OneFlow如何做静态图的算子对齐任务

来源:CSDN博客 | 2022-05-09 08:48:05 |

撰文|李响

1、前言

深度学习框架中模型的运行方式主要有动态图和静态图两种,动态图更易用,静态图性能更具优势,OneFlow 习惯将它们称为 Eager 模式和 Graph 模式。

OneFlow 提供了 nn.Graph 模块,让用户可以用类似 Eager 模式的编程习惯,构建静态图训练测试。因此,需要同时保证 Eager 和 Graph 模式下算子行为和结果的正确性。

在之前的文章《深度学习框架如何优雅地做算子对齐任务》中 ,分析了 Eager Ops 的自动测试流程,包括如何产生随机数据测试用例和 AutoTest 核心代码实现,AutoTest 框架可以很轻易移植到其它深度学习框架使用。

不过,本文的主要目的则是介绍 OneFlow 如何完成 Graph 模式下算子的测试任务。目前为止,OneFlow v0.7.0 已经新增所有 Op 在 nn.Graph上做静态执行的单测支持,自动化单测功能完备。

文章中涉及到的代码位置:

https://github.com/Oneflow-Inc/oneflow/blob/master/python/oneflow/test_utils/automated_test_util/torch_flow_dual_object.py

https://github.com/Oneflow-Inc/oneflow/blob/master/python/oneflow/test_utils/automated_test_util/generators.py

2、OneFlow 的 Graph 算子对齐概述

OneFlow 提供的 Eager 模式,用法与 PyTorch 对齐。所以在测试上,AutoTest 框架会随机出各种合法参数组合成的 Op ,并基于数值和类型完全相同的输入 Tensor(PyTorch 和 OneFlow 各有一份)分别运行 PyTorch 和 OneFlow 的代码,来完成算子对齐工作。

此外,OneFlow 还提供了 Graph 模式,基于面向对象的编程风格,让熟悉 Eager 开发的用户,只需改很少的代码,就可以高效使用静态图。对比 Eager 模式,Graph 模式不易调试,但性能更好,易于优化和部署。那么,如何自动测试 Graph 模式下的 Ops 就是重点需要关注的问题。

在详细介绍 Graph 单测之前,我们先看一下 AutoTest 框架里 Graph 打开方法,下面是一个测试 matmul 算子的例子。基于 random_pytorch_tensor方法构造了两个随机的 tensor,它们的维度分别是 [n, k]和 [k, m],这些维度的值都是随机生成的,AutoTest 框架参数的随机性都是基于 generators.py 中的 generator基类完成的。

@autotest(check_graph = True) def test_flow_matmul_with_random_data(test_case): device = random_device() k = random(1, 6) x = random_tensor(ndim=2, dim1=k).to(device) y = random_tensor(ndim=2, dim0=k).to(device) z = torch.matmul(x, y) return z

通过调用 torch.matmul(x, y),自动测试框架会分别运行 Torch 和 OneFlow 的 matmul 算子,会检查 Eager 模式下 OneFlow 和 PyTorch 算子的前向和反向结果是否一致。值得注意的是,代码中 @autotest装饰器的 check_graph开关为 True,表示此时会并行地做 Graph 的单测。

3、Graph 模式下自动测试实现原理

在了解背景和使用方法后,这里介绍 Graph AutoTest 的实现思路。

3.1 AutoTest 流程介绍

在 Eager 的自动测试原理中,关于随机数据是如何产生的和 autotest()装饰器的实现,在前文中有清晰的介绍。关于 AutoTest 框架核心流程实现,首先必须要关注用于 OneFlow 和 Pytorch 的算子对齐任务中的 GetDualObject函数。

GetDualObject函数会重写传入的原始 PyTorch以及 OneFlow对象的 __call__魔法函数,最后返回一个 DualObject对象。这个过程中还包含跳过一些不需要关注的魔法函数,检查传入对象的属性是否合法,基于 nn.Module和其它 API 默认参数的类型对 generator继承类产生的随机数据绑定特定类型的工作( get_args函数中完成)。此外,在代码中还有对 tensor方法的特判,因为 tensor方法的调用方式(通过 getattr)和 nn.module、 nn.functional不同(通过 __call__)。

基于上述流程,通过执行样例代码中的 torch.matmul(x, y),AutoTest 框架会通过调用 GetDualObject函数生成 DualObject对象,其中 torch就可以理解为一个 DualObject对象。最后执行 DualObject对象,完成结果对比。自动测试流程中 Eager 算子对齐更多的细节也在前文中做了清晰介绍。

