目录
目录

后端与委托

受众：供应商、后端委托开发人员，他们有兴趣将自己编译器和硬件集成到 ExecuTorch 中

后端委托是后端处理和执行 PyTorch 程序的入口点，以便利用专用后端和硬件的性能和效率优势，同时仍为 PyTorch 用户提供接近 PyTorch 运行时的体验。

后端接口：概述

从高层次来看，后端的入口点由两个组件定义：

  • 一个表示程序的IR： Edge Dialect （通过 to_edge API 生成）

  • 几个后端需要实现的接口：

    • 提前编译（AOT）

      • 程序预处理（例如提前编译、转换、优化等）。

    • 运行时

      • 程序初始化（例如运行时编译）。

      • 程序执行。

      • （可选）程序销毁（例如释放后端拥有的资源）。

一个委托后端实现由以下部分组成：

  1. 一种提前预处理接口

  2. 运行时初始化和执行接口

该图看起来如下

drawing

图1. 后端接口的高级入口点，包括编译时和运行时两种。

后端接口：提前编译预处理

主要有两个提前编译的入口点供后端实现：partition 和 preprocess。

partitioner 是后端实现的算法，用于标记要下放到后端的节点。 to_backend API 会应用分区算法，并将由连接的标记节点组成的每个子图下放到目标后端。每个子图 将被发送到由后端提供的 preprocess 部分进行编译，生成二进制 blob。

在分片过程中，exported_program 不允许修改程序，并且应该对每个节点应用标签。PartitionResult 包括带有标签的导出程序和分片标签字典，供 to_backend 查找标签并 链接到 backend_id 和 compile_spec

def partition(
    exported_program: ExportedProgram,
) -> PartitionResult:

在预处理过程中，后端会接收到一个边疆方言程序， 一个指定编译所需值的编译规范列表，并预期返回一个编译后的二进制文件，或包含所需程序的二进制文件以在后端运行。在序列化过程中， 编译后的二进制文件将作为 .pte 文件的一部分进行序列化，并直接加载到设备上。此过程的API为：

def preprocess(
    edge_program: ExportedProgram,
    compile_specs: List[CompileSpec],
) -> PreprocessResult:

预处理函数的演示已实现 这里。 演示循环遍历图模块中的节点 edge_program 并将 add、mul 和 sin 指令序列化为字符串，该字符串稍后在运行时被解析和执行。

该图看起来如下

drawing

图2. 该图经过分区，每个子图将被发送到预处理部分。

后端接口：运行时初始化和执行

在运行时，来自 preprocess 函数的编译单元将被加载并直接传递给后端的自定义 init 函数。此函数负责进一步处理编译单元，以及执行任何后端初始化。然后，后端的自定义 execute 函数将被调用以执行由 init 生成的句柄。最后，如果某些后端需要销毁，则后端可以实现一个 destroy 函数，该函数将在程序超出其生命周期时被调用。

// Runtime check
ET_NODISCARD bool is_available();

// Runtime initialization
ET_NODISCARD virtual Result<DelegateHandle*> init(
    BackendInitContext& context,
    FreeableBuffer* processed,
    ArrayRef<CompileSpec> compile_specs);

// Runtime execution
ET_NODISCARD virtual Error execute(
    BackendExecutionContext& context,
    DelegateHandle* handle,
    EValue** args);

// [optional] Runtime destroy. Destroy the resource held by the backend
virtual void destroy(ET_UNUSED DelegateHandle* handle);

该图看起来如下

drawing

图3. 标准ExecuTorch运行时与后端入口点之间的关系。

为了使后端可用与ExecuTorch运行时，它必须通过 register_backend API 注册：

ET_NODISCARD Error register_backend(const Backend& backend);

静态注册，即在库初始化或加载时注册后端，可以按照以下方式进行：

namespace {
auto cls = BackendWithCompiler();
Backend backend{"BackendWithCompilerDemo", &cls};
static auto success_with_compiler = register_backend(backend);
} // namespace

