Skip to content

自定义 C++ 和 CUDA 扩展

译者:片刻小哥哥

项目地址:https://pytorch.apachecn.org/2.0/tutorials/advanced/cpp_extension

原始地址:https://pytorch.org/tutorials/advanced/cpp_extension.html

作者 : Peter Goldsborough

PyTorch 提供了大量与神经网络、任意tensor代数、数据整理和其他目的相关的操作。但是,您可能仍然发现 自己需要更加自定义的操作。例如,您可能想要 使用在论文中发现的新颖激活函数,或实现 您在研究中开发的操作。

在 PyTorch 中集成此类自定义操作的最简单方法是通过扩展 FunctionModule 来用 Python 编写它,如概述 此处 。这为您提供了自动微分的全部功能(使您无需编写派生函数)以及 Python 的通常表达能力。然而,有时 您的操作最好用 C++ 实现。例如,您的代码 可能需要 真正 快,因为它在您的模型中被非常频繁地调用 而且即使对于很少的调用也非常昂贵。另一个可能的原因是它依赖于其他 C 或 C++ 库或与其他 C 或 C++ 库交互。为了解决此类情况, PyTorch 提供了一种非常简单的方法来编写自定义 C++ 扩展

C++ 扩展是我们开发的一种机制,允许用户(您)创建 定义的 PyTorch 运算符 out-of-source ,即与 PyTorch 后端分开。此方法与本机 PyTorch 操作的实现方式不同。 C++ 扩展旨在为您节省大量与 PyTorch’s 后端集成操作相关的样板文件,同时为您基于 PyTorch 的项目提供高度的灵活性。 不过,一旦您定义了将您的操作作为 C++ 扩展, 将其转换为原生 PyTorch 函数很大程度上是代码组织的问题, 如果您决定将您的操作贡献给上游, 您可以在事后解决这个问题。

动机和示例

本说明的其余部分将介绍编写和使用 C++(和 CUDA)扩展的实际示例。如果您被追赶,或者如果 您在一天结束前没有 ’ 完成该操作,有人会解雇您,您可以跳过本节并 直接进入下一节中的实现细节。\ n

让’s 假设你’s 已经想出了一种新的循环单元,你发现它 与现有技术相比具有更优越的性能。此循环单元 与 LSTM 类似,但不同之处在于它缺少 遗忘门 并使用 指数线性单元 (ELU) 作为其内部激活函数。因为 这个单元永远不会忘记,所以我们’ 将其称为 LLTMLong-Long-Term-Memory 单元。

LLTM 与普通 LSTM 的两种不同之处足够重要 我们可以\xe2\x80\x99t 配置 PyTorch\xe2\x80\x99s LSTMCell 以满足我们的目的,因此我们\xe2\x80 \x99 必须 创建一个自定义单元格。对于这个 \xe2\x80\x93 来说,第一个也是最简单的方法可能在所有情况下都是一个好的第一步 \xe2\x80\x93 是使用 Python 在普通 PyTorch 中实现我们想要的功能。为此,我们需要子类 torch.nn.Module 并实现 LLTM 的前向传递。这 看起来像这样:

class LLTM(torch.nn.Module):
    def __init__(self, input_features, state_size):
        super(LLTM, self).__init__()
        self.input_features = input_features
        self.state_size = state_size
        # 3 * state_size for input gate, output gate and candidate cell gate.
        # input_features + state_size because we will multiply with [input, h].
        self.weights = torch.nn.Parameter(
            torch.empty(3 * state_size, input_features + state_size))
        self.bias = torch.nn.Parameter(torch.empty(3 * state_size))
        self.reset_parameters()

    def reset_parameters(self):
        stdv = 1.0 / math.sqrt(self.state_size)
        for weight in self.parameters():
            weight.data.uniform_(-stdv, +stdv)

    def forward(self, input, state):
        old_h, old_cell = state
        X = torch.cat([old_h, input], dim=1)

        # Compute the input, output and candidate cell gates with one MM.
        gate_weights = F.linear(X, self.weights, self.bias)
        # Split the combined gate weight matrix into its components.
        gates = gate_weights.chunk(3, dim=1)

        input_gate = torch.sigmoid(gates[0])
        output_gate = torch.sigmoid(gates[1])
        # Here we use an ELU instead of the usual tanh.
        candidate_cell = F.elu(gates[2])

        # Compute the new cell state.
        new_cell = old_cell + candidate_cell * input_gate
        # Compute the new hidden state and output.
        new_h = torch.tanh(new_cell) * output_gate

        return new_h, new_cell

然后我们可以按预期使用:

import torch

X = torch.randn(batch_size, input_features)
h = torch.randn(batch_size, state_size)
C = torch.randn(batch_size, state_size)

rnn = LLTM(input_features, state_size)

new_h, new_C = rnn(X, (h, C))

当然,如果可能并且合理的话,您应该使用这种方法来扩展 PyTorch。由于 PyTorch 对其 CPU 和 GPU 操作进行了高度优化的实现,由 NVIDIA cuDNN 等库提供支持, Intel MKLNNPACK ,像上面这样的 PyTorch 代码将通常 足够快。然而,我们也可以看出为什么在某些情况下, 还有进一步改进性能的空间。最明显的原因是 PyTorch 不了解您正在实现的算法。它只知道 您用来组成算法的各个操作。因此,PyTorch 必须一个接一个地单独执行您的操作。由于对操作的实现(或 kernel )的每个 单独调用(可能涉及CUDA内核的启动)都有一定的开销,因此在许多函数调用中,此 开销可能会变得很大。此外, 运行我们代码的 Python 解释器本身也会减慢我们的程序速度。

因此,加快速度的一个明确方法是用 C++(或 CUDA)重写部分内容和 熔断 特定的操作组。融合意味着 将许多函数的实现组合到一个函数中, 这得益于 更少的内核启动以及 我们可以执行的其他优化, 提高了全局数据流的可见性。

让’s 看看如何使用 C++ 扩展来实现 fused 版本的 LLTM。我们’ 将首先使用普通 C++ 编写它,使用 ATen 库,该库为 PyTorch’s\ 的大部分提供支持 nbackend,看看它如何让我们轻松地翻译 Python 代码。然后,我们’ 将模型的部分内容移至 CUDA 内核, 从 GPU 提供的大规模并行性中获益,从而进一步加快速度。