GetDualObject函数实现:https://github.com/Oneflow-Inc/oneflow/blob/7fe29cb3d24be41fa981c4ad6be3051dacc3b605/python/oneflow/test_utils/automated_test_util/torch_flow_dual_object.py#L600

DualObject类对象实现在:https://github.com/Oneflow-Inc/oneflow/blob/0826518cc49200dccada0f54d5c83accb9218c83/python/oneflow/test_utils/automated_test_util/torch_flow_dual_object.py#L784

3.2 Graph 模式如何伴随 Eager 模式做算子对齐

从上面的分析中,可以大概总结出 AutoTest 的流程:生成随机数据、生成 DualObject对象、执行 DualObject对象和判断结果是否对齐。其中,在执行 DualObject对象阶段,AutoTest 框架会并行地执行 OneFlow 算子的 Graph 版本,这样也就完成了 Graph 模式伴随 Eager 模式做算子对齐的任务。此外,本节也梳理了 GetDualObject函数中应该如何识别需要静态(Graph)执行的对象。

在算子对齐任务中,存在 nn.module, nn.functional和 tensor方法三种类型。这里先以 nn.Module类型为例,分析 Graph 模式伴随 Eager 模式测试的代码,其他三种类型处理方法基本一致。代码执行顺序如下图:

在 oneflow_eager_run_with_graph_check中分别调用了 get_module_graph_test和 get_oneflow_eager_res,得到 Graph 和 Eager 模式的两个结果,最后检查是否对齐。

也就是说,对于一个测试 case,AutoTest 框架总共执行了 Pytorch、OneFlow Eager 模式和 OneFlow Graph 模式三种代码,来验证三种结果是否都对齐了。

我们先来探究下 get_module_graph_test这个接口,也就是如何得到 Graph 版本的计算结果。代码如下:

# NOTE(lixiang): When oneflow is of type nn.Module, build the following Graph for testing.# graph_train_oneflow: is a deepcopy of oneflow.def get_module_graph_test(graph_train_oneflow, oneflow, *args): of_sgd = flow.optim.SGD(graph_train_oneflow.parameters(), lr=0.001, momentum=0.9,) graph_train_parameters_len = 0 for param in oneflow._parameters.values(): if param is not None: graph_train_parameters_len += 1 class TestGraphOfModule(flow.nn.Graph): def __init__(self): super().__init__() self.test_module = graph_train_oneflow if global_backward and graph_train_parameters_len: self.add_optimizer(of_sgd) def build(self, *args): res = self.test_module(*args) forward_res = res if global_backward and graph_train_parameters_len: res = res.sum() res.backward() return forward_res return TestGraphOfModule()

其中 oneflow是一个 nn.Module对象,graph_train_oneflow是它的深拷贝结果,主要是为了防止在测试算子的 inplace 版本时,对相应的 DualObject对象值进行了修改,造成 Graph 的输入和 Eager 不一致导致测试结果对不齐的情况。

首先为了验证 Graph 的后向可以正常执行,构造了一个 Optimizer。在 __init__中复用 Eager 模式下的 nn.Module对象后,在 build中描述了 Graph 测试的计算过程,最终返回了 Graph 的实例。简单来说,就是构造一个适应所有算子的通用静态图模型。

在讨论如何构造静态执行代码计算 Graph 结果之后,识别需要静态执行的对象也是需要优先解决的问题。 oneflow_eager_run_with_graph_check的完整代码如下:

