TVM 现已更新到 0.21.0 版本，TVM 中文文档已经和新版本对齐。
Apache TVM 是一个深度的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。
在线运行 TVM 学习教程→https://go.hyper.ai/PEh1Q
使用 TVMScript 创建 TensorIR
创建 TensorIR 函数最直接的方法是使用 TVMScript。TVMScript 是一种用于表示 TVM 中 TensorIR 的 Python 语言。
标准格式
我们来看一个来自「理解 TensorIR 抽象」中的 mm_relu 示例。以下是完整的 ir_module 和 TVMScript 格式：
import numpy as np
import tvm
from tvm.script import ir as I
from tvm.script import tir as T
@I.ir_module
class MyModule:
@T.prim_func
def mm_relu(
A: T.Buffer((128, 128), "float32"),
B: T.Buffer((128, 128), "float32"),
C: T.Buffer((128, 128), "float32"),
):
Y = T.alloc_buffer((128, 128), dtype="float32")
for i in range(128):
for j in range(128):
for k in range(128):
with T.block("Y"):
vi = T.axis.spatial(128, i)
vj = T.axis.spatial(128, j)
vk = T.axis.reduce(128, k)
T.reads(A[vi, vk], B[vk, vj])
T.writes(Y[vi, vj])
with T.init():
Y[vi, vj] = T.float32(0)
Y[vi, vj] = Y[vi, vj] + A[vi, vk] * B[vk, vj]
for i in range(128):
for j in range(128):
with T.block("C"):
vi = T.axis.spatial(128, i)
vj = T.axis.spatial(128, j)
T.reads(Y[vi, vj])
T.writes(C[vi, vj])
C[vi, vj] = T.max(Y[vi, vj], T.float32(0))
使用语法糖简化
为了简化代码编写，我们可以使用以下语法：
- 使用
T.grid来压缩嵌套循环 - 使用
T.axis.remap来简化 block 迭代器注解 - 对于可以从 block 主体中推导出读写信息的 block，可以省略
T.reads和T.writes
@I.ir_module
class ConciseModule:
@T.prim_func
def mm_relu(
A: T.Buffer((128, 128), "float32"),
B: T.Buffer((128, 128), "float32"),
C: T.Buffer((128, 128), "float32"),
):
Y = T.alloc_buffer((128, 128), dtype="float32")
for i, j, k in T.grid(128, 128, 128):
with T.block("Y"):
vi, vj, vk = T.axis.remap("SSR", [i, j, k])
with T.init():
Y[vi, vj] = T.float32(0)
Y[vi, vj] = Y[vi, vj] + A[vi, vk] * B[vk, vj]
for i, j in T.grid(128, 128):
with T.block("C"):
vi, vj = T.axis.remap("SS", [i, j])
C[vi, vj] = T.max(Y[vi, vj], T.float32(0))
我们可以通过以下代码验证两个模块是否等价：
print(tvm.ir.structural_equal(MyModule, ConciseModule))
输出：
True
与 Python 变量的交互
尽管 TVMScript 不能被 Python 解释器直接执行，但它可以与 Python 进行一定程度的交互。例如，我们可以使用 Python 变量来指定 TensorIR 的形状和数据类型。
# Python 变量
M = N = K = 128
dtype = "float32"
# 使用 TVMScript 定义的 IRModule
@I.ir_module
class ConciseModuleFromPython:
@T.prim_func
def mm_relu(
A: T.Buffer((M, K), dtype),
B: T.Buffer((K, N), dtype),
C: T.Buffer((M, N), dtype),
):
Y = T.alloc_buffer((M, N), dtype)
for i, j, k in T.grid(M, N, K):
with T.block("Y"):
vi, vj, vk = T.axis.remap("SSR", [i, j, k])
with T.init():
Y[vi, vj] = T.cast(T.float32(0), dtype)
Y[vi, vj] = Y[vi, vj] + A[vi, vk] * B[vk, vj]
for i, j in T.grid(M, N):
with T.block("C"):
vi, vj = T.axis.remap("SS", [i, j])
C[vi, vj] = T.max(Y[vi, vj], T.cast(T.float32(0), dtype))
检查等价性：
