গুগল আই/ও একটি মোড়ক! TensorFlow সেশনগুলি দেখুন সেশনগুলি দেখুন

AOT সংকলন ব্যবহার করে

tfcompile কি?

tfcompile যে এগিয়ে অফ সময় (AOT) প্রনয়ন TensorFlow গ্রাফ মধ্যে এক্সিকিউটেবল কোড একটি স্বতন্ত্র হাতিয়ার। এটি মোট বাইনারি আকার কমাতে পারে এবং কিছু রানটাইম ওভারহেড এড়াতে পারে। একটি আদর্শ ব্যবহার-কেস tfcompile মোবাইল ডিভাইসের জন্য এক্সিকিউটেবল কোড মধ্যে একটি অনুমান গ্রাফ কম্পাইল হয়।

TensorFlow গ্রাফটি সাধারণত TensorFlow রানটাইম দ্বারা কার্যকর করা হয়। এটি গ্রাফে প্রতিটি নোড কার্যকর করার জন্য কিছু রানটাইম ওভারহেড বহন করে। এটি একটি বৃহত্তর মোট বাইনারি আকারের দিকেও নিয়ে যায়, যেহেতু গ্রাফটি ছাড়াও টেনসরফ্লো রানটাইমের কোড উপলব্ধ হওয়া প্রয়োজন। এক্সিকিউটেবল কোড দ্বারা উত্পাদিত tfcompile TensorFlow রানটাইম ব্যবহার করে না, এবং শুধুমাত্র কার্নেলের যে আসলে গণনার ব্যবহৃত হয় উপর নির্ভরতা হয়েছে।

কম্পাইলারটি XLA ফ্রেমওয়ার্কের উপরে নির্মিত। কোড অধীনে XLA ফ্রেমওয়ার্ক ছবিটিই TensorFlow গণনার জমকালো অনুষ্ঠান tensorflow / কম্পাইলার

tfcompile কি করে?

tfcompile একটি subgraph, ফীডগুলি নিয়ে আসে এর TensorFlow ধারণা দ্বারা চিহ্নিত নেয় এবং একটি ফাংশন যে কার্যকরী যে subgraph জেনারেট করে। feeds ফাংশন জন্য ইনপুট আর্গুমেন্ট আছে, এবং fetches ফাংশন জন্য আউটপুট আর্গুমেন্ট। সমস্ত ইনপুট ফিড দ্বারা সম্পূর্ণরূপে নির্দিষ্ট করা আবশ্যক; ফলস্বরূপ ছাঁটাই করা সাবগ্রাফে প্লেসহোল্ডার বা পরিবর্তনশীল নোড থাকতে পারে না। ফিড হিসাবে সমস্ত স্থানধারক এবং ভেরিয়েবল নির্দিষ্ট করা সাধারণ, যা নিশ্চিত করে যে ফলস্বরূপ সাবগ্রাফে আর এই নোডগুলি থাকবে না। উত্পন্ন ফাংশন একটি হিসাবে প্যাকেজ করা হয় cc_library একটি হেডার ফাইলটি ফাংশন স্বাক্ষর রপ্তানি, এবং একটি বস্তু বাস্তবায়নে ধারণকারী ফাইলের সাথে। ব্যবহারকারী উত্পন্ন ফাংশনটি যথাযথভাবে আহ্বান করতে কোড লেখেন।

tfcompile ব্যবহার করে

এই বিভাগে সঙ্গে একটি এক্সিকিউটেবল বাইনারি জেনারেট করার জন্য উচ্চ পর্যায়ে পদক্ষেপ বিস্তারিত tfcompile একটি TensorFlow subgraph থেকে। ধাপগুলো হল:

  • ধাপ 1: কম্পাইল করার জন্য সাবগ্রাফ কনফিগার করুন
  • পদক্ষেপ 2: ব্যবহার করুন tf_library বিল্ড ম্যাক্রো subgraph কম্পাইল করার
  • ধাপ 3: সাবগ্রাফ আহ্বান করতে কোড লিখুন
  • ধাপ 4: চূড়ান্ত বাইনারি তৈরি করুন

ধাপ 1: কম্পাইল করার জন্য সাবগ্রাফ কনফিগার করুন

উত্পন্ন ফাংশনের জন্য ইনপুট এবং আউটপুট আর্গুমেন্টের সাথে সম্পর্কিত ফিড এবং আনয়নগুলি সনাক্ত করুন। তারপর কনফিগার feeds এবং fetches একটি tensorflow.tf2xla.Config প্রোটো।

# 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" }
}

ধাপ 2: সাবগ্রাফ কম্পাইল করতে tf_library বিল্ড ম্যাক্রো ব্যবহার করুন

এই ধাপে একটি মধ্যে গ্রাফ পরিবর্তন করে cc_library ব্যবহার tf_library বিল্ড ম্যাক্রো। cc_library একটি বস্তু গ্রাফ থেকে উত্পন্ন কোড, একটি শিরোলেখ যে ফাইলটি উত্পন্ন কোডে অ্যাক্সেস দেয় সহ ফাইল নিয়ে গঠিত। tf_library সদ্ব্যবহার tfcompile এক্সিকিউটেবল কোড মধ্যে TensorFlow গ্রাফ কম্পাইল করার।