编写 C++ 扩展

C++ 扩展有两种风格:它们可以使用 setuptools 提前\xe2\x80\x9c 构建\xe2\x80\x9c,或者及时\xe2\x80\ 构建\xe2\x80\x9c x9d via torch.utils.cpp_extension.load() .我们\xe2\x80\x99将从第一种方法开始, 稍后讨论后者。

使用

setuptools构建

对于“ahead of time” 风格,我们通过编写 setup.py 脚本来构建我们的C++ 扩展,该脚本使用setuptools 来编译我们的C++ 代码。对于 LLTM, 看起来就像这样简单:

from setuptools import setup, Extension
from torch.utils import cpp_extension

setup(name='lltm_cpp',
      ext_modules=[cpp_extension.CppExtension('lltm_cpp', ['lltm.cpp'])],
      cmdclass={'build_ext': cpp_extension.BuildExtension})

在此代码中, CppExtensionsetuptools.Extension 的便捷包装器,它传递正确的包含路径并将 扩展语言设置为 C++。等效的普通 setuptools 代码就是:

Extension(
   name='lltm_cpp',
   sources=['lltm.cpp'],
   include_dirs=cpp_extension.include_paths(),
   language='c++')

BuildExtension 执行许多必需的配置步骤和检查,并在混合 C++/CUDA 扩展的情况下管理混合编译。 ’ 是我们现在真正需要了解的关于构建 C++ 扩展的全部信息!现在让’s 看一下我们的 C++ 扩展的实现, 它进入 lltm.cpp

编写 C++ Op

让’s 开始用C++ 实现LLTM!我们’ 向后传递所需的函数之一是 sigmoid 的导数。这是一段足够小的代码, 足以讨论我们在编写 C++ 扩展时可用的整体环境:

#include <torch/extension.h>

#include <iostream>

torch::Tensor d_sigmoid(torch::Tensor z) {
 auto s = torch::sigmoid(z);
 return (1 - s) * s;
}

<torch/extension.h> 是一站式标头,包含编写 C++ 扩展所需的所有 PyTorch 位。它包括:

  • ATen 库,这是我们用于tensor计算的主要 API,
  • pybind11 ,这是我们为 C++ 代码创建 Python 绑定的方式,
  • 管理 ATen 和 pybind11 之间交互细节的标头。

d_sigmoid()的实现展示了如何使用 ATen API。 PyTorch’s tensor和变量接口是从 ATen 库自动生成的,因此我们可以更多或者更少地将我们的 Python 实现 1:1 转换为 C++。我们所有计算的主要数据类型将是 torch::Tensor 。可以在此处检查其完整 API。另请注意,我们可以包含 <iostream>任何其他 C 或 C++ 标头 –,我们可以使用 C++11 的全部功能。

请注意,在 Windows 上解析 torch/extension.h 时,CUDA-11.5 nvcc 将遇到内部编译器错误。 要解决此问题,请将 python 绑定逻辑移至纯 C++ 文件。 使用示例:

#include <ATen/ATen.h>
at::Tensor SigmoidAlphaBlendForwardCuda(....)

而不是:

#include <torch/extension.h>
torch::Tensor SigmoidAlphaBlendForwardCuda(...)

当前未解决的 nvcc bug 问题 此处 . 完整的解决方法代码示例 此处 .

正向传递

接下来我们可以将整个前向传递移植到 C++:

#include <vector>

std::vector<at::Tensor> lltm_forward(
 torch::Tensor input,
 torch::Tensor weights,
 torch::Tensor bias,
 torch::Tensor old_h,
 torch::Tensor old_cell) {
 auto X = torch::cat({old_h, input}, /*dim=*/1);

 auto gate_weights = torch::addmm(bias, X, weights.transpose(0, 1));
 auto gates = gate_weights.chunk(3, /*dim=*/1);

 auto input_gate = torch::sigmoid(gates[0]);
 auto output_gate = torch::sigmoid(gates[1]);
 auto candidate_cell = torch::elu(gates[2], /*alpha=*/1.0);

 auto new_cell = old_cell + candidate_cell * input_gate;
 auto new_h = torch::tanh(new_cell) * output_gate;

 return {new_h,
 new_cell,
 input_gate,
 output_gate,
 candidate_cell,
 X,
 gate_weights};
}

向后传递

C++ 扩展 API 目前不提供自动 为我们生成向后函数的方法。因此,我们还必须实现 LLTM 的后向传递,它计算损失相对于前向传递的每个输入的导数。最终,我们将 forward和backward函数放入 torch.autograd.Function 创建 良好的 Python 绑定。向后函数稍微复杂一些,所以 我们’不会深入研究代码(如果你有兴趣, Alex Graves’ 论文 是一本很好的读物,可了解更多 这方面的信息):

// tanh'(z) = 1 - tanh^2(z)
torch::Tensor d_tanh(torch::Tensor z) {
 return 1 - z.tanh().pow(2);
}

// elu'(z) = relu'(z) + { alpha * exp(z) if (alpha * (exp(z) - 1)) < 0, else 0}
torch::Tensor d_elu(torch::Tensor z, torch::Scalar alpha = 1.0) {
 auto e = z.exp();
 auto mask = (alpha * (e - 1)) < 0;
 return (z > 0).type_as(z) + mask.type_as(z) * (alpha * e);
}

std::vector<torch::Tensor> lltm_backward(
 torch::Tensor grad_h,
 torch::Tensor grad_cell,
 torch::Tensor new_cell,
 torch::Tensor input_gate,
 torch::Tensor output_gate,
 torch::Tensor candidate_cell,
 torch::Tensor X,
 torch::Tensor gate_weights,
 torch::Tensor weights) {
 auto d_output_gate = torch::tanh(new_cell) * grad_h;
 auto d_tanh_new_cell = output_gate * grad_h;
 auto d_new_cell = d_tanh(new_cell) * d_tanh_new_cell + grad_cell;

 auto d_old_cell = d_new_cell;
 auto d_candidate_cell = input_gate * d_new_cell;
 auto d_input_gate = candidate_cell * d_new_cell;

