如何在TVM上集成Codegen（下）
Bring DNNL to TVM: JSON Codegen/Runtime
現在實現將Relay，序列化為JSON表示的DNNL codegen，然后實現DNNL JSON runtime，反序列化和執行。嘗試實現codegen，生成C兼容的程序。
要使TVM中的DNNL JSON codegen/runtime在本例中工作，確保DNNL在計算機上可用，使用set(USE_DNNL_CODEGEN ON)，構建TVM配置文件。
DNNL codegen在src/relay/backend/contrib/dnnl/codegen.cc。 在這個文件的兩個表單中，都實現了DNNL codegen，在跟蹤代碼時，可以將注意力集中在USE_JSON_RUNTIME宏，所涵蓋的部分。
首先用TVM注冊API（L510）注冊codegen。使TVM編譯引擎，將Compiler=的Relay函數，分派到relay.ext.。實現了DNNL編譯器（L490）的入口函數。有關詳細信息，請閱讀代碼片段中嵌入的注釋：
runtime::Module DNNLCompiler(const ObjectRef& ref) {
// “ref” should be the paritioned Relay function with kCompiler=dnnl.
CHECK(ref->IsInstance());
auto func = Downcast(ref);

// Get the function name as the symbol to match in runtime.
auto func_name = GetExtSymbol(func);

// Serialize the function to a JSON string (introduce later).
DNNLJSONSerializer serializer(func_name, func);
serializer.serialize();
std::string graph_json = serializer.GetJSON();

// The constant tensor names that have been bound to the module.
// All constant tensors will be serialzied along with the JSON graph
// when export_library is invoked.
auto params = serializer.GetParams();

// The function to create DNNL JSON runtime (introduce later).
const auto* pf = runtime::Registry::Get(“runtime.DNNLJSONRuntimeCreate”);
CHECK(pf != nullptr) << “Cannot find JSON runtime module to create”;

// Create a DNNL runtime module that can run the serialized function.
auto mod = (*pf)(func_name, graph_json, params);
return mod;
}
TVM_REGISTER_GLOBAL(“relay.ext.dnnl”).set_body_typed(DNNLCompiler);
每個 runtime模塊，只負責一個Relay函數，可能在一個single .so文件中，有多個DNNL runtime模塊。
DNNL JSON序列化
接下來，實現dnnljson序列化器（L429）。
從BYOC JSON codegen (src/relay/backend/contrib/codegen_json/codegen_json.h)派生而來。DNNL JSON serializer中的特殊進程，嘗試序列化對，可由DNNL JSON runtime解釋的JSON節點的，復合函數調用。假設有一個與模式匹配的復合函數dnnl.conv2d_relu，則BYOC JSON codegen將生成以下JSON節點：
{
op: “kernel”,
name: “dnnl.conv2d_relu”,
inputs: [[0, 0, 0], [1, 0, 0]],
attrs: {
PartitionedFromPattern: [“nn.conv2d_nn.relu_”],
shape: [1, 32, 14, 14]
}
}
在runtime仍然需要Conv2D屬性，比如padding和stripes，但是BYOC JSON序列化程序，只附加復合函數的屬性，不附加body算子。另一方面，定制的DNNL JSON序列化程序，在復合函數中附加第一個，也是唯一一個Conv2D的屬性，生成以下JSON節點：
{
op: “kernel”,
name: “dnnl.conv2d_relu”,
inputs: [[0, 0, 0], [1, 0, 0]],
attrs: {
shape: [1, 32, 14, 14],
data_layout: [“NCHW”],
kernel_layout: [“OIHW”],
strides: [1, 1],
padding: [1, 1, 1, 1]
}
}
從DNNL JSON序列化程序，只要JSON runtime能夠解釋，就可以定制序列化程序，生成JSON格式的任何表單。
DNNL JSON Runtime
實現一個DNNL JSON runtime，解釋和執行序列化的JSON圖。放在src/runtime/contrib/dnnl/dnnl_json_runtime.cc。
同樣，首先注冊兩個api，創建 runtime，可以在任何地方使用。這個runtime.DNNLJSONRuntimeCreate序列化后，在上一部分中使用， runtime.module.loadbinary_dnnl_json可以在 load.so back時使用。
// Create a DNNL JSON runtime to interpret and execute the given JSON graph.
runtime::Module DNNLJSONRuntimeCreate(String symbol_name, String graph_json,
const Array& const_names) {
auto n = make_object(symbol_name, graph_json, const_names);
return runtime::Module(n);
}
TVM_REGISTER_GLOBAL(“runtime.DNNLJSONRuntimeCreate”)
.set_body_typed(DNNLJSONRuntimeCreate);