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",
)

এই উদাহরণে, চালানোর জন্য GraphDef প্রোটো (test_graph_tfmatmul.pb) নির্মাণ করতে make_test_graphs.py এবং --out_dir পতাকা দিয়ে আউটপুট অবস্থান উল্লেখ করুন।

বৈশিষ্টসূচক গ্রাফ ধারণ Variables ওজন প্রশিক্ষণ মাধ্যমে শিখেছি যে প্রতিনিধিত্বমূলক কিন্তু tfcompile একটি subgraph যেগুলিতে কম্পাইল করতে পারবে না VariablesFreeze_graph.py টুল, ধ্রুবক মধ্যে ভেরিয়েবল পরিবর্তন করে একটি চেকপয়েন্ট ফাইলে সংরক্ষণ করা মান ব্যবহার করে। স্বাচ্ছন্দ্যের জন্য, tf_library ম্যাক্রো সমর্থন freeze_checkpoint যুক্তি, যা টুল রান। আরো উদাহরণ দেখুন tensorflow / কম্পাইলার / aot / পরীক্ষার / বিল্ড

কম্পাইল করা সাবগ্রাফে দেখানো ধ্রুবকগুলি সরাসরি জেনারেট করা কোডে কম্পাইল করা হয়। উত্পন্ন ফাংশনে ধ্রুবকগুলিকে কম্পাইল-ইন করার পরিবর্তে, কেবল ফিড হিসাবে সেগুলি পাস করুন।

বিশদে জানার জন্য tf_library বিল্ড ম্যাক্রো, দেখতে tfcompile.bzl

অন্তর্নিহিত বিশদে জানার জন্য tfcompile টুল, দেখতে tfcompile_main.cc

ধাপ 3: সাবগ্রাফ আহ্বান করতে কোড লিখুন

এই ধাপে হেডারের ফাইল (ব্যবহার test_graph_tfmatmul.h ) দ্বারা উত্পন্ন tf_library পূর্ববর্তী ধাপে কোডটি ডাকা নির্মাণ ম্যাক্রো। হেডার ফাইলে অবস্থিত bazel-bin বিল্ড ডিরেক্টরি প্যাকেজে সংশ্লিষ্ট, এবং নাম অ্যাট্রিবিউট সেট উপর ভিত্তি করে নামকরণ করা হয় tf_library বিল্ড ম্যাক্রো। উদাহরণস্বরূপ, জন্য উত্পন্ন হেডার test_graph_tfmatmul হবে test_graph_tfmatmul.h । নীচে কি তৈরি হয় তার একটি সংক্ষিপ্ত সংস্করণ। উত্পন্ন ফাইল, মধ্যে bazel-bin , অতিরিক্ত দরকারী মন্তব্য রয়েছে।

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

উত্পন্ন সি ++ বর্গ বলা হয় MatMulComp মধ্যে foo::bar , নামস্থান কারণ ছিল cpp_class উল্লেখিত tf_library ম্যাক্রো। সমস্ত জেনারেট করা ক্লাসের একটি অনুরূপ API আছে, শুধুমাত্র পার্থক্য হল আর্গ এবং ফলাফল বাফারগুলি পরিচালনা করার পদ্ধতি। সেই পদ্ধতি নম্বর এবং বাফার, যা দ্বারা নির্দিষ্ট করা হয়েছে ধরনের উপর ভিত্তি করে ভিন্ন feed এবং fetch আর্গুমেন্ট tf_library ম্যাক্রো।

আছে: উত্পন্ন বর্গ মধ্যে পরিচালিত বাফার তিন ধরনের হয় args ইনপুট প্রতিনিধিত্বমূলক, results আউটপুট প্রতিনিধিত্বমূলক, এবং temps অস্থায়ী অভ্যন্তরীণভাবে ব্যবহৃত গণনার সঞ্চালন করতে বাফার উপস্থাপন করে। ডিফল্টরূপে, তৈরি করা ক্লাসের প্রতিটি উদাহরণ আপনার জন্য এই সমস্ত বাফারগুলি বরাদ্দ করে এবং পরিচালনা করে। AllocMode কন্সট্রাকটর যুক্তি এই আচরণ পরিবর্তন করার জন্য ব্যবহৃত হতে পারে। সমস্ত বাফার 64-বাইটের সীমানায় সারিবদ্ধ।

জেনারেট করা C++ ক্লাস হল XLA দ্বারা উত্পন্ন নিম্ন-স্তরের কোডের চারপাশে একটি মোড়ক।

উপর ভিত্তি করে ফাংশন invoking উদাহরণ tfcompile_test.cc :

#define EIGEN_USE_THREADS
#define EIGEN_USE_CUSTOM_THREAD_POOL

#include <iostream>
#include "third_party/eigen3/unsupported/Eigen/CXX11/Tensor"
#include "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;
}

ধাপ 4: চূড়ান্ত বাইনারি তৈরি করুন

এই ধাপে দ্বারা উত্পন্ন গ্রন্থাগার সম্মিলন tf_library ধাপ 2 এবং কোড ধাপ 3 লেখা একটি চূড়ান্ত বাইনারি তৈরি করার জন্য। নীচে একটি উদাহরণ bazel বিল্ড ফাইল।

# 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",
    ]
)