 auto gates = gate_weights.chunk(3, /*dim=*/1);
 d_input_gate *= d_sigmoid(gates[0]);
 d_output_gate *= d_sigmoid(gates[1]);
 d_candidate_cell *= d_elu(gates[2]);

 auto d_gates =
 torch::cat({d_input_gate, d_output_gate, d_candidate_cell}, /*dim=*/1);

 auto d_weights = d_gates.t().mm(X);
 auto d_bias = d_gates.sum(/*dim=*/0, /*keepdim=*/true);

 auto d_X = d_gates.mm(weights);
 const auto state_size = grad_h.size(1);
 auto d_old_h = d_X.slice(/*dim=*/1, 0, state_size);
 auto d_input = d_X.slice(/*dim=*/1, state_size);

 return {d_old_h, d_input, d_weights, d_bias, d_old_cell};
}

绑定到 Python

一旦您用 C++ 和 ATen 编写了操作,您就可以使用 pybind11 以非常简单的方式将您的 C++ 函数或类绑定到 Python 中。 您对 PyTorch C++ 扩展的这一部分的疑问或问题将主要是 由 pybind11 文档 解决 。

对于我们的扩展,必要的绑定代码仅跨越四行:

PYBIND11_MODULE(TORCH_EXTENSION_NAME, m) {
 m.def("forward", &lltm_forward, "LLTM forward");
 m.def("backward", &lltm_backward, "LLTM backward");
}

这里需要注意的一点是宏 TORCH_EXTENSION_NAME 。 torch 扩展 build 会将其定义为您在 setup.py 脚本中为扩展指定的名称。在这种情况下, TORCH_EXTENSION_NAME 的值将为 “lltm_cpp”。 这是为了避免必须维护 在两个地方(构建脚本和 C++ 代码)进行扩展,因为两者之间的不匹配可能导致 令人讨厌且难以跟踪的问题。

使用您的扩展

我们现在准备在 PyTorch 中导入我们的扩展。此时,您的目录 结构可能如下所示:

pytorch/
  lltm-extension/
    lltm.cpp
    setup.py

现在,运行 `python

setup.py

install` 来构建并安装您的扩展。这 应该看起来像这样:

running install
running bdist_egg
running egg_info
creating lltm_cpp.egg-info
writing lltm_cpp.egg-info/PKG-INFO
writing dependency_links to lltm_cpp.egg-info/dependency_links.txt
writing top-level names to lltm_cpp.egg-info/top_level.txt
writing manifest file 'lltm_cpp.egg-info/SOURCES.txt'
reading manifest file 'lltm_cpp.egg-info/SOURCES.txt'
writing manifest file 'lltm_cpp.egg-info/SOURCES.txt'
installing library code to build/bdist.linux-x86_64/egg
running install_lib
running build_ext
building 'lltm_cpp' extension
creating build
creating build/temp.linux-x86_64-3.7
gcc -pthread -B ~/local/miniconda/compiler_compat -Wl,--sysroot=/ -Wsign-compare -DNDEBUG -g -fwrapv -O3 -Wall -Wstrict-prototypes -fPIC -I~/local/miniconda/lib/python3.7/site-packages/torch/include -I~/local/miniconda/lib/python3.7/site-packages/torch/include/torch/csrc/api/include -I~/local/miniconda/lib/python3.7/site-packages/torch/include/TH -I~/local/miniconda/lib/python3.7/site-packages/torch/include/THC -I~/local/miniconda/include/python3.7m -c lltm.cpp -o build/temp.linux-x86_64-3.7/lltm.o -DTORCH_API_INCLUDE_EXTENSION_H -DTORCH_EXTENSION_NAME=lltm_cpp -D_GLIBCXX_USE_CXX11_ABI=1 -std=c++11
cc1plus: warning: command line option ‘-Wstrict-prototypes’ is valid for C/ObjC but not for C++
creating build/lib.linux-x86_64-3.7
g++ -pthread -shared -B ~/local/miniconda/compiler_compat -L~/local/miniconda/lib -Wl,-rpath=~/local/miniconda/lib -Wl,--no-as-needed -Wl,--sysroot=/ build/temp.linux-x86_64-3.7/lltm.o -o build/lib.linux-x86_64-3.7/lltm_cpp.cpython-37m-x86_64-linux-gnu.so
creating build/bdist.linux-x86_64
creating build/bdist.linux-x86_64/egg
copying build/lib.linux-x86_64-3.7/lltm_cpp.cpython-37m-x86_64-linux-gnu.so -> build/bdist.linux-x86_64/egg
creating stub loader for lltm_cpp.cpython-37m-x86_64-linux-gnu.so
byte-compiling build/bdist.linux-x86_64/egg/lltm_cpp.py to lltm_cpp.cpython-37.pyc
creating build/bdist.linux-x86_64/egg/EGG-INFO
copying lltm_cpp.egg-info/PKG-INFO -> build/bdist.linux-x86_64/egg/EGG-INFO
copying lltm_cpp.egg-info/SOURCES.txt -> build/bdist.linux-x86_64/egg/EGG-INFO
copying lltm_cpp.egg-info/dependency_links.txt -> build/bdist.linux-x86_64/egg/EGG-INFO
copying lltm_cpp.egg-info/top_level.txt -> build/bdist.linux-x86_64/egg/EGG-INFO
writing build/bdist.linux-x86_64/egg/EGG-INFO/native_libs.txt
zip_safe flag not set; analyzing archive contents...
__pycache__.lltm_cpp.cpython-37: module references __file__
creating 'dist/lltm_cpp-0.0.0-py3.7-linux-x86_64.egg' and adding 'build/bdist.linux-x86_64/egg' to it
removing 'build/bdist.linux-x86_64/egg' (and everything under it)
Processing lltm_cpp-0.0.0-py3.7-linux-x86_64.egg
removing '~/local/miniconda/lib/python3.7/site-packages/lltm_cpp-0.0.0-py3.7-linux-x86_64.egg' (and everything under it)
creating ~/local/miniconda/lib/python3.7/site-packages/lltm_cpp-0.0.0-py3.7-linux-x86_64.egg
Extracting lltm_cpp-0.0.0-py3.7-linux-x86_64.egg to ~/local/miniconda/lib/python3.7/site-packages
lltm-cpp 0.0.0 is already the active version in easy-install.pth