TVM_REGISTER_GLOBAL(“runtime.module.loadbinary_dnnl_json”)
.set_body_typed(JSONRuntimeBase::LoadFromBinary);
Now we explain DNNL JSON runtime implementation. The basic class structure is:
class DNNLJSONRuntime : public JSONRuntimeBase {
const char* type_key() const { return “dnnl_json”; }
void Init(const Array& consts) override {
// Initialize the DNNL graph engine.
BuildEngine();

// Setup constants entries for weights.
CHECK_EQ(consts.size(), const_idx_.size())<< "The number of input constants must match the number of required.";
SetupConstants(consts);

}

void Run() override {
// 1. Fill in the input buffers.
// 2. Invoke the engine through intepreting the stream.
// 3. Read and fill output buffers.
}
}

Init函數負責通過解釋JSON圖形字符串，構建DNNL引擎，將常量權重填充到相應的數據輸入緩沖區（SetupConstant在JSON runtime基類中實現，只需在Init中調用）。
即使運行多次推斷，函數也只會調用一次。
接下來，Run函數首先將輸入張量（可能來自用戶輸入或恒定權重），寫入構建DNNL引擎時，初始化的相應DNNL內存緩沖區。啟動DNNL引擎，執行JSON圖。將DNNL輸出內存緩沖區，寫回相應的輸出張量。
由于DNNL JSON runtime中的rest，實現太過DNNL特定，將停止討論。雖然DNNL JSON runtime是一個很好的參考，但是JSON runtime可以完全定制。
Bring DNNL to TVM: C Source Codegen
實現DNNL codegen，生成C源代碼，調用dnnlapi，執行Relay圖表。注釋如果試圖實現一個codegen，生成JSON格式的其它圖形表示，可能需要閱讀DNNL to TVM: JSON Codegen/Runtime。
要使TVM中的DNNL C源代碼生成，確保DNNL在計算機上可用，使用set(USE_DNNL_CODEGEN C_SRC)，構建TVM配置文件制作.
DNNL codegen在src/relay/backend/contrib/dnnl/codegen.cc。在這個文件中。兩個表單中，都實現了DNNL codegen，在跟蹤代碼時，可以將注意力集中在USE_JSON_RUNTIME runtime宏未涵蓋的部分。
用TVM注冊API注冊codegen。使TVM編譯引擎將Compiler=的Relay函數，分派到relay.ext.。實現DNNL編譯器的entry函數：
runtime::Module DNNLCompiler(const ObjectRef& ref) {
DNNLModuleCodegen dnnl;
return dnnl.CreateCSourceModule(ref);
}
TVM_REGISTER_GLOBAL(“relay.ext.dnnl”).set_body_typed(DNNLCompiler);
每個 runtime模塊，只負責一個Relay函數，可能在single .so文件中，有多個DNNL runtime模塊。
推導了CSourceModuleCodegenBase，實現了DNNLModuleCodegen。CSourceModuleCodegenBase負責序列化等其它模塊級流程，只需要在CreateCSourceModule函數中實現DNNL代碼生成：
runtime::Module CreateCSourceModule(const ObjectRef& ref) override {
// Include headers
// …skip…
code_stream_ << “#include <dnnl/dnnl_kernel.h>\n”;
// …skip…

// "ref" should be the paritioned Relay function with kCompiler=dnnl.
CHECK(ref->IsInstance<FunctionNode>());
auto res = GenDNNLFunc(Downcast<Function>(ref));// "code" is the generated C code with DNNL APIs.
std::string code = code_stream_.str();// "res" is a tuple of constant weights (symbols, values).
// All constant tensors will be serialzied along with the generated C code
// when export_library is invoked.
String sym = std::get<0>(res);
Array<String> variables = std::get<1>(res);// Create a CSource module with all above artifacts.
const auto* pf = runtime::Registry::Get("runtime.CSourceModuleCreate");
CHECK(pf != nullptr) << "Cannot find csource module to create the external runtime module";
return (*pf)(code, "c", sym, variables);

