在 ATen IR 上编写图变换 ¶

遍历

由于 ATen IR 位于 FX Graph/GraphModule 级别，因此为 FX Graphs 编写的任何变换都可以轻松应用于 ATen IR。如果您熟悉编写 FX 图变换，那么这将是相同的。

通过遍历给定的图并直接操作图中的节点，是编写变换的最直接方式。

例如，假设我们想要将 torch.ops.aten.add.Tensor() 调用替换为 torch.ops.aten.mul.Tensor() 调用：

import torch

def replace_add_with_mul(gm: torch.fx.GraphModule) -> torch.fx.GraphModule:
    for node in gm.graph.nodes:
        if node.op == "call_function" and node.target == torch.ops.aten.add.Tensor:
            node.target = torch.ops.aten.mul.Tensor

我们还可以通过图文档中可找到的 FX 实用函数删除和添加新节点。例如，如果我们想在 add 调用之后插入一个 torch.ops.aten.relu.default() ：

import torch

def insert_relu_after_add(gm: torch.fx.GraphModule) -> torch.fx.GraphModule:
    for node in gm.graph.nodes:
        if node.op == "call_function" and node.target == torch.ops.aten.add.Tensor:

            # Specifies the insertion point. Any nodes added to the graph within
            # this scope will be inserted after `node`
            with gm.graph.inserting_after(node):
                # Insert a new `call_function` node with op `torch.ops.aten.relu.default`
                new_relu_node = gm.graph.call_function(torch.ops.aten.relu.default, args=(node,))
                # Replace all the places that use `node` to now use the `new_relu_node`
                node.replace_all_uses_with(new_relu_node)

通常，变换可以大致分为几个轴：

轴 A：1. 创建一对一映射（例如分解）2. 创建多对一映射（例如融合）

轴 B：1. 进行正向迭代（例如形状传播）2. 进行反向迭代（例如死代码消除）

轴 C：1. 依赖于局部节点信息（例如输出变体转换）2. 依赖于全局图信息（例如内存规划）

我们对这些用例频率的预测是：1. A.1, B.1, C.1 2. A.2 3. B.2, C.2

虽然我们可以通过直接操作图来执行所有图变换，但我们还提供了一些辅助工具，以方便 1 级和 2 级用例的使用。

变换器 ¶

对于 1 级用例（创建一对一映射、进行正向迭代和查看局部节点信息），我们可以利用 Transformer 类来执行每个节点并重新创建一个图，除了指定的变换之外。

一对一传递 ¶

一个一对一映射的示例，如果我们想用操作 B 替换操作 A，我们可以运行 GraphModule，每次遇到操作 A 时，就返回操作 B。

例如：

class ReplaceAddWithMul(torch.fx.Transformer):
    def call_function(self, target, args, kwargs):
        if target != torch.ops.aten.add.Tensor:
            return super().call_function(target, args, kwargs)
        return super().call_function(torch.ops.aten.mul.Tensor, args, kwargs)

transformed_graph_module = ReplaceAddWithMul(graph_module).transform()

super().call_function(target, args, kwargs, meta) 调用创建一个 call_function FX 节点，并返回使用给定参数运行操作的结果。

一对多 Pass

如果我们想要进行一对一映射，比如用操作 B 和 C 替换操作 A，那么我们将调用 super().call_function 两次来创建两个 FX 节点，一个包含操作 B，另一个包含操作 C，并返回运行操作 C 的结果。

例如：

class ReplaceAddWithMulSub(torch.fx.Transformer):
    """
    Original:
        def f(x, y):
            return x + y

    After pass:
        def f(x, y):
            z = x * y
            return z - y
    """
    def call_function(self, target, args, kwargs):
        if target != torch.ops.aten.add.Tensor:
            return super().call_function(target, args, kwargs)

        x, y = args

        mul_res = super().call_function(torch.ops.aten.mul.Tensor, args, {})
        return super().call_function(torch.ops.aten.sub.Tensor, (mul_res, y), {})

transformed_graph_module = ReplaceAddWithMulSub(graph_module).transform()