Installed ~/local/miniconda/lib/python3.7/site-packages/lltm_cpp-0.0.0-py3.7-linux-x86_64.egg
Processing dependencies for lltm-cpp==0.0.0
Finished processing dependencies for lltm-cpp==0.0.0

关于编译器的一个小注意事项:由于 ABI 版本控制问题,用于构建 C++ 扩展的编译器必须 ABI 兼容 与构建 PyTorch 时 所使用的编译器 相同。实际上,这意味着您必须在 Linux 上使用 GCC 版本 4.9 及更高版本。 对于 Ubuntu 16.04 和其他更新的 Linux 发行版,这应该已经是 默认编译器。在 MacOS 上,您必须使用 clang(它没有任何 ABI 版本控制问题)。在最坏的情况下,您可以使用编译器从源代码构建 PyTorch,然后使用同一编译器构建扩展。

构建扩展后,您只需使用在 setup.py 脚本中指定的 名称将其导入到 Python 中即可。请务必先 `import

torch` ,因为这将解析动态链接器必须 看到的一些符号:

In [1]: import torch
In [2]: import lltm_cpp
In [3]: lltm_cpp.forward
Out[3]: <function lltm.PyCapsule.forward>

如果我们在函数或模块上调用 help() ,我们可以看到它的签名 与我们的 C++ 代码匹配:

In[4] help(lltm_cpp.forward)
forward(...) method of builtins.PyCapsule instance
    forward(arg0: torch::Tensor, arg1: torch::Tensor, arg2: torch::Tensor, arg3: torch::Tensor, arg4: torch::Tensor) -> List[torch::Tensor]

    LLTM forward

由于我们现在可以从 Python 调用 C++ 函数,因此我们可以用 torch.autograd.Functiontorch.nn.Module 使它们成为 PyTorch 的一等公民:

import math
import torch

# Our module!
import lltm_cpp

class LLTMFunction(torch.autograd.Function):
    @staticmethod
    def forward(ctx, input, weights, bias, old_h, old_cell):
        outputs = lltm_cpp.forward(input, weights, bias, old_h, old_cell)
        new_h, new_cell = outputs[:2]
        variables = outputs[1:] + [weights]
        ctx.save_for_backward(*variables)

        return new_h, new_cell

    @staticmethod
    def backward(ctx, grad_h, grad_cell):
        outputs = lltm_cpp.backward(
            grad_h.contiguous(), grad_cell.contiguous(), *ctx.saved_tensors)
        d_old_h, d_input, d_weights, d_bias, d_old_cell = outputs
        return d_input, d_weights, d_bias, d_old_h, d_old_cell


class LLTM(torch.nn.Module):
    def __init__(self, input_features, state_size):
        super(LLTM, self).__init__()
        self.input_features = input_features
        self.state_size = state_size
        self.weights = torch.nn.Parameter(
            torch.empty(3 * state_size, input_features + state_size))
        self.bias = torch.nn.Parameter(torch.empty(3 * state_size))
        self.reset_parameters()

    def reset_parameters(self):
        stdv = 1.0 / math.sqrt(self.state_size)
        for weight in self.parameters():
            weight.data.uniform_(-stdv, +stdv)

    def forward(self, input, state):
        return LLTMFunction.apply(input, self.weights, self.bias, *state)

性能比较

现在我们可以从 PyTorch 使用和调用 C++ 代码,我们可以运行一个小型基准测试来看看我们通过用 C++ 重写操作获得了多少性能。我们’ 将前后运行 LLTM 几次并测量 d持续时间:

import time

import torch

batch_size = 16
input_features = 32
state_size = 128

X = torch.randn(batch_size, input_features)
h = torch.randn(batch_size, state_size)
C = torch.randn(batch_size, state_size)

rnn = LLTM(input_features, state_size)

forward = 0
backward = 0
for _ in range(100000):
    start = time.time()
    new_h, new_C = rnn(X, (h, C))
    forward += time.time() - start

    start = time.time()
    (new_h.sum() + new_C.sum()).backward()
    backward += time.time() - start

print('Forward: {:.3f} s | Backward {:.3f} s'.format(forward, backward))

如果我们使用本文开头用纯 Python 编写的原始 LLTM 运行此代码 ,我们会得到以下数字(在我的机器上):

Forward: 506.480 us | Backward 444.694 us

以及我们新的 C++ 版本:

Forward: 349.335 us | Backward 443.523 us

我们已经可以看到前向函数的显着加速(超过 30%)。对于后向函数,加速是可见的,尽管不是主要的。 我上面写的后向传递没有特别优化, 肯定可以改进。此外,PyTorch’s 自动微分引擎 可以自动并行化计算图, 可以使用整体上更高效的 操作流程,并且也是用 C++ 实现的,因此’s 预计会很快 。尽管如此,这是一个好的开始。

GPU 设备上的性能

关于 PyTorch’s ATen 后端的一个奇妙事实是,它抽象 您正在运行的计算设备。这意味着我们为 CPU 编写的相同代码也可以在 GPU 上运行,并且各个操作将相应地分派给 GPU 优化的实现。对于诸如矩阵乘法之类的某些操作(如 mmaddmm ),这是一个巨大的胜利。让’s 看看我们通过使用 CUDA tensor运行 C++ 代码获得了多少性能。不需要对我们的实现进行任何更改,我们只需将tensor从 Python 放入 GPU 内存中,在创建时添加 device=cuda_device 参数或使用 .to (cuda_device) 创建后:

import torch

assert torch.cuda.is_available()
cuda_device = torch.device("cuda")  # device object representing GPU

batch_size = 16
input_features = 32
state_size = 128

# Note the device=cuda_device arguments here
X = torch.randn(batch_size, input_features, device=cuda_device)
h = torch.randn(batch_size, state_size, device=cuda_device)
C = torch.randn(batch_size, state_size, device=cuda_device)

rnn = LLTM(input_features, state_size).to(cuda_device)

forward = 0
backward = 0
for _ in range(100000):
    start = time.time()
    new_h, new_C = rnn(X, (h, C))
    torch.cuda.synchronize()
    forward += time.time() - start

    start = time.time()
    (new_h.sum() + new_C.sum()).backward()
    torch.cuda.synchronize()
    backward += time.time() - start

print('Forward: {:.3f} us | Backward {:.3f} us'.format(forward * 1e6/1e5, backward * 1e6/1e5))