}
實現GenDNNLFunc，用DNN API生成可編譯的C代碼。有關TVM C source runtime模塊兼容函數接口的說明，參閱嵌入的注釋。
// The example Relay graph: conv2d -> add -> relu.
#include
#include
#include
#include
#include <tvm/runtime/c_runtime_api.h>
#include <tvm/runtime/container.h>
#include <tvm/runtime/packed_func.h>
#include <dlpack/dlpack.h>
#include <dnnl/dnnl_kernel.h>
using namespace tvm::runtime;
using namespace tvm::runtime::contrib;

// Execute the conv2d->add->relu graph with DNNL.
extern “C” void dnnl_0_(float* dnnl_0_i0, float* dnnl_0_i1,
float* dnnl_0_i2, float* out0) {
// Allocate intermediate buffers.
float* buf_0 = (float*)std::malloc(4 * 4608);
float* buf_1 = (float*)std::malloc(4 * 4608);
float* buf_2 = (float*)std::malloc(4 * 4608);

// Pre-implemented op-based DNNL functions.
dnnl_conv2d(dnnl_0_i0, dnnl_0_i1, buf_0, 1, 32, 14, 14, 32, 1, 0, 0, 3, 3, 1, 1);
dnnl_add(buf_0, dnnl_0_i2, buf_1, 1, 32, 12, 12);
dnnl_relu(buf_1, buf_2, 1, 32, 12, 12);

// Copy the final output to the corresponding buffer.
std::memcpy(out0, buf_2, 4 * 4608);
std::free(buf_0);
std::free(buf_1);
std::free(buf_2);
}

// The wrapper function with all arguments in DLTensor type.
extern “C” int dnnl_0_wrapper_(DLTensor* arg0,
DLTensor* arg1,
DLTensor* arg2,
DLTensor* out0) {

// Cast all DLTensor to primitive type buffers and invoke the above
// execution function.
dnnl_0_(static_cast<float*>(arg0->data),
static_cast<float*>(arg1->data),
static_cast<float*>(arg2->data),
static_cast<float*>(out0->data));
return 0;
}

// The TVM macro to generate TVM runtime compatible function “dnnl_0”
// from our generated “dnnl_0_wrapper_”.
TVM_DLL_EXPORT_TYPED_FUNC(dnnl_0, dnnl_0_wrapper_);
預先實現基于算子的DNNL函數位于src/runtime/contrib/dnnl/dnnl.cc。
rest實現在src/relay/backend/contrib/dnnl/codegen.cc，DNNL的具體細節，本文就到此為止。主要思想是實現一個Relay，給定的Relay函數，生成上面的C代碼。只要codegen能夠生成與TVM運行時，兼容的C代碼，可以完全定制codegen滿足需求。
C Source Compilation
DNNLCompiler的輸出是一個模塊，生成的C代碼是文本格式的，GCC尚未將其編譯為可執行的二進制文件。當用戶調用export_libray(mod)時，編譯生成的C代碼，如下面的代碼片段：
def update_lib(lib):
# Include the path of src/runtime/contrib/dnnl/dnnl.cc
test_dir = os.path.dirname(os.path.realpath(os.path.expanduser(file)))
source_dir = os.path.join(test_dir, “…”, “…”, “…”)
contrib_path = os.path.join(source_dir, “src”, “runtime”, “contrib”)

# Setup the gcc flag to compile DNNL code.
kwargs = {}
kwargs["options"] = ["-O2", "-std=c++14", "-I" + contrib_path]
tmp_path = util.tempdir()
lib_name = 'lib.so'
lib_path = tmp_path.relpath(lib_name)# The generated C code with DNNL APIs is compiled to a binary lib.so.
lib.export_library(lib_path, fcompile=False, **kwargs)# Load the lib.so back to a runtime module.
lib = runtime.load_module(lib_path)
return lib

with tvm.transform.PassContext(opt_level=3):
json, lib, param = relay.build(mod, target=target, params=params)
lib = update_lib(lib)
rt_mod = tvm.contrib.graph_runtime.create(json, lib, ctx)
Bring DNNL to TVM: Build TVM with DNNL Codegen/Runtime
創建cmake/modules/contrib/DNNL.cmake，在構建TVM時，包括DNNL codegen。為了演示，DNNL codegen在同一個cmake文件中，有兩個實現。只能根據需要專注于其中的一個。
cmake文件就緒后，現在用戶可以在構建中，指定set(USE_DNNL_CODEGEN ON)的build/config.cmake配置文件，制作啟用DNNL codegen。

總結

以上是生活随笔為你收集整理的如何在TVM上集成Codegen（下）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。