一对零 Pass

如果我们想要删除一个操作，我们只需返回传递给函数的值即可：

class RemoveDetachPass(torch.fx.Transformer):
    def call_function(self, target, args, kwargs):
        if target not in (
            torch.ops.aten.detach.default,
            torch.ops.aten.detach_copy.default,
        ):
            return super().call_function(target, args, kwargs, meta)

        assert len(args) == 1
        return args[0]

transformed_graph_module = RemoveDetachPass(graph_module).transform()

利用局部信息

利用本地节点信息的一个例子是，如果我们想将图中的所有标量转换为张量，我们可以运行给定的 fx.GraphModule ，并且对于包含标量的每个参数，我们将其转换为张量。它可能看起来像这样：

def args_map(target, fn, args, kwargs):
    assert isinstance(args, tuple)
    assert isinstance(kwargs, dict)
    args = list(args)
    kwargs = kwargs.copy()

    # Update the argument based on the function passed
    def update(key, args, schema):
        args[key] = fn(args[key], schema)

    # Update each argument in the schema
    for i, schema in enumerate(target._schema.arguments):
        if schema.name in kwargs:
            update(schema.name, kwargs, schema)
        elif not schema.kwarg_only and i < len(args):
            update(i, args, schema)
    return tuple(args), kwargs

class ScalarToTensorPass(torch.fx.Transformer):
    def call_function(self, target, args, kwargs):
        breakpoint()
        def try_coerce(value, arg):
            return (
                torch.tensor(value)
                if isinstance(value, (float, int, bool))
                and type(arg.type) == torch.TensorType
                else value
            )

        args, kwargs = args_map(target, try_coerce, args, kwargs)
        return super().call_function(target, args, kwargs)

transformed_graph_module = ScalarToTensorPass(graph_module).transform()

子图重写器

为了创建多对一映射，我们可以利用 FX 的子图重写器。给定一个 pattern ，它创建一个与模式匹配的运算符子图，然后将每个匹配的子图替换为 replacement 。

注意：

This is an inplace operation.

pattern 和 replacement 输入必须是可调用的函数或包含图（ATen 运算符）中使用的相同运算符的 GraphModules，以便子图重写器可以在图中找到正确的模式。模式/替换可调用函数的输入在匹配时将被视为通配符。

例子：

from torch.fx import subgraph_rewriter

def replace_patterns(graph_module):
    def pattern(x, y):
        x = torch.ops.aten.add.Tensor(x, y)
        x = torch.ops.aten.mul.Tensor(x, y)
        return x

    def replacement(x, y):
        return torch.ops.aten.sub.Tensor(x, y)

replaced_patterns = subgraph_rewriter.replace_pattern_with_filters(
    traced_module, pattern, replacement
)

子图重写器返回一个包含 ReplacedPatterns 的列表：

@dataclass
class ReplacedPatterns:
    # Node from which the match was found
    anchor: Node
    # Maps nodes in the pattern subgraph to nodes in the larger graph
    nodes_map: Dict[Node, Node]
    # List of nodes that were added into the graph
    replacements: List[Node]

注意：

The nodes created by the subgraph rewriter will not have the metadata that
is populated in the matched nodes, but you can use
`ReplacedPatterns.nodes_map` to find the nodes in the original graph that
were matched, and `ReplacedPatterns.replacements` to find the nodes that
were replaced in the transformed graph.

通行管理器 ¶

`PassManager 是一个用于在给定的图模块上运行多个通路的类。初始化 PassManager 实例时，我们传入要运行的通路列表并设置一些标志。要运行图模块上的通路集合，我们可以直接将图模块传递给 PassManager 实例。

例子：

from torch.fx.passes.infra.pass_manager import PassManager

pm = PassManager(
    passes=[replace_add_with_div, replace_div_with_mul],
    run_checks_after_each_pass=True,
    suppress_check_failures=False,
)
graph_module_out = pm(graph_module)

要添加在每次通路运行后运行的公共检查集，我们可以调用函数 set_checks(check: Callable) ，该函数接受一个可调用函数作为输入。如果设置了 run_checks_after_each_pass 标志，则 check 将在每次通路在图模块上运行后调用。

例子：

pm = PassManager(passes=[replace_add_with_div, replace_div_with_mul])

def check_div_target(graph_module):
    for node in graph_module.graph.nodes:
        if node.op == "call_function" and node.target != torch.div:
            raise ValueError("Target should be div!")

