目录
为了从Relay IR中使用TVM操作符,需要在Relay中注册操作符,以确保将其集成到Relay的类型系统中。
注册操作符需要三个步骤:
-
使用C ++中的宏
RELAY_REGISTER_OP
注册操作符的Arity和类型信息 -
定义一个C ++函数为操作符生成一个调用节点,并为该函数注册一个Python API挂钩
-
将上述Python API挂钩包装在更整洁的接口中
src/relay/op/tensor/binary.cc
文件提供了前两个步骤的示例,同时python/tvm/relay/op/tensor.py
提供了最后一个步骤示例。
注册操作符
TVM已经具有操作符注册表,但是如果没有其他类型信息,Relay无法正确合并TVM操作符。
为了在注册操作符时具有灵活性,并在Relay中表达类型时提供更大的表达性和粒度,使用输入和输出类型之间的关系来确定操作符类型。这些关系表示为函数,该函数接受输入类型和输出类型列表(这些类型中的任何一个都不完整)并返回满足该关系的输入和输出类型列表。本质上,操作符的关系除了计算输出类型外,还可以强制执行所有必要的键入规则(即,通过检查输入类型)。
例如,请参见src/relay/op/type_relations.h
及其实现。例如,BroadcastRel
接受两个输入类型和一个输出类型,检查它们都是具有相同基础数据类型的张量类型,最后确保输出类型的形状是输入类型形状的广播。
type_relations.h
如果现有类型未捕获所需运算符的行为,则可能有必要添加另一种类型关系。
C ++中的宏RELAY_REGISTER_OP
允许开发人员指定以下有关Relay中的运算符的信息:
-
Arity(参数个数)
-
位置参数的名称和说明
-
支持级别(1表示内部固有的;较高的数字表示集成度或外部支持的操作符较少)
-
运算符的类型关系
下面的示例来自binary.cc
张量,并将其用于张量:
RELAY_REGISTER_OP("add")
.set_num_inputs(2)
.add_argument("lhs", "Tensor", "The left hand side tensor.")
.add_argument("rhs", "Tensor", "The right hand side tensor.")
.set_support_level(1)
.add_type_rel("Broadcast", BroadcastRel);
创建一个调用节点
此步骤仅需要简单地编写一个将参数带给操作符的函数(作为Relay表达式),然后将调用节点返回给运算符(即,应将其放置在打算调用运算符的Relay AST中的节点)。
目前不支持调用属性和类型参数(最后两个字段),因此用【Op::Get
】足以从操作符注册表中获取操作符信息,并将参数传递给调用节点,如下所示。
TVM_REGISTER_GLOBAL("relay.op._make.add")
.set_body_typed<Expr(Expr, Expr)>([](Expr lhs, Expr rhs) {
static const Op& op = Op::Get("add");
return CallNode::make(op, {lhs, rhs}, Attrs(), {});
});
引用一个Python API
通常,Relay中的约定是,通过TVM_REGISTER_GLOBAL
导出的函数应该包装在单独的Python函数中,而不是直接在Python中调用。对于产生对运算符的调用的函数,将它们捆绑起来可能很方便,如中所示python/tvm/relay/op/tensor.py
,其中都提供了张量上的元素运算符。例如,以下是上一节中的add函数在Python中的显示方式:
def add(lhs, rhs):
"""Elementwise addition.
Parameters
----------
lhs : relay.Expr
The left hand side input data
rhs : relay.Expr
The right hand side input data
Returns
-------
result : relay.Expr
The computed result.
"""
return _make.add(lhs, rhs)
请注意,这些Python包装器也可能是向操作符提供更简单接口的好机会。例如,该 【concat
】运算符被注册为仅接受一个运算符,即具有要连接的张量的元组,但是Python包装器将这些张量作为参数并将其组合成一个元组,然后生成调用节点:
def concat(*args):
"""Concatenate the input tensors along the zero axis.
Parameters
----------
args: list of Tensor
Returns
-------
tensor: The concatenated tensor.