再次将我们的普通 PyTorch 代码与 C++ 版本进行比较,现在两者都在 CUDA 设备上运行,我们再次看到性能提升。对于 Python/PyTorch:

Forward: 187.719 us | Backward 410.815 us

和 C++/ATen:

Forward: 149.802 us | Backward 393.458 us

与非 CUDA 代码相比,’ 的整体加速效果非常好。但是,我们可以通过编写自定义 CUDA 内核来提高 C++ 代码的性能,我们很快就会深入研究该内核。在此之前,让’s 讨论一下构建 C++ 扩展的另一种方法。

JIT 编译扩展

之前,我提到有两种构建 C++ 扩展的方法:使用 setuptools 或即时 (JIT)。介绍完前者后,让’s e 详细讨论后者。 JIT 编译机制为您提供了一种通过调用 PyTorch’s API 中名为 torch.utils.cpp_extension.load( ) 。对于 LLTM,这看起来就像这样简单:

from torch.utils.cpp_extension import load

lltm_cpp = load(name="lltm_cpp", sources=["lltm.cpp"])

在这里,我们为函数提供与 setuptools 相同的信息。在后台,这将执行以下操作:

  1. 创建临时目录 /tmp/torch_extensions/lltm , 2.将 Ninja 构建文件发送到该临时目录中, 3.将源文件编译到共享库中, 4.将此共享库导入为 Python 模块。

事实上,如果您将 verbose=True 传递给 cpp_extension.load() ,您将 被告知该过程:

Using /tmp/torch_extensions as PyTorch extensions root...
Emitting ninja build file /tmp/torch_extensions/lltm_cpp/build.ninja...
Building extension module lltm_cpp...
Loading extension module lltm_cpp...

生成的 Python 模块将与 setuptools 生成的完全相同, 但消除了必须维护单独 setup.py build 文件的要求。如果您的设置更复杂并且您确实需要 setuptools 的全部功能,您 可以 编写自己的 setup.py \xe2\x80\x93 但在很多情况下,这种 JIT 技术就可以很好地发挥作用。第一次运行此行时, it 将需要一些时间,因为扩展正在后台编译。由于 我们使用 Ninja 构建系统来构建源代码,因此重新编译是增量的,因此,如果您没有\xe2\x80\,则在第二次运行 Python 模块时 重新加载扩展会很快且开销较低x99t 更改扩展名\xe2\x80\x99s 源文件。

编写混合 C++/CUDA 扩展

为了真正将我们的实现提升到一个新的水平,我们可以使用自定义 CUDA 内核手写部分前向和后向传递。对于 LLTM,这有望特别有效,因为存在大量按顺序进行的逐点操作,这些操作都可以在单个 CUDA 内核中融合和并行化。让’s 看看我们如何编写这样的 CUDA 内核并 使用此扩展机制将其与 PyTorch 集成。

编写 CUDA 扩展的一般策略是首先编写一个 C++ 文件,该文件定义将从 Python 调用的函数,并使用 pybind11 将这些函数绑定到 Python。此外,此文件还将声明 CUDA ( .cu ) 文件中定义的函数。然后,C++ 函数将执行一些检查并最终将其调用转发给 CUDA 函数。在 CUDA 文件中,我们编写实际的 CUDA 内核。然后, cpp_extension 包 将使用 C++ 编译器(如 gcc )来编译 C++ 源代码,并使用 NVIDIA’s nvcc 来编译 CUDA 源代码 编译器。这可确保每个编译器处理它最了解的要编译的文件。最终,它们 将链接到一个共享库,我们可以通过 Python 代码使用该库。

我们’ll 从 C++ 文件开始,我们’ll 将其称为 lltm_cuda.cpp ,例如:

#include <torch/extension.h>

#include <vector>

// CUDA forward declarations

std::vector<torch::Tensor> lltm_cuda_forward(
 torch::Tensor input,
 torch::Tensor weights,
 torch::Tensor bias,
 torch::Tensor old_h,
 torch::Tensor old_cell);

std::vector<torch::Tensor> lltm_cuda_backward(
 torch::Tensor grad_h,
 torch::Tensor grad_cell,
 torch::Tensor new_cell,
 torch::Tensor input_gate,
 torch::Tensor output_gate,
 torch::Tensor candidate_cell,
 torch::Tensor X,
 torch::Tensor gate_weights,
 torch::Tensor weights);

// C++ interface

#define CHECK_CUDA(x) TORCH_CHECK(x.device().is_cuda(), #x " must be a CUDA tensor")
#define CHECK_CONTIGUOUS(x) TORCH_CHECK(x.is_contiguous(), #x " must be contiguous")
#define CHECK_INPUT(x) CHECK_CUDA(x); CHECK_CONTIGUOUS(x)

std::vector<torch::Tensor> lltm_forward(
 torch::Tensor input,
 torch::Tensor weights,
 torch::Tensor bias,
 torch::Tensor old_h,
 torch::Tensor old_cell) {
 CHECK_INPUT(input);
 CHECK_INPUT(weights);
 CHECK_INPUT(bias);
 CHECK_INPUT(old_h);
 CHECK_INPUT(old_cell);

 return lltm_cuda_forward(input, weights, bias, old_h, old_cell);
}

std::vector<torch::Tensor> lltm_backward(
 torch::Tensor grad_h,
 torch::Tensor grad_cell,
 torch::Tensor new_cell,
 torch::Tensor input_gate,
 torch::Tensor output_gate,
 torch::Tensor candidate_cell,
 torch::Tensor X,
 torch::Tensor gate_weights,
 torch::Tensor weights) {
 CHECK_INPUT(grad_h);
 CHECK_INPUT(grad_cell);
 CHECK_INPUT(input_gate);
 CHECK_INPUT(output_gate);
 CHECK_INPUT(candidate_cell);
 CHECK_INPUT(X);
 CHECK_INPUT(gate_weights);
 CHECK_INPUT(weights);

 return lltm_cuda_backward(
 grad_h,
 grad_cell,
 new_cell,
 input_gate,
 output_gate,
 candidate_cell,
 X,
 gate_weights,
 weights);
}