pm.add_checks(check_div_target)

pm(graph_module)    # raises ValueError after replace_div_with_mul pass

分区器 ¶

我们可以使用一些基于 FX 图分区器的常见方法来对图进行分区。

子图匹配器 ¶

为了在图中找到匹配特定模式的子图，我们可以利用 FX 的 `SubgraphMatcher `__。

类属性：

• pattern (Graph) : 目标匹配模式。图中的占位符节点在匹配时将被视为通配符。

• match_output (bool) : 如果为 True，模式图中的输出节点将被视为目标模式的一部分。如果为 False，输出节点在匹配过程中将被忽略。

• match_placeholder (bool) : 如果为 True，模式图中的占位符节点将被视为目标模式的一部分。如果为 False，占位符节点将用作通配符。

• remove_overlapping_matches (bool) : 如果为 True，在存在重叠匹配的情况下，只返回第一个匹配项。

• ignore_literals (bool) : 如果为 True，则不会检查字面量是否相等，而是将它们视为通配符。

例子：

from torch.fx.passes.utils.matcher_utils import SubgraphMatcher

class LargeModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self._weight = torch.nn.Parameter(torch.ones(3, 3))
        self._bias = torch.nn.Parameter(torch.ones(3, 3))

    def forward(self, x):
        return torch.ops.aten.addmm.default(self._bias, x, self._weight)

large_model_graph = torch.export(LargeModel(), inputs).graph

class PatternModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self._weight_1 = torch.nn.Parameter(torch.ones(5, 5))
        self._bias_1 = torch.nn.Parameter(torch.ones(5, 5))

    def forward(self, x):
        return torch.ops.aten.addmm.default(self._bias_1, x, self._weight_1)

pattern_graph = torch.export(PatternModel(), inputs).graph

subgraph_matcher = SubgraphMatcher(pattern_graph)
match_result = subgraph_matcher.match(large_model_graph)

match 函数返回一个 InternalMatch 列表：

@dataclass
class InternalMatch():
    # Nodes from which the match was found
    anchors: List[Node]
    # Maps nodes in the pattern subgraph to nodes in the larger graph
    nodes_map: Dict[Node, Node] = field(default_factory=dict)
    # Nodes in target graph that are matched placeholder in pattern
    placeholder_nodes: List[Node] = field(default_factory=list)
    # Nodes in matched subgraph returned by output
    returning_nodes: List[Node] = field(default_factory=list)

基于能力的分区器 ¶

要找到支持特定不变量的最大子图，我们可以利用 FX 的 `CapabilityBasedPartitioner `__。

类属性

• graph_module (torch.fx.GraphModule) ：我们正在对其进行分区图模块。

• operator_support (OperatorSupportBase) ：用于确定图中的节点是否支持分区的对象。

• 如果为 True，允许形成单节点分区。

• 一组被认为是“非计算”的 ops（例如 torch.ops.aten.view 和 _operator.getitem ），这样分区器就不会创建只包含这些非计算 ops 的图。

• 一组允许在单个节点分区中存在的 ops。

分区器使用 `OperatorSupportBase `__ 类来确定图中的特定节点是否属于分区。这是通过重写 is_node_supported 函数来实现的。您可以通过使用 `chain `__(如果任何 OperatorSupportBase 返回 False 则返回 False)和 `any_chain `__(如果任何 OperatorSupportBase 返回 True 则返回 True)来链式调用多个 OperatorSupportBase 。

例子：

from torch.fx.passes.infra.partitioner import CapabilityBasedPartitioner
from torch.fx.passes.operator_support import any_chain, OperatorSupportBase

class AddMulOperatorSupport(OperatorSupportBase):
    def is_node_supported(self, submodules, node: torch.fx.Node) -> bool:
        return node.op == "call_function" and node.target in [
            torch.ops.aten.add.Tensor, torch.ops.aten.mul.Tensor,
        ]

capability_partitioner = CapabilityBasedPartitioner(
    graph_module,
    op_support,
)

# Returns a list of partitions (list of nodes that belong in each partition)
partition_list = capability_partitioner.propose_partitions()
# Fuses the partitions into graph modules and inserts `call_module` nodes in the graph
fused_graph_module = capability_partitioner.fuse_partitions(partition_list)