基于自定义算子接口调用第三方算子库
概述
当开发网络遇到内置算子不足以满足需求时，你可以利用MindSpore的Python API中的Custom原语方便快捷地进行不同类型自定义算子的定义和使用。
网络开发者可以根据需要选用不同的自定义算子开发方式。详情请参考Custom算子的使用指南。
其中，自定义算子有一种开发方式aot方式有其特殊的使用方式。aot方式可以通过加载预编译的so来调用相应的cpp/cuda函数。因此，当第三方库提供了cpp/cuda函数API时，可以尝试将其函数接口在so中调用，以下以PyTorch的Aten库为例进行介绍。
PyTorch Aten算子对接
当迁移一张使用PyTorch Aten算子的网络遇到内置算子不足的情况时，我们可以利用Custom算子的aot开发方式调用PyTorch Aten的算子进行快速验证。
PyTorch提供了一种方式可以支持引入PyTorch的头文件，从而使用其相关的数据结构编写cpp/cuda代码，并编译成so。参考：https://pytorch.org/docs/stable/_modules/torch/utils/cpp_extension.html#CppExtension。
将两种方式结合使用，自定义算子可以调用PyTorch Aten算子，使用方式如下：
1. 下载工程文件
工程文件可以通过这里下载。
使用以下命令解压压缩包，得到文件夹test_custom_pytorch。
tar xvf test_custom_pytorch.tar
文件夹中包含以下几个文件：
test_custom_pytorch
├── env.sh # set PyTorch/lib into LD_LIBRARY_PATH
├── leaky_relu.cpp # an example of use Aten CPU operator
├── leaky_relu.cu # an example of use Aten GPU operator
├── ms_ext.cpp # convert Tensors between MindSpore and PyTorch
├── ms_ext.h # convert API
├── README.md
├── run_cpu.sh # a script to run cpu case
├── run_gpu.sh # a script to run gpu case
├── setup.py # a script to compile cpp/cu into so
├── test_cpu_op_in_gpu_device.py # a test file to run Aten CPU operator on GPU device
├── test_cpu_op.py # a test file to run Aten CPU operator on CPU device
└── test_gpu_op.py # a test file to run Aten GPU operator on GPU device
使用PyTorch Aten算子主要关注env.sh、setup.py、leaky_relu.cpp/cu、test_*.py即可。
其中，env.sh用于设置环境变量，setup.py用于编译so，leaky_relu.cpp/cu用于参考编写调用PyTorch Aten算子的源码，test_*.py用于参考调用Custom算子。
2. 编写调用PyTorch Aten算子的源码文件
参考leaky_relu.cpp/cu，编写调用PyTorch Aten算子的源码文件。
由于aot类型的自定义算子采用AOT编译方式，要求网络开发者基于特定接口，手写算子实现函数对应的源码文件，并提前将源码文件编译为动态链接库，然后在网络运行时框架会自动调用执行动态链接库中的函数。在算子实现的开发语言方面，GPU平台支持CUDA，CPU平台支持C和C++。源码文件中的算子实现函数的接口规范如下：
extern "C" int func_name(int nparam, void **params, int *ndims, int64_t **shapes, const char **dtypes, void *stream, void *extra);
如果是调用cpu算子，以leaky_relu.cpp为例，该文件提供AOT需要的函数LeakyRelu，里面调用了PyTorch Aten的函数torch::leaky_relu_out：
#include <string.h>
#include <torch/extension.h> // 头文件引用部分
#include "ms_ext.h"
extern "C" int LeakyRelu(
int nparam,
void** params,
int* ndims,
int64_t** shapes,
const char** dtypes,
void* stream,
void* extra) {
auto tensors = get_torch_tensors(nparam, params, ndims, shapes, dtypes, c10::kCPU);
auto at_input = tensors[0];
auto at_output = tensors[1];
torch::leaky_relu_out(at_output, at_input);
// 如果使用不带输出的版本，代码如下：
// torch::Tensor output = torch::leaky_relu(at_input);
// at_output.copy_(output);
return 0;
}
如果是调用gpu算子，以leaky_relu.cu为例：
#include <string.h>
#include <torch/extension.h> // 头文件引用部分
#include "ms_ext.h"
extern "C" int LeakyRelu(
int nparam,
void** params,
int* ndims,
int64_t** shapes,
const char** dtypes,
void* stream,
void* extra) {
