CreateCSourceModule(ref);
}
TVM_REGISTER_GLOBAL(“relay.ext.dnnl”).set_body_typed(DNNLCompiler);
每个 runtime模块,只负责一个Relay函数,可能在single .so文件中,有多个DNNL runtime模块。
推导了CSourceModuleCodegenBase,实现了DNNLModuleCodegen。CSourceModuleCodegenBase负责序列化等其它模块级流程,只需要在CreateCSourceModule函数中实现DNNL代码生成:
runtime::Module CreateCSourceModule(const ObjectRef& ref) override {
// Include headers
// …skip…
code_stream_ << “#include <dnnl/dnnl_kernel.h>\n”;
// …skip…

// "ref" should be the paritioned Relay function with kCompiler=dnnl.
CHECK(ref->IsInstance<FunctionNode>());
auto res = GenDNNLFunc(Downcast<Function>(ref));

// "code" is the generated C code with DNNL APIs.
std::string code = code_stream_.str();

// "res" is a tuple of constant weights (symbols, values).
// All constant tensors will be serialzied along with the generated C code
// when export_library is invoked.
String sym = std::get<0>(res);
Array<String> variables = std::get<1>(res);

// Create a CSource module with all above artifacts.
const auto* pf = runtime::Registry::Get("runtime.CSourceModuleCreate");
CHECK(pf != nullptr) << "Cannot find csource module to create the external runtime module";
return (*pf)(code, "c", sym, variables);

}
实现GenDNNLFunc,用DNN API生成可编译的C代码。有关TVM C source runtime模块兼容函数接口的说明,参阅嵌入的注释。
// The example Relay graph: conv2d -> add -> relu.
#include
#include
#include
#include
#include <tvm/runtime/c_runtime_api.h>
#include <tvm/runtime/container.h>
#include <tvm/runtime/packed_func.h>
#include <dlpack/dlpack.h>
#include <dnnl/dnnl_kernel.h>
using namespace tvm::runtime;
using namespace tvm::runtime::contrib;

// Execute the conv2d->add->relu graph with DNNL.
extern “C” void dnnl_0_(float* dnnl_0_i0, float* dnnl_0_i1,
float* dnnl_0_i2, float* out0) {
// Allocate intermediate buffers.
float* buf_0 = (float*)std::malloc(4 * 4608);
float* buf_1 = (float*)std::malloc(4 * 4608);
float* buf_2 = (float*)std::malloc(4 * 4608);

// Pre-implemented op-based DNNL functions.
dnnl_conv2d(dnnl_0_i0, dnnl_0_i1, buf_0, 1, 32, 14, 14, 32, 1, 0, 0, 3, 3, 1, 1);
dnnl_add(buf_0, dnnl_0_i2, buf_1, 1, 32, 12, 12);
dnnl_relu(buf_1, buf_2, 1, 32, 12, 12);

// Copy the final output to the corresponding buffer.
std::memcpy(out0, buf_2, 4 * 4608);
std::free(buf_0);
std::free(buf_1);
std::free(buf_2);
}

// The wrapper function with all arguments in DLTensor type.
extern “C” int dnnl_0_wrapper_(DLTensor* arg0,
DLTensor* arg1,
DLTensor* arg2,
DLTensor* out0) {

// Cast all DLTensor to primitive type buffers and invoke the above
// execution function.
dnnl_0_(static_cast<float*>(arg0->data),
static_cast<float*>(arg1->data),
static_cast<float*>(arg2->data),
static_cast<float*>(out0->data));
return 0;
}

// The TVM macro to generate TVM runtime compatible function “dnnl_0”
// from our generated “dnnl_0_wrapper_”.
TVM_DLL_EXPORT_TYPED_FUNC(dnnl_0, dnnl_0_wrapper_);
预先实现基于算子的DNNL函数位于src/runtime/contrib/dnnl/dnnl.cc。
rest实现在src/relay/backend/contrib/dnnl/codegen.cc,DNNL的具体细节,本文就到此为止。主要思想是实现一个Relay,给定的Relay函数,生成上面的C代码。只要codegen能够生成与TVM运行时,兼容的C代码,可以完全定制codegen满足需求。
C Source Compilation
DNNLCompiler的输出是一个模块,生成的C代码是文本格式的,GCC尚未将其编译为可执行的二进制文件。当用户调用export_libray(mod)时,编译生成的C代码,如下面的代码片段:
def update_lib(lib):
# Include the path of src/runtime/contrib/dnnl/dnnl.cc
test_dir = os.path.dirname(os.path.realpath(os.path.expanduser(file)))
source_dir = os.path.join(test_dir, “…”, “…”, “…”)
contrib_path = os.path.join(source_dir, “src”, “runtime”, “contrib”)

# Setup the gcc flag to compile DNNL code.
kwargs = {}
kwargs["options"] = ["-O2", "-std=c++14", "-I" + contrib_path]
tmp_path = util.tempdir()
lib_name = 'lib.so'
lib_path = tmp_path.relpath(lib_name)

# The generated C code with DNNL APIs is compiled to a binary lib.so.
lib.export_library(lib_path, fcompile=False, **kwargs)

# Load the lib.so back to a runtime module.
lib = runtime.load_module(lib_path)
return lib

with tvm.transform.PassContext(opt_level=3):
json, lib, param = relay.build(mod, target=target, params=params)
lib = update_lib(lib)
rt_mod = tvm.contrib.graph_runtime.create(json, lib, ctx)
Bring DNNL to TVM: Build TVM with DNNL Codegen/Runtime
创建cmake/modules/contrib/DNNL.cmake,在构建TVM时,包括DNNL codegen。为了演示,DNNL codegen在同一个cmake文件中,有两个实现。只能根据需要专注于其中的一个。
cmake文件就绪后,现在用户可以在构建中,指定set(USE_DNNL_CODEGEN ON)的build/config.cmake配置文件,制作启用DNNL codegen。

 类似资料: