torch.compiler ¶

译者：片刻小哥哥

项目地址：https://pytorch.apachecn.org/2.0/docs/torch.compiler

原始地址：https://pytorch.org/docs/stable/torch.compiler.html

torch.compiler 是一个命名空间，通过它可以显示一些内部编译器方法以供用户使用。该命名空间中的主要功能和特性是“torch.compile”。

torch.compile 是 PyTorch 2.x 中引入的 PyTorch 函数，旨在解决 PyTorch 中准确捕获图形的问题，最终使软件工程师能够更快地运行他们的 PyTorch 程序。 torch.compile 是用 Python 编写的，它标志着 PyTorch 从 C++ 到 Python 的过渡。

torch.compile 利用以下底层技术：

TorchDynamo (torch._dynamo) 是一个内部 API，它使用称为框架评估 API 的 CPython 功能来安全地捕获 PyTorch 图形。PyTorch 用户在外部可用的方法通过 torch.compiler 命名空间显示。
TorchInductor 是默认的“torch.compile”深度学习编译器，可为多个加速器和后端生成快速代码。您需要使用后端编译器来通过“torch.compile”实现加速。对于 NVIDIA 和 AMD GPU，它利用 OpenAI Triton 作为关键构建块。
AOT Autograd 不仅捕获用户级代码，还捕获反向传播，从而“提前”捕获反向传播。这使得使用 TorchInductor 可以加速前向和后向传递。

笔记

在某些情况下，术语“torch.compile”、“TorchDynamo”、“torch.compiler”在本文档中可能可以互换使用。

如上所述，为了更快地运行工作流程，通过 TorchDynamo 的“torch.compile”需要一个后端，将捕获的图形转换为快速机器代码。不同的后端会带来不同的优化增益。默认的后端称为 TorchInductor，也称为 inductor ，TorchDynamo 有一个由我们的合作伙伴开发的支持的后端列表，可以通过运行 torch.compiler.list_backends( ) 每个都有其可选的依赖项。

一些最常用的后端包括：

训练和推理后端

Backend	Description
`torch.compile(m, backend="inductor")`	Uses the TorchInductor backend. Read more
`torch.compile(m, backend="cudagraphs")`	CUDA graphs with AOT Autograd. Read more
`torch.compile(m, backend="ipex")`	Uses IPEX on CPU. Read more
`torch.compile(m, backend="onnxrt")`	Uses ONNX Runtime for training on CPU/GPU. Read more

仅推理后端

Backend	Description
`torch.compile(m, backend="tensorrt")`	Uses ONNX Runtime to run TensorRT for inference optimizations. Read more
`torch.compile(m, backend="ipex")`	Uses IPEX for inference on CPU. Read more
`torch.compile(m, backend="tvm")`	Uses Apache TVM for inference optimizations. Read more

torch.compiler ¶

阅读更多内容 ¶