print(tvm.ir.structural_equal(ConciseModule, ConciseModuleFromPython))
输出：
True
使用动态形状的 TensorIR 函数
尽管 TVMScript 不能被 Python 解释器直接执行，但它可以与 Python 进行一定程度的交互。例如，我们可以使用 Python 变量来指定 TensorIR 的形状和数据类型。
@I.ir_module
class DynamicShapeModule:
@T.prim_func
def mm_relu(a: T.handle, b: T.handle, c: T.handle):
# 动态形状定义
M, N, K = T.int32(), T.int32(), T.int32()
# 使用动态形状绑定输入缓冲区
A = T.match_buffer(a, [M, K], dtype)
B = T.match_buffer(b, [K, N], dtype)
C = T.match_buffer(c, [M, N], dtype)
Y = T.alloc_buffer((M, N), dtype)
for i, j, k in T.grid(M, N, K):
with T.block("Y"):
vi, vj, vk = T.axis.remap("SSR", [i, j, k])
with T.init():
Y[vi, vj] = T.cast(T.float32(0), dtype)
Y[vi, vj] = Y[vi, vj] + A[vi, vk] * B[vk, vj]
for i, j in T.grid(M, N):
with T.block("C"):
vi, vj = T.axis.remap("SS", [i, j])
C[vi, vj] = T.max(Y[vi, vj], T.cast(T.float32(0), dtype))
接下来，我们来测试运行时的动态形状推理：
def evaluate_dynamic_shape(lib: tvm.runtime.Module, m: int, n: int, k: int):
A = tvm.runtime.tensor(np.random.uniform(size=(m, k)).astype("float32"))
B = tvm.runtime.tensor(np.random.uniform(size=(k, n)).astype("float32"))
C = tvm.runtime.tensor(np.zeros((m, n), dtype="float32"))
lib(A, B, C)
return C.numpy()
# 只需编译一次
dyn_shape_lib = tvm.compile(DynamicShapeModule, target="llvm")
# 支持不同的输入形状
print(evaluate_dynamic_shape(dyn_shape_lib, m=4, n=4, k=4))
print(evaluate_dynamic_shape(dyn_shape_lib, m=64, n=64, k=128))
输出：
[[1.6744074 1.8393843 0.9076001 0.32640088]
[1.3455076 1.5298209 0.75502187 0.32371795]
[1.9979694 2.221868 1.0828729 0.43582058]
[1.7054784 1.8512932 0.89285195 0.34154552]]
[[30.544813 29.938599 33.654526 ... 29.934391 30.73088 25.106636]
[30.644558 31.062693 32.34803 ... 29.584583 32.756992 25.280499]
[33.73643 33.23441 34.2736 ... 34.284283 35.100815 27.748833]
...
[31.313179 30.462463 30.996958 ... 28.831778 32.279408 25.663143]
[33.129818 31.630735 33.334507 ... 29.682335 32.925854 26.043703]
[32.44726 30.645096 33.926357 ... 29.750242 32.810432 25.420698]]
使用 Tensor Expression 创建 TensorIR
通常情况下，我们不直接关注 TensorIR 的具体细节，而是更倾向于用一种更简洁的方式描述计算过程，这时 Tensor Expression（TE）就派上了用场。
Tensor Expression 是一种领域特定语言（DSL），它使用类似表达式的 API 来描述一系列计算过程。
备注
Tensor 表达式（TE）包含了 TVM 堆栈中的两个组件：表达式和调度。表达式是领域特定语言，体现了计算模式，这正是我们在本节中讨论的内容。相反，TE 调度是传统的调度方法，已经被 TVM Unity 堆栈中的 TensorIR 调度所取代。
创建静态形状函数
我们仍然使用上一小节中的 mm_relu 示例来演示如何使用 TE 创建函数。
from tvm import te
A = te.placeholder((128, 128), "float32", name="A")
B = te.placeholder((128, 128), "float32", name="B")
k = te.reduce_axis((0, 128), "k")
Y = te.compute((128, 128), lambda i, j: te.sum(A[i, k] * B[k, j], axis=k), name="Y")
C = te.compute((128, 128), lambda i, j: te.max(Y[i, j], 0), name="C")
