एओटी कंपाइलेशन का इस्तेमाल किया जा रहा है

tfcompile क्या है?

tfcompile एक स्टैंडअलोन टूल है जो समय से पहले (एओटी) होने पर, TensorFlow के ग्राफ़ को कंपाइल करके एक्ज़ीक्यूटेबल कोड में बदल देता है. यह कुल बाइनरी आकार को कम कर सकता है और कुछ रनटाइम ओवरहेड से भी बचा सकता है. आम तौर पर, tfcompile का इस्तेमाल करने के लिए, अनुमान ग्राफ़ को मोबाइल डिवाइसों के लिए एक्ज़ीक्यूटेबल कोड में कंपाइल किया जाता है.

आम तौर पर, TensorFlow ग्राफ़, TensorFlow रनटाइम के ज़रिए लागू होता है. इससे, ग्राफ़ में हर नोड को चलाने के लिए, कुछ रनटाइम ओवरहेड लिए जाते हैं. इससे बाइनरी का कुल साइज़ भी बढ़ जाता है, क्योंकि ग्राफ़ के साथ-साथ, TensorFlow रनटाइम के लिए कोड भी उपलब्ध होना चाहिए. tfcompile के बनाए गए एक्ज़ीक्यूटेबल कोड में TensorFlow रनटाइम का इस्तेमाल नहीं होता है. साथ ही, यह सिर्फ़ कर्नेल पर निर्भर करता है जो असल में कंप्यूटेशन में इस्तेमाल किए जाते हैं.

कंपाइलर को XLA फ़्रेमवर्क पर बनाया गया है. TensorFlow को XLA फ़्रेमवर्क से जोड़ने वाला कोड, tensorflow/compiler में मौजूद होता है.

tfcompile क्या करता है?

tfcompile एक सबग्राफ़ लेता है, जिसकी पहचान फ़ीड और फ़ेच के TensorFlow के सिद्धांतों से की जाती है. इसके बाद एक ऐसा फ़ंक्शन जनरेट करता है जो उस सबग्राफ़ को लागू करता है. feeds, फ़ंक्शन के लिए इनपुट आर्ग्युमेंट के तौर पर इस्तेमाल किया जाता है. साथ ही, fetches, फ़ंक्शन के लिए आउटपुट आर्ग्युमेंट के तौर पर काम करता है. सभी इनपुट फ़ीड के ज़रिए पूरी तरह से तय होने चाहिए. नतीजे में छोटे किए गए सबग्राफ़ में प्लेसहोल्डर या वैरिएबल नोड नहीं होने चाहिए. सभी प्लेसहोल्डर और वैरिएबल को फ़ीड के रूप में शामिल करना आम बात है. इससे यह पक्का होता है कि नतीजे देने वाले सबग्राफ़ में अब ये नोड शामिल नहीं हैं. जनरेट किए गए फ़ंक्शन को cc_library के तौर पर पैकेज किया जाता है. इसमें फ़ंक्शन सिग्नेचर एक्सपोर्ट करने वाली हेडर फ़ाइल और लागू करने की जानकारी वाली ऑब्जेक्ट फ़ाइल होती है. जनरेट किए गए फ़ंक्शन को सही तरीके से शुरू करने के लिए, उपयोगकर्ता कोड लिखता है.

tfcompile का इस्तेमाल करना

इस सेक्शन में, TensorFlow के सबग्राफ़ से tfcompile की मदद से एक्ज़ीक्यूटेबल बाइनरी जनरेट करने के बड़े लेवल के बारे में जानकारी दी गई है. चरण इस प्रकार हैं:

  • पहला चरण: डेटा को कंपाइल करने के लिए सबग्राफ़ को कॉन्फ़िगर करना
  • दूसरा चरण: सबग्राफ़ को कंपाइल करने के लिए, tf_library बिल्ड मैक्रो का इस्तेमाल करना
  • तीसरा चरण: सबग्राफ़ को शुरू करने के लिए कोड लिखना
  • चरण 4: फ़ाइनल बाइनरी बनाएं

पहला चरण: डेटा को कंपाइल करने के लिए सबग्राफ़ को कॉन्फ़िगर करना

जनरेट किए गए फ़ंक्शन के इनपुट और आउटपुट तर्कों से जुड़े फ़ीड और फ़ेच की पहचान करें. इसके बाद, feeds और fetches को tensorflow.tf2xla.Config प्रोटोकॉल में कॉन्फ़िगर करें.