开发者工具集成：可调试性

提供一致的调试体验，无论是针对运行时故障还是性能分析，都非常重要。ExecuTorch 为此使用了原生开发者工具，通过调试句柄将程序指令与原始 PyTorch 代码关联起来。你可以点击 这里 了解更多。

委托程序或子图对ExecuTorch运行时是不透明的，它们会显示为一个特殊的 call_delegate 指令，该指令要求相应的后端处理子图或程序的执行。由于后端委托的不透明性，原生开发者工具无法查看委托程序。因此，与非委托版本相比，委托执行的调试、功能或性能体验会受到显著影响。

为了给用户提供一致的调试体验，无论模型是否使用委托，Developer Tools 都提供了一个界面来关联委托的（子）图与原始的（子）图。Developer Tools 通过调试句柄映射实现这一点，这允许委托生成可以与委托消耗的原始（子）图关联的内部句柄。然后在运行时，后端开发人员可以使用内部句柄报告错误或性能分析信息，这些信息将通过调试句柄映射到原始的（子）图。更多信息，请参阅 委托调试。

通过利用调试标识符，后端开发人员可以将调试信息作为委托 blob 的一部分进行嵌入

drawing

这样，在执行阶段，通过调试标识符，后端开发人员可以将委托内部失败的指令关联回 Python 代码中的确切行。

drawing

常见问题

如何在 backend.preprocess 中获取数据？

正在预处理的图模块是一个提升后的图，这意味着静态数据如权重和偏置是作为输入提供给图的。然而，我们可以通过导出的程序提前访问这些权重和偏置。要从给定的节点访问这些参数，我们可以使用 get_params 提供的函数 torch/_export/utils.py

2. 我们如何将数据（如权重/偏置）嵌入到后端？

后端通常会有一些方法来优化常量数据。在这种情况下，我们需要标记那些同时也是分区器中状态的占位符节点，并在 backend.preprocess 中按照第一个问题中的描述来获取权重。

3. 我们如何在 Python 中使用特定后端运行降低后的模块？

我们还没有添加支持，但这是计划中的！

4. 我们应该期望在边方言程序中看到 get_attr 个节点吗？

get_attr 节点只会显示在用于控制流或委托的子模块中。它不会保存任何数据。

5. 我们可以委托给多个后端吗？

是的！有两种方法可以做到这一点：

选项 1: 为不同的后端多次运行 to_backend

如果我们有两个后端，backend_1 和 backend_2，并且它们各自有自己的分区器：backend_1_parititioner 和 backend_2_partitioner，我们可以这样运行：

# Will first lower nodes to backend_1 depending on the backend_1_parititioner depending on partitioner algorithm
exported_program_backend_1 = to_backend(exported_program, backend_1_parititioner())
# For the rest of nodes, they will be lowered to backend_2 depending on backend_2_parititioner
exported_program_backend_1_and_2 = to_backend(exported_program_backend_1, backend_2_parititioner())

一个更具体的例子可以在这里找到 这里。 在这个例子中， qnnpack 是其中一个后端，xnnpack 是另一个后端。我们还没有开源 这两个后端委托，因此这个例子不能直接运行。它可以 用作参考，以了解如何实现。

这个选项很容易尝试，因为通常所有后端都会实现自己的分区器。然而，如果我们改变 to_backend 调用的顺序，可能会得到不同的结果。如果我们希望更好地控制节点，例如它们应该去哪个后端，选项 2 更为合适。

选项 2：拥有一个分区器，用于针对不同的后端进行分区

另一种选择是创建一个自定义的分区器，例如分区器 backend_1_2_partitioner，并在分区器逻辑中，

class Backend_1_2_Partitioner(Partitioner):
    """
    Partitions all add/mul nodes regardless of order for Backend2
    """

    def __init__(self) -> None:
        self.delegation_spec_1 = DelegationSpec("Backend1", [])
        self.delegation_spec_2 = DelegationSpec("Backend2", [])
        self.partition_tags = {}

    def partition(
        self, exported_program: ExportedProgram
    ) -> ExportedProgram:

        # Tag all nodes in the first partiton to backend 1
        node_to_backend_1 = ... # some logic to select the nodes from the graph
        delegation_tag = f"backend2_tag{partitioner_1.id}"
        node.meta["delegation_tag"] = delegation_tag
        self.partition_tags[delegation_tag] = self.delegation_spec_1

        # Tag all nodes in the first partiton to backend 2
        node_to_backend_2 = ... # some logic to select the nodes from the graph
        delegation_tag = f"backend2_tag{partitioner_2.id}"
        node.meta["delegation_tag"] = delegation_tag
        self.partition_tags[delegation_tag] = self.delegation_spec_2
        return exported_program

6. 有没有一种简单的方法来编写分区器？

我们提供了一些辅助分区器 这里，以便轻松找到 分解操作符的节点。

7. 我们如何将节点链接回源代码？ 我们提供一个辅助函数

from executorch.exir.print_program import inspect_node

print(inspect_node(graph, node))

它还会在图中突出显示该节点，并指向源代码，示例输出如下：

_param_constant1 error_msg:  Here is the node in the graph module:
graph():
    %arg0_1 : [num_users=1] = placeholder[target=arg0_1]
    %_param_constant0 : [num_users=1] = get_attr[target=_param_constant0]
--> %_param_constant1 : [num_users=1] = get_attr[target=_param_constant1]
    %aten_convolution_default : [num_users=2] = call_function[target=executorch.exir.dialects.edge._ops.aten.convolution.default](args = (%arg0_1, %_param_constant0, %_param_constant1, [1, 1], [0, 0], [1, 1], False, [0, 0], 1), kwargs = {})
    %_param_constant2 : [num_users=1] = get_attr[target=_param_constant2]
    %_param_constant3 : [num_users=1] = get_attr[target=_param_constant3]
    %aten_convolution_default_1 : [num_users=1] = call_function[target=executorch.exir.dialects.edge._ops.aten.convolution.default](args = (%aten_convolution_default, %_param_constant2, %_param_constant3, [1, 1], [0, 0], [1, 1], False, [0, 0], 1), kwargs = {})
    %aten_add_tensor : [num_users=1] = call_function[target=executorch.exir.dialects.edge._ops.aten.add.Tensor](args = (%aten_convolution_default, %aten_convolution_default_1), kwargs = {})
    %_param_constant4 : [num_users=1] = get_attr[target=_param_constant4]
    %_param_constant5 : [num_users=1] = get_attr[target=_param_constant5]
    %aten_convolution_default_2 : [num_users=1] = call_function[target=executorch.exir.dialects.edge._ops.aten.convolution.default](args = (%aten_add_tensor, %_param_constant4, %_param_constant5, [1, 1], [0, 0], [1, 1], False, [0, 0], 1), kwargs = {})
    %aten_gelu_default : [num_users=1] = call_function[target=executorch.exir.dialects.edge._ops.aten.gelu.default](args = (%aten_convolution_default_2,), kwargs = {})
    return [aten_gelu_default]
This node _param_constant1 has metadata of:
The node stacktrace:
Traceback (most recent call last):
    File "/tmp/ipykernel_1204253/3382880687.py", line 7, in forward
return self.test_model(x)
    File "/mnt/xarfuse/uid-25337/7b86ad0c-seed-nspid4026532987_cgpid2707357-ns-4026532984/torch/nn/modules/module.py", line 1528, in _call_impl
return forward_call(*args, **kwargs)
    File "/tmp/ipykernel_1204253/712280972.py", line 10, in forward
a = self.conv1(x)

文档

访问 PyTorch 的全面开发人员文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并解答您的问题

查看资源