自定义算子

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。

传统的添加一个自定义算子的方式，需要完成算子原语注册、算子实现、算子信息注册三部分工作。

其中：

算子原语：定义了算子在网络中的前端接口原型，也是组成网络模型的基础单元，主要包括算子的名称、属性（可选）、输入输出名称、输出shape推理方法、输出数据类型推理方法等信息。
算子实现：在Python侧定义函数（JIT类型自定义算子）或C++侧定义类（GPU和CPU自定义算子），描述算子内部计算逻辑的实现。
算子信息：描述自定义算子的基本信息，如算子名称、支持的输入输出数据类型、支持的输入输出数据格式和属性等。它是后端做算子选择和映射时的依据。

相比于传统自定义算子方式，基于 Custom 原语自定义算子具有如下优势：

不同的自定义算子对应的算子原语都是 Custom 原语，无需对每个自定义算子定义一个相应的算子原语。上述提到的三部分工作可以在网络脚本中以统一的接口进行实现，并作为网络表达的一部分，不需要对MindSpore框架进行侵入式修改和重新编译。
实现了不同方式自定义算子的接口和使用统一，方便网络开发者根据需要灵活选用不同的自定义方式。

自定义算子分类及适应场景

基于 Custom 原语的自定义算子支持的算子开发方式包括：pyfunc、aot和julia。不同的算子开发方式适应的场景如下：

算子开发方式	开发语言	支持平台	推荐场景
pyfunc	Python	CPU	快速算法验证的场景
aot	Ascend C/CUDA/C++	Ascend GPU CPU	需要高性能算子的场景
julia	Julia	CPU	科学计算场景

不同的开发方式使用不同的开发语言实现算子计算逻辑，但是自定义算子的开发流程是一致的，包括算子实现、shape推导、数据类型推理和算子信息注册（可选）。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。在开发者进行自定义算子开发的时候，可以参考如下方式选择对应类型：

判断后端：如果用户使用的是Ascend和GPU后端，那么就选择aot类型的自定义算子；如果是CPU后端，则根据使用的场景选择；
判断场景：在使用CPU后端的时候，不同的场景对应不同类型的自定义算子推荐：
- 快速验证场景：如果用户希望基于MindSpore做快速验证和开发，对于性能要求不高，或者希望基于Python进行交互，那么选取pyfunc类型的自定义算子；
- 高性能场景：如果用户希望基于MindSpore做高性能计算，或者需要对接第三方算子库，那么选取aot类型自定义算子；
- 科学计算场景：如果用户在做科学计算任务时需要使用Julia，那么选取julia类型自定义算子。

为了帮助大家更好地使用自定义算子，我们以 pyfunc类型自定义算子中作为自定义算子的范例展示。此外，我们提供了其他自定义算子的教程包括：

aot类型自定义算子： Ascend平台和 GPU/CPU平台；
julia类型自定义算子；
自定义算子进阶用法：算子注册和反向算子。

说明

更多示例可参考MindSpore源码中 tests/st/graph_kernel/custom 下的用例。

自定义算子用例

为了帮助用户快速入门自定义算子，这里以pyfunc类型自定义算子为例帮助用户理解自定义算子的定义流程。下面基于pyfunc模式定义一个实现sin计算的自定义算子。pyfunc类型的自定义算子使用原生Python语法定义算子实现函数，描述算子内部计算逻辑的实现。网络运行时框架会自动调用此函数。为了表达自定义算子的计算，我们写一个基于numpy的计算正弦函数的Python原生函数。

import numpy as np

def sin_by_numpy(x):
    return np.sin(x)

然后我们要定义两个函数，一个是张量形状的推导函数（infer_shape），另一个是张量数据类型的推导函数（infer_dtype）。这里要注意：

张量形状的推导函数是输入张量的形状；
张量数据类型的推导函数是输入张量的数据类型。

def infer_shape(x):
    #    1. 这里的输入x是算子输入张量的形状
    #    2. sin函数是逐元素计算，输入的形状和输出的一样
    return x

def infer_shape(x):
    #    1. 这里的输入x是算子输入张量的数据类型
    #    2. sin函数输入的数据类型和输出的一样
    return x

下面我们用上面的函数自定义一个算子，其输入包括

func：自定义算子的函数表达，这里我们用 sin_by_numpy 函数；
out_shape: 输出形状的推导函数，这里我们用 infer_shape 函数；
out_dtype: 输出数据类型的推导函数，这里我们用 infer_dtype 函数；
func_type: 自定义算子类型，这里我们用 pyfunc。

from mindspore import ops

sin_by_numpy_op = ops.Custom(func=sin_by_numpy, # 这里填入自定义算子的函数表达
                             out_shape=infer_shape, # 这里填入输出形状的推导函数
                             out_dtype=infer_dtype, # 这里填入输出数据类型的推导函数
                             func_type="pyfunc" # 这里填入自定义算子类型
                             )

加上其他环境依赖依赖和算子调用语句，我们获得完整的自定义算子用例如下。

import numpy as np
import mindspore as ms
from mindspore import ops

ms.set_context(mode=ms.GRAPH_MODE, device_target="CPU")

def sin_by_numpy(x):
    return np.sin(x)

def infer_shape(x):
    return x

def infer_dtype(x):
    return x

sin_by_numpy_op = ops.Custom(func=sin_by_numpy,
                             out_shape=infer_shape,
                             out_dtype=infer_dtype,
                             func_type="pyfunc")

input_tensor = ms.Tensor([0, 1, 0.2, 0.3, 0.4], dtype=ms.float32)
result_cus = sin_by_numpy_op(input_tensor)
print(result_cus)

我们可以得到结果即为上面输入对应的sin值。

[0.         0.841471   0.19866933 0.29552022 0.38941833]

如此我们完成一个pyfunc类型自定义算子的定义。对于更多完整的pyfunc类型自定义算子的例子，参见MindSpore源码中的用例。