树外扩展的自动加载 ¶

创建于：2025 年 4 月 1 日 | 最后更新：2025 年 4 月 1 日 | 最后验证：2024 年 10 月 10 日

作者：纪元豪

扩展自动加载机制使 PyTorch 能够自动加载树外后端扩展，而无需显式导入语句。这一特性对用户来说非常有益，因为它增强了他们的体验，并使他们能够在不显式加载或导入特定设备扩展的情况下，遵循熟悉的 PyTorch 设备编程模型。此外，它还简化了现有 PyTorch 应用程序在树外设备上的采用，无需对树外设备进行任何代码更改。有关详细信息，请参阅[RFC]自动加载设备扩展。

你将学到什么

• 如何在 PyTorch 中使用树外扩展自动加载

• 使用 Intel Gaudi HPU 和华为 Ascend NPU 的示例回顾

前提条件

• PyTorch v2.5 或更高版本

备注

此功能默认启用，可以通过使用 export TORCH_DEVICE_BACKEND_AUTOLOAD=0 .来禁用。如果您遇到如下错误：“无法加载后端扩展”，此错误与 PyTorch 无关，您应该禁用此功能并向树外扩展维护者寻求帮助。

如何将此机制应用于树外扩展？ ¶

例如，假设您有一个名为 foo 的后端以及相应的包名为 torch_foo 。请确保您的包与 PyTorch 2.5 或更高版本兼容，并在其 __init__.py 文件中包含以下代码片段：

def _autoload():
    print("Check things are working with `torch.foo.is_available()`.")

然后，您需要做的只是定义 Python 包中的一个入口点：

setup(
    name="torch_foo",
    version="1.0",
    entry_points={
        "torch.backends": [
            "torch_foo = torch_foo:_autoload",
        ],
    }
)

现在，您只需添加 import torch 语句即可导入 torch_foo 模块，无需添加 import torch_foo ：

>>> import torch
Check things are working with `torch.foo.is_available()`.
>>> torch.foo.is_available()
True

在某些情况下，您可能会遇到循环导入的问题。以下示例展示了如何解决这些问题。

示例 ¶

在本例中，我们将使用 Intel Gaudi HPU 和华为 Ascend NPU 来确定如何使用自动加载功能将您的树外扩展与 PyTorch 集成。

habana_frameworks.torch 是一个 Python 包，它允许用户通过使用 PyTorch HPU 设备键在 Intel Gaudi 上运行 PyTorch 程序。

habana_frameworks.torch 是 habana_frameworks 的子模块，我们在 habana_frameworks/setup.py 中为 __autoload() 添加了入口点：

setup(
    name="habana_frameworks",
    version="2.5",
+   entry_points={
+       'torch.backends': [
+           "device_backend = habana_frameworks:__autoload",
+       ],
+   }
)

在 habana_frameworks/init.py 中，我们使用一个全局变量来跟踪我们的模块是否已被加载：

import os

is_loaded = False  # A member variable of habana_frameworks module to track if our module has been imported

def __autoload():
    # This is an entrypoint for pytorch autoload mechanism
    # If the following condition is true, that means our backend has already been loaded, either explicitly
    # or by the autoload mechanism and importing it again should be skipped to avoid circular imports
    global is_loaded
    if is_loaded:
        return
    import habana_frameworks.torch

在 habana_frameworks/torch/init.py 中，我们通过更新全局变量的状态来防止循环导入：

import os

# This is to prevent torch autoload mechanism from causing circular imports
import habana_frameworks

habana_frameworks.is_loaded = True

torch_npu 允许用户在华为 Ascend NPU 上运行 PyTorch 程序，它利用 PrivateUse1 设备键并将设备名称暴露给最终用户作为 npu 。

我们在 torch_npu/setup.py 中定义了一个入口点：

setup(
    name="torch_npu",
    version="2.5",
+   entry_points={
+       'torch.backends': [
+           'torch_npu = torch_npu:_autoload',
+       ],
+   }
)

与 habana_frameworks 不同， torch_npu 使用环境变量 TORCH_DEVICE_BACKEND_AUTOLOAD 来控制自动加载过程。例如，我们将其设置为 0 以禁用自动加载，防止循环导入：

# Disable autoloading before running 'import torch'
os.environ['TORCH_DEVICE_BACKEND_AUTOLOAD'] = '0'

import torch

它如何工作

自动加载是基于 Python 的入口点机制实现的。我们发现并加载所有由树外扩展定义的特定入口点 torch/__init__.py 。

如上图所示，安装 torch_foo 后，您的 Python 模块可以在加载您定义的入口点时导入，然后您可以在调用它时执行一些必要的工作。

请查看此拉取请求中的实现：[RFC] 添加对设备扩展自动加载的支持。

结论 ¶

在本教程中，我们学习了 PyTorch 中树外扩展自动加载机制，该机制可自动加载后端扩展，从而消除添加额外导入语句的需求。我们还学习了如何通过定义入口点将此机制应用于树外扩展，以及如何防止循环导入。我们还回顾了如何使用 Intel Gaudi HPU 和华为 Ascend NPU 的自动加载机制的示例。