PYBIND11_MODULE(TORCH_EXTENSION_NAME, m) {
 m.def("forward", &lltm_forward, "LLTM forward (CUDA)");
 m.def("backward", &lltm_backward, "LLTM backward (CUDA)");
}

如您所见,它主要是样板文件,检查并转发到我们’ 将在 CUDA 文件中定义的函数。我们’ 将此文件命名为 lltm_cuda_kernel.cu (注意 .cu 扩展名!)。 NVCC 可以合理 编译 C++11,因此我们仍然可以使用 ATen 和 C++ 标准库(但不是 torch.h )。请注意, setuptools 无法处理 具有相同名称但扩展名不同的文件,因此,如果您使用 setup.py 方法而不是 JIT 方法,则必须为您的 CUDA 文件指定不同的名称 而不是 C++ 文件的名称(对于 JIT 方法, lltm.cpplltm.cu 可以正常工作)。让’s 看一下这个文件的样子:

#include <torch/extension.h>

#include <cuda.h>
#include <cuda_runtime.h>

#include <vector>

template <typename scalar_t>
__device__ __forceinline__ scalar_t sigmoid(scalar_t z) {
 return 1.0 / (1.0 + exp(-z));
}

在这里我们看到我刚刚描述的标头,以及我们正在使用 CUDA 特定声明的事实,例如 __device____forceinline__ 和 类似 exp 的函数。让’s 继续使用 我们’ 需要的更多辅助函数:

template <typename scalar_t>
__device__ __forceinline__ scalar_t d_sigmoid(scalar_t z) {
 const auto s = sigmoid(z);
 return (1.0 - s) * s;
}

template <typename scalar_t>
__device__ __forceinline__ scalar_t d_tanh(scalar_t z) {
 const auto t = tanh(z);
 return 1 - (t * t);
}

template <typename scalar_t>
__device__ __forceinline__ scalar_t elu(scalar_t z, scalar_t alpha = 1.0) {
 return fmax(0.0, z) + fmin(0.0, alpha * (exp(z) - 1.0));
}

template <typename scalar_t>
__device__ __forceinline__ scalar_t d_elu(scalar_t z, scalar_t alpha = 1.0) {
 const auto e = exp(z);
 const auto d_relu = z < 0.0 ? 0.0 : 1.0;
 return d_relu + (((alpha * (e - 1.0)) < 0.0) ? (alpha * e) : 0.0);
}

现在要实际实现一个函数,我们’ 将再次需要两件事:一个函数 执行我们不’ 不希望显式手动编写的操作并调用 到 CUDA 内核,然后是我们想要加速的部分的实际 CUDA 内核。对于前向传播,第一个函数应如下所示:

std::vector<torch::Tensor> lltm_cuda_forward(
 torch::Tensor input,
 torch::Tensor weights,
 torch::Tensor bias,
 torch::Tensor old_h,
 torch::Tensor old_cell) {
 auto X = torch::cat({old_h, input}, /*dim=*/1);
 auto gates = torch::addmm(bias, X, weights.transpose(0, 1));

 const auto batch_size = old_cell.size(0);
 const auto state_size = old_cell.size(1);

 auto new_h = torch::zeros_like(old_cell);
 auto new_cell = torch::zeros_like(old_cell);
 auto input_gate = torch::zeros_like(old_cell);
 auto output_gate = torch::zeros_like(old_cell);
 auto candidate_cell = torch::zeros_like(old_cell);

 const int threads = 1024;
 const dim3 blocks((state_size + threads - 1) / threads, batch_size);

 AT_DISPATCH_FLOATING_TYPES(gates.type(), "lltm_forward_cuda", ([&] {
 lltm_cuda_forward_kernel<scalar_t><<<blocks, threads>>>(
 gates.data<scalar_t>(),
 old_cell.data<scalar_t>(),
 new_h.data<scalar_t>(),
 new_cell.data<scalar_t>(),
 input_gate.data<scalar_t>(),
 output_gate.data<scalar_t>(),
 candidate_cell.data<scalar_t>(),
 state_size);
 }));

 return {new_h, new_cell, input_gate, output_gate, candidate_cell, X, gates};
}

这里的主要兴趣点是 AT_DISPATCH_FLOATING_TYPES 宏和 内核启动(由 <<<...>>> 表示) )。虽然 ATen 抽象出了我们处理的tensor的设备和数据类型,但tensor在运行时仍由具体设备上的具体类型的内存支持。因此,我们需要一种在运行时确定tensor是什么类型的方法,然后有选择地调用具有相应正确类型签名的函数。手动完成, 这(概念上)看起来像这样:

switch (tensor.type().scalarType()) {
 case torch::ScalarType::Double:
 return function<double>(tensor.data<double>());
 case torch::ScalarType::Float:
 return function<float>(tensor.data<float>());
 ...
}

AT_DISPATCH_FLOATING_TYPES 的目的是为我们处理这个调度。它需要一个类型( gates.type() 在我们的例子中)、一个名称(用于错误消息)和一个 lambda 函数。在此 lambda 函数内,类型别名 scalar_t 可用,并被定义为tensor在运行时在该上下文中实际存在的类型。因此,如果我们有一个模板函数(我们的 CUDA 内核就是这个函数),我们可以使用这个“scalar_t”别名来实例化它,并调用正确的函数。在这种情况下,我们还想检索tensor的数据指针作为该“标量_t”类型的指针。如果您想要分派所有类型而不仅仅是浮点类型( FloatDouble ),您可以使用 AT_DISPATCH_ALL_TYPES .