"""
tup = Tuple(list(args))
return _make.concat(tup)
梯度运算符
梯度运算符对于在Relay中编写可微分的程序很重要。尽管Relay的autodiff算法可以区分一流的语言结构,但运算符是不透明的。由于Relay无法查看具体实现,因此必须提供明确的微分规则。
Python和C ++均可用于编写梯度运算符,但是我们将示例重点放在Python上,因为它更常用。
在Python中添加梯度
可以在python/tvm/relay/op/_tensor_grad.py
中找到Python梯度运算符的集合 。我们将通过两个有代表性的示例:sigmoid
和multiply
。
@register_gradient("sigmoid")
def sigmoid_grad(orig, grad):
"""Returns [grad * sigmoid(x) * (1 - sigmoid(x))]."""
return [grad * orig * (ones_like(orig) - orig)]
这里的输入是原始运算符【orig
】和【grad
】要累加的梯度。我们返回的是一个列表,其中第i个索引处的元素是运算符相对于运算符第i个输入的导数。通常,梯度将返回一个列表,其中包含与基本运算符输入相同数量的元素。
在进一步分析这个定义之前,首先我们应该回顾一下Sigmod函数的导数:【 ∂σ/∂x=σ(x)(1−σ(x))】。上面的定义看起来与数学定义相似,但是有一个重要的补充,我们将在下面进行描述。
该术语【 ∂σ/∂x=σ(x)(1−σ(x))】直接与导数匹配,因为这里【orig
】是Sigmod型函数,但我们不仅对如何计算此函数的梯度感兴趣。我们有兴趣将此梯度与其他梯度组合,我们可以在整个程序中累积该梯度。这就是为什么出现【grad
】。在表达式【grad * orig * (ones_like(orig) - orig)
】中,乘以【grad
】指定到目前为止的梯度如何组成导数。
现在,我们来看multiply
一个更有趣的示例:
@register_gradient("multiply")
def multiply_grad(orig, grad):
"""Returns [grad * y, grad * x]"""
x, y = orig.args
return [collapse_sum_like(grad * y, x),
collapse_sum_like(grad * x, y)]
在此示例中,返回列表中有两个元素,因为【multiply
】 它是二元运算符。再回想一下,如果f(x,y)=xy,偏导数是【∂f/∂x=y∂f∂x=y】 和【 ∂f/∂y=x∂f∂y=x】。
【multiply
】有一个必需的步骤,因为广播具有语义,因此multiply
不需要sigmod 。由于【grad
】的形状可能与输入 的形状不匹配,因此我们使用【collapse_sum_like
】获取【grad * <var>】项的内容,并使形状与我们要微分的输入的形状相匹配。
在C ++中添加求导
在C ++中添加渐变求导类似于在Python中添加求导,但是注册的接口略有不同。
首先,确保src/relay/pass/pattern_util.h
包括在内。它提供了用于在Relay AST中创建节点的辅助功能。然后,以类似于Python示例的方式定义求导:
tvm::Array<Expr> MultiplyGrad(const Expr& orig_call, const Expr& output_grad) {
const Call& call = orig_call.Downcast<Call>();
return { CollapseSumLike(Multiply(output_grad, call.args[1]), call.args[0]),
CollapseSumLike(Multiply(output_grad, call.args[0]), call.args[1]) };
}
请注意,在C ++中,我们不能使用与Python中相同的运算符重载,并且需要向下转换,因此实现更为冗长。即便如此,我们仍可以轻松地验证此定义是否与Python中的先前示例相同。
现在,代替使用Python装饰器,我们需要为【“FPrimalGradient”】追踪【set_attr
】的调用,在基本运算符注册的末尾,以注册求导。
RELAY_REGISTER_OP("multiply")
// ...
// Set other attributes
// ...
.set_attr<FPrimalGradient>("FPrimalGradient", MultiplyGrad);
总结
-
TVM操作符可以使用表示适当类型信息的关系在Relay中注册。
-
在Relay中使用操作符需要一个函数来为操作符生成调用节点。
-
最好有一个简单的Python包装器来生成调用节点