# NOTE(lixiang): Check if the results of eager and graph are equal when oneflow is of type nn.Module or functional.def oneflow_eager_run_with_graph_check( oneflow, oneflow_args, oneflow_kwargs, testing_graph, verbose, *args): if testing_graph: graph_args, graph_kwargs = get_args_copy(oneflow_args, oneflow_kwargs) if isinstance(oneflow, flow.nn.Module): graph_train_oneflow = copy.deepcopy(oneflow) if not is_global(): arg_device_type = "cpu" for arg in oneflow_args: if flow.is_tensor(arg): arg_device_type = arg.device.type graph_train_oneflow = graph_train_oneflow.to(arg_device_type) else: graph_functional_oneflow = copy.deepcopy(oneflow) oneflow_res = get_oneflow_eager_res(oneflow, oneflow_args, oneflow_kwargs, verbose) if testing_graph: if verbose: print( "After running eager module or functional: ", repr(oneflow), ) find_check_module_func = True ignore_apis_list = ["tensor", "train"] test_g_res = [] if isinstance(oneflow, flow.nn.Module): test_g = get_module_graph_test(graph_train_oneflow, oneflow, *args) if verbose: print("Run graph of module: ", repr(oneflow)) test_g.debug(3) # When testing module methods, kwargs are not considered. test_g_res = test_g(*graph_args) if verbose: print( "The result after running graph module: ", test_g_res, ) elif oneflow.__name__ in ignore_apis_list: find_check_module_func = False # 1. "oneflow.nn.modules" not in oneflow.__module__: For avoid run nn.Module branch graph test, like fold op call Fold Module actually. # 2. inspect.isfunction(oneflow): Compared with the ordinary flow.xxx, oneflow.nn.modules.math_ops series op exist an extra layer of python wrapper. # 3. inspect.ismethod(oneflow) and "oneflow.nn.modules" in oneflow.__module__: For op that only has Tensor.xxx method, and call oneflow.xxx actually, like masked_fill. elif ( ("oneflow.nn.modules" not in oneflow.__module__) or inspect.isfunction(oneflow) or ( inspect.ismethod(oneflow) and "oneflow.nn.modules" in oneflow.__module__ ) ): test_g_res = get_functional_graph_res( graph_functional_oneflow, oneflow, oneflow_res, oneflow_args, oneflow_kwargs, verbose, *graph_args, **graph_kwargs, ) if find_check_module_func: if isinstance(test_g_res, tuple): for _, g_res in enumerate(test_g_res): check_eager_graph_tensor(oneflow_res, g_res) else: check_eager_graph_tensor(oneflow_res, test_g_res) return oneflow_res

在 oneflow_eager_run_with_graph_check中,需要判断哪些对象需要静态执行测试。因为 OneFlow 设定部分代码需要静态化,比如有些 Eager 模式下的方法,在 Graph 模式下没有定义。

上面的代码中首先通过 if testing_graph:判断是否打开了 Graph 开关,既是否需要并行的做 Graph 的单测;再对 oneflow对象的类型做 isinstance判断,当为 nn.Module时才需要静态执行,调用 get_module_graph_test。否则调用 get_functional_graph_res等处理,在测试框架中其他需要类似判断的地方也同理。

if testing_graph: ··· ··· if isinstance(oneflow, flow.nn.Module): ··· test_g = get_module_graph_test(graph_train_oneflow, oneflow, *args) ··· elif: ··· ···

3.3 Graph 模式的自动测试个性化

在 3.2 介绍了 Graph 如何伴随 Eager 模式做算子对齐的任务之后,本节主要分析 Graph 模式自动测试的个性化内容。

在 Graph 模式下,需要处理 nn.modulenn.functional和 tensor三个类别的方法,AutoTest 框架采用先判断后构图的方式。

首先,GetDualObject函数中,相关的接口包括: get_pytorch_oneflow_res、 get_pytorch_oneflow_tensor_res、 oneflow_eager_run_with_graph_check、 oneflow_tensor_eager_run_with_graph_check、 get_oneflow_eager_res、 get_tensor_graph_res、 get_functional_graph_res和 get_module_graph_test。看一下每个接口的功能,如下表。

了解每个函数功能之后,再来看一下调用链,如下流程图所示,图中包含了 AutoTest 框架中对于 Graph 模式存在 nn.modulenn.functional和 tensor三个类别的方法如何处理,对应图中的三个灰色框。

在分析了 nn.modulenn.functional和 tensor三个类别的处理方法之后,其中,自动测试 Graph 时也存在一个反向的梯度测试,但是并没有取出 tensor 对应的梯度,也就是说,可以保证后向执行是正常的,没有检查 grad 值。

对于使用方法,当 @autotest()打开 auto_backward=True时(默认就是打开的),不仅会跑 Eager 的 Backward 测试(这里会对梯度结果做比较),还会跑对应 Graph 的 Backward测试(这里不做梯度比较)。

对应上述描述的代码,可以在文章 3.2 部分的代码中找到:

if ( global_backward and graph_train_parameters_len): self.add_optimizer(of_sgd)·········if ( global_backward and graph_train_parameters_len): res = res.sum() res.backward()