# Each feed is a positional input argument for the generated function.  The order
# of each entry matches the order of each input argument.  Here “x_hold” and “y_hold”
# refer to the names of placeholder nodes defined in the graph.
feed {
  id { node_name: "x_hold" }
  shape {
    dim { size: 2 }
    dim { size: 3 }
  }
}
feed {
  id { node_name: "y_hold" }
  shape {
    dim { size: 3 }
    dim { size: 2 }
  }
}

# Each fetch is a positional output argument for the generated function.  The order
# of each entry matches the order of each output argument.  Here “x_y_prod”
# refers to the name of a matmul node defined in the graph.
fetch {
  id { node_name: "x_y_prod" }
}

दूसरा चरण: सबग्राफ़ को कंपाइल करने के लिए, tf_library बिल्ड मैक्रो का इस्तेमाल करें

यह चरण, tf_library बिल्ड मैक्रो का इस्तेमाल करके ग्राफ़ को cc_library में बदल देता है. cc_library में एक ऑब्जेक्ट फ़ाइल होती है, जिसमें ग्राफ़ से जनरेट किया गया कोड होता है. साथ ही, एक हेडर फ़ाइल भी होती है जो जनरेट किए गए कोड को ऐक्सेस करती है. tf_library, TensorFlow ग्राफ़ को एक्ज़ीक्यूटेबल कोड में कंपाइल करने के लिए, tfcompile का इस्तेमाल करता है.

load("//tensorflow/compiler/aot:tfcompile.bzl", "tf_library")

# Use the tf_library macro to compile your graph into executable code.
tf_library(
    # name is used to generate the following underlying build rules:
    # <name>           : cc_library packaging the generated header and object files
    # <name>_test      : cc_test containing a simple test and benchmark
    # <name>_benchmark : cc_binary containing a stand-alone benchmark with minimal deps;
    #                    can be run on a mobile device
    name = "test_graph_tfmatmul",
    # cpp_class specifies the name of the generated C++ class, with namespaces allowed.
    # The class will be generated in the given namespace(s), or if no namespaces are
    # given, within the global namespace.
    cpp_class = "foo::bar::MatMulComp",
    # graph is the input GraphDef proto, by default expected in binary format.  To
    # use the text format instead, just use the ‘.pbtxt’ suffix.  A subgraph will be
    # created from this input graph, with feeds as inputs and fetches as outputs.
    # No Placeholder or Variable ops may exist in this subgraph.
    graph = "test_graph_tfmatmul.pb",
    # config is the input Config proto, by default expected in binary format.  To
    # use the text format instead, use the ‘.pbtxt’ suffix.  This is where the
    # feeds and fetches were specified above, in the previous step.
    config = "test_graph_tfmatmul.config.pbtxt",
)

इस उदाहरण के लिए,graphDef Proto (test_graph_tfmatmul.pb) जनरेट करने के लिए, make_test_graphs.py चलाएं और --out_dar फ़्लैग के साथ आउटपुट की जगह बताएं.

सामान्य ग्राफ़ में Variables वे वेट दिखाता है जिन्हें ट्रेनिंग से सीखा जाता है. हालांकि, tfcompile ऐसा सबग्राफ़ नहीं बना सकता जिसमें Variables हो. freeze_graph.py टूल चेकपॉइंट फ़ाइल में स्टोर की गई वैल्यू का इस्तेमाल करके, वैरिएबल को कॉन्सटेंट में बदलता है. सुविधा के तौर पर, tf_library मैक्रो, freeze_checkpoint आर्ग्युमेंट के साथ काम करता है, जो टूल को चलाता है. ज़्यादा उदाहरणों के लिए, tensorflow/compiler/aot/tests/BUILD देखें.

कंपाइल किए गए सबग्राफ़ में दिखने वाले कॉन्स्टेंट को सीधे जनरेट किए गए कोड में इकट्ठा किया जाता है. कॉन्स्टेंट को जनरेट किए गए फ़ंक्शन में पास करने के लिए, उन्हें कंपाइल करके देने के बजाय, उन्हें फ़ीड के तौर पर पास करें.

tf_library बिल्ड मैक्रो के बारे में जानने के लिए, tfcompile.bzl देखें.

मौजूदा tfcompile टूल के बारे में ज़्यादा जानने के लिए, tfcompile_main.cc देखें.

तीसरा चरण: सबग्राफ़ को शुरू करने के लिए कोड लिखना

इस चरण में, जनरेट किए गए कोड को शुरू करने के लिए, पिछले चरण में tf_library बिल्ड मैक्रो से जनरेट की गई हेडर फ़ाइल (test_graph_tfmatmul.h) का इस्तेमाल किया जाता है. हेडर फ़ाइल, बिल्ड पैकेज से जुड़ी bazel-bin डायरेक्ट्री में मौजूद होती है. साथ ही, इसका नाम tf_library बिल्ड मैक्रो पर सेट किए गए नाम एट्रिब्यूट के आधार पर रखा जाता है. उदाहरण के लिए, test_graph_tfmatmul के लिए जनरेट किया गया हेडर test_graph_tfmatmul.h होगा. नीचे, जनरेट किए गए कॉन्टेंट का छोटा वर्शन दिया गया है. bazel-bin में जनरेट की गई फ़ाइल में, काम की अन्य टिप्पणियां मौजूद हैं.

