编译实验 中间代码生成_也谈TVM和深度学习编译器

第一次在知乎上发文章，缘由是上周末看到蓝色和杨军两位大佬对于TVM和XLA的非常有价值的讨论，还看到了高叔叔（多年计算库开发经验）关于自动代码生成和计算库bare-metal式优化的对比，感觉非常有意思，所以也想谈谈自己的看法。我的背景是GPU系统结构和算法加速，从去年开始接触TVM有小一年的时间。

这两篇文章里已经对TVM有了非常好的讨论，我想从下面几个方面谈一下：1）代码生成与自动代码生成；2）TVM和XLA的IR区别；3）TVM可能的应用场景；4）目前来看自动代码生成技术有待提高的地方。

1）代码生成与自动代码生成

代码生成是传统编译器后端模块之一，解决的问题是将优化后的机器无关IR，经过指令选择、寄存器分配和求值顺序等步骤，生成二进制机器代码。另外，传统编译器里将语法解析器到三地址表示转化的过程，也称为中间代码生成。那么我们来看一下TVM里的代码生成做了什么，TVM的输入为：tensor、一系列lambda表达式和相应的schedule，然后解析器生成中间表达，中间表达经过一系列编译优化，最后通过代码生成器产生相应的源代码或机器代码。事实上，对于NVIDIA GPU而言，有两种方式输出代码，一种是直接生成CUDA源码，另一种是通过LLVM生成PTX code，再经过cuda runtime driver编译成cubin代码。我们对比了这两种方式的性能差异，发现第一种方式，也就是仅生成源码的方式，性能甚至会比第二种高出一个数量级。所以，从这个意义上来看，我觉得TVM充当的角色应该是通过将计算和调度分离，在一个大的搜索空间内快速完成代码优化，而代码编译的工作还是应该交给设备提供商。所以，从代码生成的角度来看TVM，我觉得这里的代码生成更多的是将一个只有计算没有调度的代码，也就是 lambda表达式，通过一系列优化转化成一个拥有了一个好的调度的代码（例如输出的CUDA代码），当然这样做的前提也和Halide的一样，Halide自己的定位式DSL，TVM也需要有深度学习的计算多是Tensor类这种嵌套循环计算模式的大前提。从这个意义上来讲，我们将自动代码生成拆解成两部分来看，先看“自动”，我理解自动的意思是将schedule自动加到计算上，而不用人来手工进行优化操作；“代码生成”的意思是一种src2src的代码转化。

2）TVM与XLA的IR区别

a. TVM的IR主要针对嵌套循环优化，因此核心部分很清晰，下面节选了部分：

Program -> Stmt Program | Null 

Stmt -> RealizeStmt |
        ProduceStmt | 
        ForStmt | 
        AttrStmt  | 
        IfThenElseStmt | 
        ProvideStmt | 
        LetStmt
        Expr 

Realize -> realize TensorVar(RangeVar) {Program}
ProduceStmt -> produce TensorVar {Program}
ForStmt -> for (IterVar, Expr, Expr) {Program} 
AttrStmt -> TensorVar Attribute {Program} 
IfThenElseStmt -> if (Expr) then {Program} | 
                  if (Expr) then {Program} else {Program} 
ProvideStmt -> TensorVar(Params)=Expr 
LetStmt -> let ScalarVar=Expr {Program} 

Expr -> Const | 
        TensorVar | 
        ScalarVar | 
        IterVar | 
        RangeVar |
        Binary | 
        Unary | 
        Call  

由parser生成IR之后，scheduler和lower部分不断对IR进行更新，生成的IR已经非常像一段源代码了，最后经过字符串拼接转换成CUDA源代码。因此，TVM IR的特点是专注在嵌套循环部分，有意保留嵌套循环之间的信息，然后不断更新嵌套循环关系以及与之相关的memory操作。

上述部分是TVM偏算子端的IR，偏计算图端的部分是Relay（NNVM的后继），Relay部分提供了DAG和A-Normal两种类型表达计算图的方式，其中A-Normal是lambda表达式计算续体传递风格（CPS）的一种管理性源码规约，分别供偏好于深度学习和计算语言的人员使用，两者是基本等价的。可以看到，TVM对于图部分的IR和算子部分的IR，有明显的分层。

b. XLA的IR

XLA的IR为HLO IR，HLO为High Level Optimizer的缩写，顾名思义，这一层的IR主要描述的是设备无关优化，而设备相关优化会借助LLVM后端来完成。HLO IR相比TVM IR最大的区别是：HLO IR中既表示DAG，又表示加减乘除这些细节的运算，以及相关的辅助功能，比如layout相关的reshape。TVM IR的分层标准是计算图和算子，而HLO IR的分层标准是设备无关和设备相关。

XLA IR在优化中，会将一些具名算子节点（BatchNormalization）直接替换为包含计算细节（+-*/），同时插入一些相关的add、multiply和maximum等节点；或者将另外的具名算子（Conv）替换为cuDNN API，并且插入相应的call、reshape等节点。接下来，会做一些fusion和dse等优化操作。更细致的讨论，我们稍后会以学习笔记的形式共享出来。以下是一些相关的优化总结：