请注意,我们使用普通 ATen 执行一些操作。这些操作仍将在 GPU 上运行,但使用 ATen’s 默认实现。这是有意义的,因为 ATen 将使用高度优化的例程来处理诸如矩阵乘法(例如,addmm)或卷积之类的事情,而这将更难以 实现和改进我们自己。

至于内核启动本身,我们在这里指定每个 CUDA 块 将有 1024 个线程,并且整个 GPU 网格被分成 多个块 `1

x \每个组件需要 n 1024个线程来填充我们的矩阵。例如,如果我们的状态大小为 2048,批次大小为 4,则我们’d 总共启动4

x

2

=

8` 块,每块 1024 个线程。如果 您’之前从未听说过 CUDA “blocks” 或 “grids”, [关于 CUDA 的介绍性阅读 ] (https://devblogs.nvidia.com/even-easier-introduction-cuda) 可能 有帮助。

实际的 CUDA 内核相当简单(如果您’ 以前曾经编写过 GPU):

template <typename scalar_t>
__global__ void lltm_cuda_forward_kernel(
 const scalar_t* __restrict__ gates,
 const scalar_t* __restrict__ old_cell,
 scalar_t* __restrict__ new_h,
 scalar_t* __restrict__ new_cell,
 scalar_t* __restrict__ input_gate,
 scalar_t* __restrict__ output_gate,
 scalar_t* __restrict__ candidate_cell,
 size_t state_size) {
 const int column = blockIdx.x * blockDim.x + threadIdx.x;
 const int index = blockIdx.y * state_size + column;
 const int gates_row = blockIdx.y * (state_size * 3);
 if (column < state_size) {
 input_gate[index] = sigmoid(gates[gates_row + column]);
 output_gate[index] = sigmoid(gates[gates_row + state_size + column]);
 candidate_cell[index] = elu(gates[gates_row + 2 * state_size + column]);
 new_cell[index] =
 old_cell[index] + candidate_cell[index] * input_gate[index];
 new_h[index] = tanh(new_cell[index]) * output_gate[index];
 }
}

这里最有趣的是,我们能够为门矩阵中的每个单独组件完全并行地计算所有这些 逐点运算。如果您想象必须使用一个巨大的 for 循环来连续处理 百万个元素,您就会明白为什么这会快得多。

使用访问器

您可以在 CUDA 内核中看到,我们直接处理具有正确 类型的指针。事实上,直接使用 cuda 内核中的高级类型不可知tensor将非常低效。

然而,这是以易用性和可读性为代价的,特别是对于高维数据。在我们的示例中,我们知道连续 gates tensor具有 3 个维度:

  1. 批次,大小为 batch_size 和步幅 3*state_size 2.行、大小为 3 和步长为 state_size 3。索引、 state_size 的大小和 1 的步幅

那么我们如何在内核内部访问 gates[n][row][column] 元素呢? 事实证明,您需要使用一些简单的 arithmetic 来访问元素。

gates.data<scalar_t>()[n*3*state_size + row*state_size + column]

除了冗长之外,该表达式还需要明确 已知步幅,从而在其参数中传递给内核函数。您可以看到, 如果内核函数接受不同大小的多个tensor, 您最终会得到一个非常长的参数列表。

对我们来说幸运的是,ATen 提供了通过一次动态检查来创建的访问器, 动态检查tensor的类型和维数。 然后访问器公开一个 API,用于有效地访问tensor元素 而无需转换为单个指针:

torch::Tensor foo = torch::rand({12, 12});

// assert foo is 2-dimensional and holds floats.
auto foo_a = foo.accessor<float,2>();
float trace = 0;

for(int i = 0; i < foo_a.size(0); i++) {
 // use the accessor foo_a to get tensor data.
 trace += foo_a[i][i];
}

访问器对象具有相对较高级别的接口,具有 .size().stride() 方法和多维索引。 .accessor<> 接口旨在有效地访问 cpu tensor上的数据。 cuda tensor的等效项是 packed_accessor64<>packed_accessor32<> ,它们生成具有 64 位或 32 位整数索引的打包访问器。

与访问器的根本区别在于,打包访问器在其结构内部复制大小 和跨步数据,而不是指向它。它允许我们 将其传递给 CUDA 内核函数并在其中使用其接口。

我们可以设计一个采用打包访问器而不是指针的函数。

__global__ void lltm_cuda_forward_kernel(
 const torch::PackedTensorAccessor32<scalar_t,3,torch::RestrictPtrTraits> gates,
 const torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> old_cell,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> new_h,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> new_cell,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> input_gate,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> output_gate,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> candidate_cell)

让’s 分解这里使用的模板。前两个参数 scalar_t2 与常规访问器相同。参数 torch::RestrictPtrTraits 指示必须 使用 __restrict__ 关键字。另请注意,我们’使用了 PackedAccessor32 变体,它将大小和步幅存储在

int32_t 中。这很重要,因为使用 64 位 变体 ( PackedAccessor64 ) 会使内核变慢。

函数声明变为

template <typename scalar_t>
__global__ void lltm_cuda_forward_kernel(
 const torch::PackedTensorAccessor32<scalar_t,3,torch::RestrictPtrTraits> gates,
 const torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> old_cell,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> new_h,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> new_cell,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> input_gate,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> output_gate,
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> candidate_cell) {
 //batch index
 const int n = blockIdx.y;
 // column index
 const int c = blockIdx.x * blockDim.x + threadIdx.x;
 if (c < gates.size(2)){
 input_gate[n][c] = sigmoid(gates[n][0][c]);
 output_gate[n][c] = sigmoid(gates[n][1][c]);
 candidate_cell[n][c] = elu(gates[n][2][c]);
 new_cell[n][c] =
 old_cell[n][c] + candidate_cell[n][c] * input_gate[n][c];
 new_h[n][c] = tanh(new_cell[n][c]) * output_gate[n][c];
 }
}

实现更具可读性!然后通过使用主机函数中的 .packed_accessor32<> 方法创建 打包访问器来调用该函数。

std::vector<torch::Tensor> lltm_cuda_forward(
 torch::Tensor input,
 torch::Tensor weights,
 torch::Tensor bias,
 torch::Tensor old_h,
 torch::Tensor old_cell) {
 auto X = torch::cat({old_h, input}, /*dim=*/1);
 auto gate_weights = torch::addmm(bias, X, weights.transpose(0, 1));

 const auto batch_size = old_cell.size(0);
 const auto state_size = old_cell.size(1);

 auto gates = gate_weights.reshape({batch_size, 3, state_size});
 auto new_h = torch::zeros_like(old_cell);
 auto new_cell = torch::zeros_like(old_cell);
 auto input_gate = torch::zeros_like(old_cell);
 auto output_gate = torch::zeros_like(old_cell);
 auto candidate_cell = torch::zeros_like(old_cell);

 const int threads = 1024;
 const dim3 blocks((state_size + threads - 1) / threads, batch_size);