此外,对于一些算子 inplace 版本的 Graph 检查,需要对输入做深拷贝,来保证 Graph 和 Eager 的 input 始终一致。如下代码中,get_args_copy(在 torch_flow_dual_object.py 中)分别对普通参数和关键字参数做了 deepcopy。

类似的,在 Graph 单测中,存在 oneflow深拷贝为 graph_train_oneflow的行为,主要为了防止在测试一些算子时,Eager 的值被 Eager Inplace 修改,造成 Graph 的输入和 Eager 不一致导致测试出错的情况。

# NOTE(lixiang): Deepcopy the input parameters in order to correctly test the inplace version of the op.def get_args_copy(args, kwargs): copy_args = [] for arg in args: if flow.is_tensor(arg): copy_arg = arg.clone().detach() else: copy_arg = copy.deepcopy(arg) copy_args.append(copy_arg) copy_kwargs = {} for key, value in kwargs.items(): if flow.is_tensor(value): copy_kwargs[key] = value.clone().detach() else: copy_kwargs[key] = copy.deepcopy(value) return copy_args, copy_kwargs

最后,为了保证 tensor deepcopy 的正确性,在 OneFlow 中,copy.deepcopy会调用 tensor 的 getState和 setState方法,tensor 的 state 需要同时包括 data、dtype 和 device 信息,缺一不可。具体代码见:https://github.com/Oneflow-Inc/oneflow/blob/e00ba51364ff87e39edc409be395e5ed493a4ac0/python/oneflow/framework/check_point_v2.py#L159

4、Graph 的 Debug 支持

在 3.2 的代码中,可以发现存在 if verbose:的判断,当 verbose = True时,会输出 Graph 的 debug 信息(如算子运行 Graph 模式后的计算结果等),当然也包括 eager 下的其他需要的调试信息。

当测试出现问题时,可以通过该功能拿到错误样例,构造最小复现代码。开启方法通过环境变量控制:ONEFLOW_TEST_VERBOSE = 1。AutoTest 框架里这个功能更多针对开发者,OneFlow 的 Graph 针对用户也提供了调试功能。

Graph 模式支持了学习率的调试输出,开启方法和 Eager 相同。

optimizer = flow.optim.SGD(model.parameters(), lr=1e-3)# Set verbose=Truescheduler = flow.optim.lr_scheduler.CosineDecayLR(optimizer, decay_steps=100, alpha=0.98, verbose=True)

此外,调用 Graph 对象的 debug 方法,就开启了 Graph 的调试模式。

graph.debug(v_level = 1) # 可以简写为:graph.debug(1)

v_level=0时,只输出最基础的警告和构图阶段信息,如构图时间。

v_level=1时,将额外打印每个 nn.Module的构图信息。

v_level=2时,在构图阶段,将额外打印每个 Op 的创建信息,包括名称、输入内容、设备和 SBP 信息等。

v_level=3时,将额外打印每个 Op 更详细的信息,如与代码位置有关的信息,方便定位代码问题。

这部分更详细的内容可以在https://docs.oneflow.org/master/basics/08_nn_graph.html#graph_3中发现。

5、总结

AutoTest 框架的灵活性和易用性都比较强,本文主要介绍了 Graph 模式如何伴随 Eager 模式做算子对齐和 Graph 的自动测试个性化内容。Eager 到 Graph 的 Local ops 执行测试覆盖也已经在 OneFlow v0.7.0中完成,在 0.8 版本中将会保证 Graph Global ops 单测的正确性。此外,静态图的 debug 和其他功能等将更完备。欢迎大家学习或者使用。

相关链接

1. https://github.com/Oneflow-Inc/oneflow

2. https://github.com/pytorch/pytorch

其他人都在看

手把手推导Ring All-reduce的数学性质

DeepMind爆发史:决定AI高峰的“游戏玩家”

解读Pathways(二):向前一步是OneFlow

LLVM之父Chris Lattner:编译器的黄金时代

OneFlow学习笔记:从Functor到OpExprInterpreter

OneFlow v0.7.0发布:全新分布式接口,LiBai、Serving等一应俱全

欢迎下载体验OneFlow v0.7.0最新版本:GitHub - Oneflow-Inc/oneflow: OneFlow is a performance-centered and open-source deep learning framework.https://github.com/Oneflow-Inc/oneflow

关键词:


联系网站:29 59 11 57 [email protected] 豫ICP备20005723号-15 营业执照公示信息