cudaStream_t custream = static_cast<cudaStream_t>(stream);
cudaStreamSynchronize(custream);
auto tensors = get_torch_tensors(nparam, params, ndims, shapes, dtypes, c10::kCUDA);
auto at_input = tensors[0];
auto at_output = tensors[1];
torch::leaky_relu_out(at_output, at_input);
return 0;
}
其中，PyTorch Aten提供了带输出的算子函数版本和不带输出的算子函数版本，带输出的算子函数有_out后缀，PyTorch Aten提供了300+常用算子的api。
当调用torch::*_out时，不需要output拷贝。当调用不带_out后缀的版本，需要调用APItorch.Tensor.copy_进行结果拷贝。
想查看支持调用PyTorch Aten的哪些函数，CPU版本参考PyTorch安装路径下的：python*/site-packages/torch/include/ATen/CPUFunctions_inl.h ，相应的GPU版本参考python*/site-packages/torch/include/ATen/CUDAFunctions_inl.h。
以上用例中使用了ms_ext.h提供的api，这里稍作介绍：
// 将 MindSpore kernel 的 inputs/outputs 转换为 PyTorch Aten 的 Tensor
std::vector<at::Tensor> get_torch_tensors(int nparam, void** params, int* ndims, int64_t** shapes, const char** dtypes, c10::Device device) ;
3. 使用编译脚本setup.py生成so
setup.py使用PyTorch Aten提供的cppextension将上述c++/cuda源码编译成so文件。
执行前需要确保已经安装PyTorch。
pip install torch
并将PyTorch的lib加入LD_LIBRARY_PATH。
export LD_LIBRARY_PATH=$(python3 -c 'import torch, os; print(os.path.dirname(torch.__file__))')/lib:$LD_LIBRARY_PATH
执行：
cpu: python setup.py leaky_relu.cpp leaky_relu_cpu.so
gpu: python setup.py leaky_relu.cu leaky_relu_gpu.so
将得到我们需要的 so 文件。
4. 使用自定义算子
以CPU为例，使用Custom算子调用上述PyTorch Aten算子，代码见test_cpu_op.py：
import numpy as np
import mindspore as ms
from mindspore.nn import Cell
import mindspore.ops as ops
ms.set_context(device_target="CPU")
def LeakyRelu():
return ops.Custom("./leaky_relu_cpu.so:LeakyRelu", out_shape=lambda x : x, out_dtype=lambda x : x, func_type="aot")
class Net(Cell):
def __init__(self):
super(Net, self).__init__()
self.leaky_relu = LeakyRelu()
def construct(self, x):
return self.leaky_relu(x)
if __name__ == "__main__":
x0 = np.array([[0.0, -0.1], [-0.2, 1.0]]).astype(np.float32)
net = Net()
output = net(ms.Tensor(x0))
print(output)
执行：
python test_cpu_op.py
结果：
[[ 0. -0.001]
[-0.002 1. ]]
注意：
若使用的是PyTorch Aten GPU算子，device_target需设置为"GPU".
set_context(device_target="GPU")
op = ops.Custom("./leaky_relu_gpu.so:LeakyRelu", out_shape=lambda x : x, out_dtype=lambda x : x, func_type="aot")
若使用的是PyTorch Aten CPU算子，而device_target是"GPU"，需要增加设置如下：
set_context(device_target="GPU")
op = ops.Custom("./leaky_relu_cpu.so:LeakyRelu", out_shape=lambda x : x, out_dtype=lambda x : x, func_type="aot")
op.set_device("CPU")
使用cppextension编译so需满足该工具需要的编译器版本，检查gcc/clang/nvcc是否存在。
使用cppextension编译so会在脚本路径生成一个build的文件夹，里面存放了so，脚本会将so拷贝到build外，但是cppextension如果发现build里已经有so会跳过编译，因此如果是新编译的so要记得清空build下的so。
以上测试基于PyTorch 1.9.1版本，cuda使用11.1，python3.7，下载链接：https://download.pytorch.org/whl/cu111/torch-1.9.1%2Bcu111-cp37-cp37m-linux_x86_64.whl，PyTorch Aten支持的cuda版本需和本地的cuda版本一致，其他版本是否支持需用户自行探索。