 AT_DISPATCH_FLOATING_TYPES(gates.type(), "lltm_forward_cuda", ([&] {
 lltm_cuda_forward_kernel<scalar_t><<<blocks, threads>>>(
 gates.packed_accessor32<scalar_t,3,torch::RestrictPtrTraits>(),
 old_cell.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 new_h.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 new_cell.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 input_gate.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 output_gate.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 candidate_cell.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>());
 }));

 return {new_h, new_cell, input_gate, output_gate, candidate_cell, X, gates};
}

向后传递遵循大致相同的模式,我不会’ 进一步详细说明 :

template <typename scalar_t>
__global__ void lltm_cuda_backward_kernel(
 torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> d_old_cell,
 torch::PackedTensorAccessor32<scalar_t,3,torch::RestrictPtrTraits> d_gates,
 const torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> grad_h,
 const torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> grad_cell,
 const torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> new_cell,
 const torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> input_gate,
 const torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> output_gate,
 const torch::PackedTensorAccessor32<scalar_t,2,torch::RestrictPtrTraits> candidate_cell,
 const torch::PackedTensorAccessor32<scalar_t,3,torch::RestrictPtrTraits> gate_weights) {
 //batch index
 const int n = blockIdx.y;
 // column index
 const int c = blockIdx.x * blockDim.x + threadIdx.x;
 if (c < d_gates.size(2)){
 const auto d_output_gate = tanh(new_cell[n][c]) * grad_h[n][c];
 const auto d_tanh_new_cell = output_gate[n][c] * grad_h[n][c];
 const auto d_new_cell =
 d_tanh(new_cell[n][c]) * d_tanh_new_cell + grad_cell[n][c];


 d_old_cell[n][c] = d_new_cell;
 const auto d_candidate_cell = input_gate[n][c] * d_new_cell;
 const auto d_input_gate = candidate_cell[n][c] * d_new_cell;

 d_gates[n][0][c] =
 d_input_gate * d_sigmoid(gate_weights[n][0][c]);
 d_gates[n][1][c] =
 d_output_gate * d_sigmoid(gate_weights[n][1][c]);
 d_gates[n][2][c] =
 d_candidate_cell * d_elu(gate_weights[n][2][c]);
 }
}

std::vector<torch::Tensor> lltm_cuda_backward(
 torch::Tensor grad_h,
 torch::Tensor grad_cell,
 torch::Tensor new_cell,
 torch::Tensor input_gate,
 torch::Tensor output_gate,
 torch::Tensor candidate_cell,
 torch::Tensor X,
 torch::Tensor gates,
 torch::Tensor weights) {
 auto d_old_cell = torch::zeros_like(new_cell);
 auto d_gates = torch::zeros_like(gates);

 const auto batch_size = new_cell.size(0);
 const auto state_size = new_cell.size(1);

 const int threads = 1024;
 const dim3 blocks((state_size + threads - 1) / threads, batch_size);

 AT_DISPATCH_FLOATING_TYPES(X.type(), "lltm_backward_cuda", ([&] {
 lltm_cuda_backward_kernel<scalar_t><<<blocks, threads>>>(
 d_old_cell.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 d_gates.packed_accessor32<scalar_t,3,torch::RestrictPtrTraits>(),
 grad_h.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 grad_cell.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 new_cell.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 input_gate.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 output_gate.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 candidate_cell.packed_accessor32<scalar_t,2,torch::RestrictPtrTraits>(),
 gates.packed_accessor32<scalar_t,3,torch::RestrictPtrTraits>());
 }));

 auto d_gate_weights = d_gates.reshape({batch_size, 3*state_size});
 auto d_weights = d_gate_weights.t().mm(X);
 auto d_bias = d_gate_weights.sum(/*dim=*/0, /*keepdim=*/true);

 auto d_X = d_gate_weights.mm(weights);
 auto d_old_h = d_X.slice(/*dim=*/1, 0, state_size);
 auto d_input = d_X.slice(/*dim=*/1, state_size);

 return {d_old_h, d_input, d_weights, d_bias, d_old_cell, d_gates};
}

将 C++/CUDA 操作与 PyTorch 集成

我们支持 CUDA 的操作与 PyTorch 的集成同样非常简单。 如果您想编写 setup.py 脚本,它可能如下所示:

from setuptools import setup
from torch.utils.cpp_extension import BuildExtension, CUDAExtension

setup(
    name='lltm',
    ext_modules=[
        CUDAExtension('lltm_cuda', [
            'lltm_cuda.cpp',
            'lltm_cuda_kernel.cu',
        ])
    ],
    cmdclass={
        'build_ext': BuildExtension
    })

我们现在使用 CUDAExtension() 而不是 CppExtension() 。我们只需 指定 .cu 文件以及 .cpp 文件–,库会 处理这给您带来的所有麻烦。 JIT 机制甚至 更简单:

from torch.utils.cpp_extension import load

lltm = load(name='lltm', sources=['lltm_cuda.cpp', 'lltm_cuda_kernel.cu'])

性能比较

我们希望将代码的逐点操作与 CUDA 进行并行化和融合 能够提高 LLTM 的性能。让’s 看看这是否成立。 我们可以运行我之前列出的代码来运行基准测试。我们之前最快的 版本是基于 CUDA 的 C++ 代码:

Forward: 149.802 us | Backward 393.458 us

现在使用我们的自定义 CUDA 内核:

Forward: 129.431 us | Backward 304.641 us

更多性能提升!

结论

您现在应该对 PyTorch’s C++ 扩展 机制以及使用它们的动机有一个很好的概述。您可以在此处 找到本说明中显示的代码 示例。如果您有疑问,请使用 论坛 。另请务必查看我们的 常见问题解答 ,以防遇到任何问题。



回到顶部