自定义算子

查看源文件

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方便快捷地扩展昇腾AI处理器的自定义算子。

添加一个自定义算子,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dtype推理方法等信息。

  • 算子实现:通过TBE(Tensor Boost Engine)提供的特性语言接口,描述算子内部计算逻辑的实现。TBE提供了开发昇腾AI芯片自定义算子的能力。你可以在https://www.huaweicloud.com/ascend/tbe页面申请公测。

  • 算子信息:描述TBE算子的基本信息,如算子名称、支持的输入输出类型等。它是后端做算子选择和映射时的依据。

本文将以自定义Square算子为例,介绍自定义算子的步骤。更多详细内容可参考MindSpore源码中tests/st/ops/custom_ops_tbe下的用例。

注册算子原语

每个算子的原语是一个继承于PrimitiveWithInfer的子类,其类型名称即是算子名称。

自定义算子原语与内置算子原语的接口定义完全一致:

  • 属性由构造函数__init__的入参定义。本用例的算子没有属性,因此__init__没有额外的入参。带属性的用例可参考MindSpore源码中的custom add3用例。

  • 输入输出的名称通过init_prim_io_names函数定义。

  • 输出Tensor的shape推理方法在infer_shape函数中定义,输出Tensor的dtype推理方法在infer_dtype函数中定义。

自定义算子与内置算子的唯一区别是需要通过在__init__函数中导入算子实现函数(from square_impl import CusSquareImpl)来将算子实现注册到后端。本用例在square_impl.py中定义了算子实现和算子信息,将在后文中说明。

以Square算子原语cus_square.py为例,给出如下示例代码。

from mindspore.ops import prim_attr_register, PrimitiveWithInfer
from mindspore.ops import operations as P
# y = x^2
class CusSquare(PrimitiveWithInfer):
    """
    The definition of the CusSquare primitive.
    """
    @prim_attr_register
    def __init__(self):
        self.init_prim_io_names(inputs=['x'], outputs=['y'])
        from square_impl import CusSquareImpl # Import the entry function of the kernel implementation from relative path or PYTHONPATH.

    def infer_shape(self, data_shape):
        return data_shape

    def infer_dtype(self, data_dtype):
        return data_dtype

实现TBE算子和注册算子信息

实现TBE算子

通常编写一个算子的实现,需要编写一个计算函数和一个入口函数。

算子的计算函数主要用来封装算子的计算逻辑供主函数调用,其内部通过调用TBE的API接口组合实现算子的计算逻辑。

算子的入口函数描述了编译算子的内部过程,一般分为如下几步:

  1. 准备输入的placeholder,placeholder是一个占位符,返回一个Tensor对象,表示一组输入数据。

  2. 调用计算函数,计算函数使用TBE提供的API接口描述了算子内部的计算逻辑。

  3. 调用Schedule调度模块,调度模块对算子中的数据按照调度模块的调度描述进行切分,同时指定好数据的搬运流程,确保在硬件上的执行达到最优。默认可以采用自动调度模块(auto_schedule)。

  4. 调用cce_build_code编译生成算子二进制。

入口函数的输入参数有特殊要求,需要依次为:算子每个输入的信息、算子每个输出的信息、算子属性(可选)和kernel_name(生成算子二进制的名称)。输入和输出的信息用字典封装传入,其中包含该算子在网络中被调用时传入的实际输入和输出的shape和dtype。

更多关于使用TBE开发算子的内容请参考TBE文档,关于TBE算子的调试和性能优化请参考MindStudio文档

注册算子信息

算子信息是指导后端选择算子实现的关键信息,同时也指导后端为算子插入合适的类型和格式转换。它通过TBERegOp接口定义,通过op_info_register装饰器将算子信息与算子实现入口函数绑定。当算子实现py文件被导入时,op_info_register装饰器会将算子信息注册到后端的算子信息库中。更多关于算子信息的使用方法请参考TBERegOp的成员方法的注释说明。

  • 算子信息中定义输入输出信息的个数和顺序、算子实现入口函数的参数中的输入输出信息的个数和顺序、算子原语中输入输出名称列表的个数和顺序,三者要完全一致。

  • 算子如果带属性,在算子信息中需要用attr描述属性信息,属性的名称与算子原语定义中的属性名称要一致。

示例

下面以Square算子的TBE实现square_impl.py为例进行介绍。square_compute是算子实现的计算函数,通过调用te.lang.cce提供的API描述了x * x的计算逻辑。cus_square_op_info 是算子信息,通过TBERegOp来定义。

TBERegOp的设置需要注意以下几点:

