编写Dynamo ATen降低通道¶

降低传递的基础知识¶

ATen 降低过程是 Python 函数，它们以 ATen 操作符的图作为输入，应用一些所需的修改，如操作符合并/融合、操作符替换、子图重写、自定义操作符插入或在 torch.fx.GraphModule 上执行其他操作，然后将修改后的图返回给调用者。这些降低过程通常会在原地修改图并返回相同的输入对象。

降低通过要求¶

Torch-TRT 中的 ATen 降低传递函数必须满足两个要求： - 该函数必须接受一个 torch.fx.GraphModule 和一个 torch 张量序列 Sequence[torch.Tensor] 作为输入，并返回降低后的 torch.fx.GraphModule - 该函数必须使图保持有效且可调用的状态，包括执行任何必要的代码检查和重新编译

请参阅此链接以获取有关FX中图形操作的信息。请参阅以下示例，了解如何通过降低传递修复具有输入也是输出的图形，这是TRT引擎不允许的配置。

示例降低传递¶

def repair_input_as_output(gm: torch.fx.GraphModule, sample_inputs: Sequence[torch.Tensor]) -> torch.fx.GraphModule:
    """Repair scenarios where inputs are also outputs of the graph

    TRT does not allow such cases, so we insert a clone (identity) layer
    """
    modified_graph = False

    # Extract graph placeholder Tensors
    placeholders = [
        node
        for node in gm.graph.nodes
        if (
            node.op == "placeholder"
            and isinstance(node.type, type)
            and issubclass(node.type, torch.Tensor)
        )
    ]

    for placeholder in placeholders:
        # If any placeholder has any users which are direct graph outputs
        if len(placeholder.users) >= 1 and any(
            user.op == "output" for user in placeholder.users
        ):
            modified_graph = True

            # Get direct graph outputs which are direct uses of placeholders
            direct_outputs = [user for user in placeholder.users if user.op == "output"]

            # Insert clone node for placeholder to ensure
            # placeholder is not a direct output
            with gm.graph.inserting_after(placeholder):
                cloned_placeholder = gm.graph.call_function(
                    torch.ops.aten.clone.default,
                    args=(placeholder,),
                )

            # Replace placeholder as output with cloned version
            for output in direct_outputs:
                output.replace_input_with(placeholder, cloned_placeholder)

    # If the graph was modified, clean up the graph and ensure it is up-to-date
    if modified_graph:
        gm.graph.eliminate_dead_code()
        gm.graph.lint()
        gm.recompile()
        logger.debug(f"Graph after repair_input_as_output:\n{gm.graph}")

    return gm

注册降低传递¶

目前，降低通道在py/torch_tensorrt/dynamo/lowering/passes/__init__.py中注册，使用torch.fx.passes.pass_manager.PassManager工具以所需顺序组装通道列表。直接添加到该列表中的新通道将应用于Torch-TensorRT torch.compile后端中的图。目前，为了方便起见，我们提供了一个ATen降低通道注册装饰器，可以直接调用，也可以使用可选的index关键字参数来控制降低通道在通道列表中的插入位置。

例如，要在默认位置（列表末尾）插入密码，可以使用以下代码：

@_aten_lowering_pass
def my_custom_pass(gm: torch.fx.GraphModule, sample_inputs: Sequence[torch.Tensor]) -> torch.fx.GraphModule:
    ...

或者，要在passlist中的自定义索引（例如列表的前面）插入pass，可以使用以下代码：

@_aten_lowering_pass(index=0)
def my_custom_pass(gm: torch.fx.GraphModule, sample_inputs: Sequence[torch.Tensor]) -> torch.fx.GraphModule:
    ...

在torch_tensorrt.dynamo.lowering.passes中还提供了实用工具，用于显示当前可用的降级传递列表，将这些传递应用于任意的torch.fx.GraphModule，以及删除特定索引处的降级传递。

# Print all lowering passes in the list
print(dump_lowering_passes())

# Apply lowering passes to a GraphModule
apply_lowering_passes(graph_module, sample_inputs)

# Remove the lowering pass at index 1
_remove_lowering_pass(index=1)

注意： 上述API可能会随着降低传递系统的发展而发生变化。