namespace foo {
namespace bar {

// MatMulComp represents a computation previously specified in a
// TensorFlow graph, now compiled into executable code.
class MatMulComp {
 public:
  // AllocMode controls the buffer allocation mode.
  enum class AllocMode {
    ARGS_RESULTS_AND_TEMPS,  // Allocate arg, result and temp buffers
    RESULTS_AND_TEMPS_ONLY,  // Only allocate result and temp buffers
  };

  MatMulComp(AllocMode mode = AllocMode::ARGS_RESULTS_AND_TEMPS);
  ~MatMulComp();

  // Runs the computation, with inputs read from arg buffers, and outputs
  // written to result buffers. Returns true on success and false on failure.
  bool Run();

  // Arg methods for managing input buffers. Buffers are in row-major order.
  // There is a set of methods for each positional argument.
  void** args();

  void set_arg0_data(float* data);
  float* arg0_data();
  float& arg0(size_t dim0, size_t dim1);

  void set_arg1_data(float* data);
  float* arg1_data();
  float& arg1(size_t dim0, size_t dim1);

  // Result methods for managing output buffers. Buffers are in row-major order.
  // Must only be called after a successful Run call. There is a set of methods
  // for each positional result.
  void** results();


  float* result0_data();
  float& result0(size_t dim0, size_t dim1);
};

}  // end namespace bar
}  // end namespace foo

जनरेट की गई C++ क्लास को foo::bar नेमस्पेस में MatMulComp कहा जाता है, क्योंकि tf_library मैक्रो में यही cpp_class बताया गया था. सभी जनरेट की गई क्लास में एक जैसा एपीआई होता है. इसमें सिर्फ़ तर्क और नतीजे के बफ़र को हैंडल करने के तरीके होते हैं. ये तरीके, बफ़र की संख्या और टाइप के आधार पर अलग-अलग होते हैं, जिन्हें tf_library मैक्रो में feed और fetch आर्ग्युमेंट के ज़रिए तय किया जाता है.

जनरेट की गई क्लास में तीन तरह के बफ़र मैनेज किए जाते हैं: args इनपुट को दिखाता है, results आउटपुट दिखाता है, और temps कैलकुलेशन के लिए अंदरूनी तौर पर इस्तेमाल किए जाने वाले अस्थायी बफ़र होते हैं. डिफ़ॉल्ट रूप से, जनरेट की गई क्लास का हर इंस्टेंस, आपके लिए ये सभी बफ़र असाइन और मैनेज करता है. इस व्यवहार को बदलने के लिए, AllocMode कंस्ट्रक्टर आर्ग्युमेंट का इस्तेमाल किया जा सकता है. सभी बफ़र, 64-बाइट वाली सीमाओं के दायरे में आते हैं.

जनरेट किया गया C++ क्लास, XLA से जनरेट किए गए लो-लेवल कोड के चारों ओर सिर्फ़ एक रैपर है.

tfcompile_test.cc के आधार पर जनरेट किए गए फ़ंक्शन को शुरू करने का उदाहरण:

#define EIGEN_USE_THREADS
#define EIGEN_USE_CUSTOM_THREAD_POOL

#include <iostream>
#include "third_party/eigen3/unsupported/Eigen/CXX11/Tensor"
#include "third_party/tensorflow/compiler/aot/tests/test_graph_tfmatmul.h" // generated

int main(int argc, char** argv) {
  Eigen::ThreadPool tp(2);  // Size the thread pool as appropriate.
  Eigen::ThreadPoolDevice device(&tp, tp.NumThreads());


  foo::bar::MatMulComp matmul;
  matmul.set_thread_pool(&device);

  // Set up args and run the computation.
  const float args[12] = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12};
  std::copy(args + 0, args + 6, matmul.arg0_data());
  std::copy(args + 6, args + 12, matmul.arg1_data());
  matmul.Run();

  // Check result
  if (matmul.result0(0, 0) == 58) {
    std::cout << "Success" << std::endl;
  } else {
    std::cout << "Failed. Expected value 58 at 0,0. Got:"
              << matmul.result0(0, 0) << std::endl;
  }

  return 0;
}

चरण 4: फ़ाइनल बाइनरी बनाएं

यह चरण, दूसरे चरण में tf_library से जनरेट की गई लाइब्रेरी और तीसरे चरण में लिखे गए कोड को मिलाकर एक फ़ाइनल बाइनरी बनाता है. यहां bazel BUILD फ़ाइल का उदाहरण दिया गया है.

# Example of linking your binary
# Also see //tensorflow/compiler/aot/tests/BUILD
load("//tensorflow/compiler/aot:tfcompile.bzl", "tf_library")

# The same tf_library call from step 2 above.
tf_library(
    name = "test_graph_tfmatmul",
    ...
)

# The executable code generated by tf_library can then be linked into your code.
cc_binary(
    name = "my_binary",
    srcs = [
        "my_code.cc",  # include test_graph_tfmatmul.h to access the generated header
    ],
    deps = [
        ":test_graph_tfmatmul",  # link in the generated object file
        "//third_party/eigen3",
    ],
    linkopts = [
          "-lpthread",
    ]
)