  • TBERegOp("CusSquare")中算子注册名称CusSquare需要与算子名称一致。

  • fusion_type("OPAQUE")OPAQUE表示自定义算子采取不融合策略。

  • kernel_name("CusSquareImpl")CusSquareImpl需要与算子入口函数名称一致。

  • dtype_format用来描述算子支持的数据类型,下面示例中注册了两项,说明该算子支持两种数据类型,每一项需按照输入和输出的顺序依次描述支持的格式。第一个dtype_format说明支持的第一种数据类型是input0为F32_Default格式,output0为F32_Default格式。第二个dtype_format说明支持的第二种数据类型是input0为F16_Default格式,output0为F16_Default格式。

from __future__ import absolute_import
from te import tvm
from topi import generic
import te.lang.cce
from topi.cce import util
from mindspore.ops.op_info_register import op_info_register, TBERegOp, DataType

def square_compute(input_x, output_y):
    """
    The compute function of the CusSquare implementation.
    """
    res = te.lang.cce.vmul(input_x, input_x)
    return res

# Define the kernel info of CusSquare.
cus_square_op_info = TBERegOp("CusSquare") \
    .fusion_type("OPAQUE") \
    .partial_flag(True) \
    .async_flag(False) \
    .binfile_name("square.so") \
    .compute_cost(10) \
    .kernel_name("CusSquareImpl") \
    .input(0, "x", False, "required", "all") \
    .output(0, "y", False, "required", "all") \
    .dtype_format(DataType.F32_Default, DataType.F32_Default) \
    .dtype_format(DataType.F16_Default, DataType.F16_Default) \
    .get_op_info() 

# Binding kernel info with the kernel implementation.
@op_info_register(cus_square_op_info)
def CusSquareImpl(input_x, output_y, kernel_name="CusSquareImpl"):
    """
    The entry function of the CusSquare implementation.
    """
    shape = input_x.get("shape")
    dtype = input_x.get("dtype").lower()

    shape = util.shape_refine(shape)
    data = tvm.placeholder(shape, name="data", dtype=dtype.lower())

    with tvm.target.cce():
        res = square_compute(data, output_y)
        sch = generic.auto_schedule(res)

    config = {"print_ir": False,
              "name": kernel_name,
              "tensor_list": [data, res]}

    te.lang.cce.cce_build_code(sch, config)

使用自定义算子

自定义算子与内置算子在网络中的使用方法一样,通过导入原语直接使用。下面以CusSquare的单算子网络测试为例进行说明。

test_square.py文件中定义网络。

import numpy as np
import mindspore.nn as nn
import mindspore.context as context
from mindspore import Tensor
# Import the definition of the CusSquare primtive.
from cus_square import CusSquare
context.set_context(mode=context.GRAPH_MODE, device_target="Ascend")

class Net(nn.Cell):
    def __init__(self):
        super(Net, self).__init__()
        self.square = CusSquare()

    def construct(self, data):
        return self.square(data)

def test_net():
    x = np.array([1.0, 4.0, 9.0]).astype(np.float32)
    square = Net()
    output = square(Tensor(x))
    print("x: ", x)
    print("output: ", output)

执行用例:

pytest -s tests/st/ops/custom_ops_tbe/test_square.py::test_net

执行结果:

x: [1. 4. 9.]
output: [1. 16. 81.]

定义算子反向传播函数

如果算子要支持自动微分,需要在其原语中定义其反向传播函数(bprop)。你需要在bprop中描述利用正向输入、正向输出和输出梯度得到输入梯度的反向计算逻辑。反向计算逻辑可以使用内置算子或自定义反向算子构成。

定义算子反向传播函数时需注意以下几点:

  • bprop函数的入参顺序约定为正向的输入、正向的输出、输出梯度。若算子为多输出算子,正向输出和输出梯度将以元组的形式提供。

  • bprop函数的返回值形式约定为输入梯度组成的元组,元组中元素的顺序与正向输入参数顺序一致。即使只有一个输入梯度,返回值也要求是元组的形式。

例如,增加bprop后的CusSquare原语为:

class CusSquare(PrimitiveWithInfer):
    @prim_attr_register
    def __init__(self):
        """init CusSquare"""
        self.init_prim_io_names(inputs=['x'], outputs=['y'])
        from square_impl import CusSquareImpl

    def infer_shape(self, data_shape):
        return data_shape

    def infer_dtype(self, data_dtype):
        return data_dtype

    def get_bprop(self):
        def bprop(data, out, dout):
            twos_like = P.OnesLike()(data) * 2.0
            gradient = P.Mul()(data, twos_like)
            dx = P.Mul()(gradient, dout)
            return (dx,)
        return bprop

test_square.py文件中定义反向用例。

from mindspore.ops import composite as C
def test_grad_net():
    x = np.array([1.0, 4.0, 9.0]).astype(np.float32)
    sens = np.array([1.0, 1.0, 1.0]).astype(np.float32)
    square = Net()
    grad = C.GradOperation('grad_with_sens', sens_param=True)
    dx = grad(square)(Tensor(x), Tensor(sens))
    print("x: ", x)
    print("dx: ", dx)

执行用例:

pytest -s tests/st/ops/custom_ops_tbe/test_square.py::test_grad_net

执行结果:

x: [1. 4. 9.]
dx: [2. 8. 18.]