1. optimization 

zero_sized_hlo_eliminatioin 
dynamic-index-splitter 
gpu_hlo_support_checker 
CallInliner 
dot_decomposer 
convolution-group-converter 
stable-sort-expander 
element_type_converter 
simplification
batchnorm_expander 
algsimp 
simplify-sorts 
tuple-simplifier 
while-loop-constant-sinking 
simplify-while-loops 
slice-sinker 
dce 
reshape-mover 
constant-folding 
simplify-conditional 
hlo-get-dimension-size-rewriter 
zero_sized_hlo_elimination 
transpose-folding 
cse 
dce 
while-loop-trip-count-annotator 

2. conv_canonicalization 
consolver-rewriter 
cudnn-conv-rewriter 
cudnn-fused-convolution 
cudnn-conv-padding 
constant-folding 

3. layout_assignment 
layout-assignment 

4. post-layout_assignment 
algsimp 
cudnn-conv-algorithm-picker 
tuple-simplifier 
cse 

5. fusion
variadic-op-splitter 
fusion (x2) 
fusion_merger 
multi_output_fusion 
cse 
dce 

6. reduce-precision 

7. GPU-ir-emit-prepare 
dce 
flatten-call-graph 
copy-insertion 
adding_copies_to_resolve_interference 
removing_unnecessary_copies 
adding_special-case_copies 
sanitize-constant-names 

3）TVM可能的应用场景

我们将TVM可能的应用场景分成了两种，一种是离线支持敏捷算子优化，通过TVM自动代码生成的功能，部分解放优化人员手动添加优化的负担。具体地，给定一个计算，优化人员进行workload characterization分析完计算访存pattern之后，可以拟定几种可能的优化方案，如果TVM的schedule中包含，那么可以直接应用TVM来生成包含该优化的代码。然后借助profiler来分析代码的瓶颈，进一步修正或者更新优化方案，再试图借助TVM的自动生成能力，如此循环往复。到最后，如果TVM代码的可读性足够的话，优化人员可以在其上做手动优化；如果可读性不好的话，TVM也可以帮助优化人员快速确定优化方案。

另外一种场景是，运行时代码生成。当研究员在试验新的算子时，由于没有可供调用的计算库，同时缺乏CUDA等高性能代码开发经验，因此很多情况下是通过裸跑python代码来调用新算子的。PyTorch已经在今年5月份开始将TVM接入到PyTorch中实现运行时代码优化编译，目前已经可以运行了。具体的方式如下图（来源于PyTorch/TVM的github）：

左图为PyTorch本来的编译优化流程，通过script和trace两种方式，进入到PyTorch IR优化流程中，IR进行优化之后，经由执行引擎来进行执行。右图为TVM接入的方式，通过修改PyTorch工程中script和trace的部分，将TVM IR以及相关优化勾到PyTorch IR上，因此首先需要一个Lower部分，做PyTorch IR到TVM IR之间的解析转化，然后通过TVM IR来做相应优化，最后在编译到PyTorch IR上。这样做的方式很像MLIR中将不同IR连通起来，合作优化的思路，不过这样连通两个IR已经有非常大的工程量，如果不同IR的数据结构和实现细节差异较大，多个IR的连通会非常困难，MLIR的部分还没有非常深入的研究，暂时不做过多评价。

4）目前来看自动代码生成技术有待提高的地方

自动代码生成技术目前仍然有许多需要完善的地方，以下几点是我个人的思考：

a. 目前TVM生成代码在多数情况下需要已知Tensor的形状，而这使得TVM被拿来做推理引擎以及JIT来使用。这个局限背后的原因是，在做各种各样的嵌套循环优化时会对循环的边界进行多次操作，如果循环边界未知的话，多次操作之后，对于循环边界的推断将变得非常麻烦，目前的区间分析技术，还不能完全胜任。因此，支持未知Tensor形状的代码生成，对于拓宽自动代码生成技术的应用非常重要，却又非常难做。

b. TVM需要人为来写schedule，这个问题在很多文章里都有提及，Halide和TVM也都做了很多尝试，auto-tuning更多的是去explore对应schedule的参数，如何高效地auto-schedule还是个开放问题。

c. 接上一条，polyhedron model是一个做auto-schedule的思路，不过从Tensor Comprehesion的例子来看，想把它用好还非常困难，在阅读相关源代码时，当时的contributor对里面的实现也并不满意，甚至会发出sigh的感叹。不过由于目前TVM对不完美循环，或者循环变量有依赖的情况没有办法处理，这种情况也可以考虑使用polyhedron model来做。

d. 进一步提高代码可读性

以上是我的一些思考，关于XLA IR、Glow IR和TVM IR到底哪一种更好，或者该如何协同使用，现有深度学习框架中的IR如何借鉴使用这些工作，都是非常开放的问题，最终会收敛到什么样子，现在还不能轻下判断。更多的深度学习编译器的实践、体会和学习笔记，供大家批评指正。