在这里，te.compute 的函数签名是 te.compute(output_shape, fcompute)。其中 fcompute 函数用于描述每个索引位置上元素 Y[i, j] 的计算方式：
lambda i, j: te.sum(A[i, k] * B[k, j], axis=k)
上面 lambda 表达式定义了如下计算：Yi,j=∑kAi,k×Bk,jYi,j=∑kAi,k×Bk,j。定义完计算后，我们就可以结合输入输出参数创建对应的 TensorIR 函数。这个例子中，我们希望构建一个具有两个输入参数 A、B 和一个输出参数 C 的函数。
te_func = te.create_prim_func([A, B, C]).with_attr({"global_symbol": "mm_relu"})
TEModule = tvm.IRModule({"mm_relu": te_func})
TEModule.show()
输出：
# from tvm.script import ir as I
# from tvm.script import tir as T
@I.ir_module
class Module:
@T.prim_func
def mm_relu(A: T.Buffer((128, 128), "float32"), B: T.Buffer((128, 128), "float32"), C: T.Buffer((128, 128), "float32")):
T.func_attr({"tir.noalias": True})
# with T.block("root"):
Y = T.alloc_buffer((128, 128))
for i, j, k in T.grid(128, 128, 128):
with T.block("Y"):
v_i, v_j, v_k = T.axis.remap("SSR", [i, j, k])
T.reads(A[v_i, v_k], B[v_k, v_j])
T.writes(Y[v_i, v_j])
with T.init():
Y[v_i, v_j] = T.float32(0.0)
Y[v_i, v_j] = Y[v_i, v_j] + A[v_i, v_k] * B[v_k, v_j]
for i, j in T.grid(128, 128):
with T.block("C"):
v_i, v_j = T.axis.remap("SS", [i, j])
T.reads(Y[v_i, v_j])
T.writes(C[v_i, v_j])
C[v_i, v_j] = T.max(Y[v_i, v_j], T.float32(0.0))
创建动态形状函数
我们也可以使用 Tensor Expression 创建动态形状的函数。唯一的区别是我们需要将输入张量的形状指定为符号变量。
# 定义符号变量
M, N, K = te.var("m"), te.var("n"), te.var("k")
A = te.placeholder((M, N), "float32", name="A")
B = te.placeholder((K, N), "float32", name="B")
k = te.reduce_axis((0, K), "k")
Y = te.compute((M, N), lambda i, j: te.sum(A[i, k] * B[k, j], axis=k), name="Y")
C = te.compute((M, N), lambda i, j: te.max(Y[i, j], 0), name="C")
dyn_te_func = te.create_prim_func([A, B, C]).with_attr({"global_symbol": "mm_relu"})
DynamicTEModule = tvm.IRModule({"mm_relu": dyn_te_func})
DynamicTEModule.show()
输出：
# from tvm.script import ir as I
# from tvm.script import tir as T
@I.ir_module
class Module:
@T.prim_func
def mm_relu(var_A: T.handle, var_B: T.handle, var_C: T.handle):
T.func_attr({"tir.noalias": True})
m, n = T.int32(), T.int32()
A = T.match_buffer(var_A, (m, n))
k = T.int32()
B = T.match_buffer(var_B, (k, n))
C = T.match_buffer(var_C, (m, n))
# with T.block("root"):
Y = T.alloc_buffer((m, n))
for i, j, k_1 in T.grid(m, n, k):
with T.block("Y"):
v_i, v_j, v_k = T.axis.remap("SSR", [i, j, k_1])
T.reads(A[v_i, v_k], B[v_k, v_j])
T.writes(Y[v_i, v_j])
with T.init():
Y[v_i, v_j] = T.float32(0.0)
Y[v_i, v_j] = Y[v_i, v_j] + A[v_i, v_k] * B[v_k, v_j]
for i, j in T.grid(m, n):
with T.block("C"):
v_i, v_j = T.axis.remap("SS", [i, j])
T.reads(Y[v_i, v_j])
T.writes(C[v_i, v_j])
C[v_i, v_j] = T.max(Y[v_i, v_j], T.float32(0.0))
112
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
