Ayuda a proteger la Gran Barrera de Coral con TensorFlow en Kaggle Únete Challenge

Usando la compilación AOT

¿Qué es tfcompile?

tfcompile es una herramienta independiente que con anticipación (AOT) compila gráficos de TensorFlow en código ejecutable. Puede reducir el tamaño binario total y también evitar algunos gastos generales en tiempo de ejecución. Un caso de uso típico de tfcompile es compilar un gráfico de inferencia en código ejecutable para dispositivos móviles.

El gráfico de TensorFlow normalmente lo ejecuta el tiempo de ejecución de TensorFlow. Esto genera una sobrecarga de tiempo de ejecución para la ejecución de cada nodo en el gráfico. Esto también conduce a un tamaño binario total más grande, ya que el código para el tiempo de ejecución de TensorFlow debe estar disponible, además del gráfico en sí. El código ejecutable producido por tfcompile no usa el tiempo de ejecución de TensorFlow y solo tiene dependencias en los kernels que realmente se usan en el cálculo.

El compilador está construido sobre el marco XLA. El código que une TensorFlow con el marco de trabajo XLA reside en tensorflow / compiler .

¿Qué hace tfcompile?

tfcompile toma un subgrafo, identificado por los conceptos de feeds y tfcompile TensorFlow, y genera una función que implementa ese subgrafo. Los feeds son los argumentos de entrada para la función y las fetches son los argumentos de salida para la función. Todas las entradas deben estar completamente especificadas por las fuentes; el subgrafo podado resultante no puede contener nodos de marcador de posición o variable. Es común especificar todos los marcadores de posición y variables como fuentes, lo que garantiza que el subgráfico resultante ya no contenga estos nodos. La función generada se empaqueta como una cc_library , con un archivo de encabezado que exporta la firma de la función y un archivo de objeto que contiene la implementación. El usuario escribe código para invocar la función generada según corresponda.

Usando tfcompile

En esta sección, se detallan los pasos de alto nivel para generar un binario ejecutable con tfcompile desde un subgrafo de TensorFlow. Los pasos son:

  • Paso 1: configurar el subgrafo para compilar
  • Paso 2: use la macro de compilación tf_library para compilar el subgrafo
  • Paso 3: escriba el código para invocar el subgrafo
  • Paso 4: crea el binario final

Paso 1: configurar el subgrafo para compilar

Identifique las fuentes y las recuperaciones que corresponden a los argumentos de entrada y salida de la función generada. A continuación, configure los feeds y fetches en un tensorflow.tf2xla.Config proto.

# 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" }
}

Paso 2: use la macro de compilación tf_library para compilar el subgrafo

Este paso convierte el gráfico en una cc_library usando la macro de construcción tf_library . La cc_library consiste en un archivo de objeto que contiene el código generado a partir del gráfico, junto con un archivo de encabezado que da acceso al código generado. tf_library utiliza tfcompile para compilar el gráfico de TensorFlow en código ejecutable.

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",
)

Para generar el proto GraphDef (test_graph_tfmatmul.pb) para este ejemplo, ejecute make_test_graphs.py y especifique la ubicación de salida con la marca --out_dir.

Los gráficos típicos contienen Variables representan los pesos que se aprenden a través del entrenamiento, pero tfcompile no puede compilar un subgráfico que contenga Variables . La herramienta freeze_graph.py convierte variables en constantes, utilizando valores almacenados en un archivo de punto de control. Para su comodidad, la macro tf_library admite el argumento freeze_checkpoint , que ejecuta la herramienta. Para obtener más ejemplos, consulte tensorflow / compiler / aot / tests / BUILD .

Las constantes que aparecen en el subgrafo compilado se compilan directamente en el código generado. Para pasar las constantes a la función generada, en lugar de tenerlas compiladas, simplemente pásalas como fuentes.

Para obtener detalles sobre la macro de compilación tf_library , consulte tfcompile.bzl .

Para obtener detalles sobre la herramienta tfcompile subyacente, consulte tfcompile_main.cc .

Paso 3: escriba el código para invocar el subgrafo

Este paso usa el archivo de encabezado ( test_graph_tfmatmul.h ) generado por la macro de construcción tf_library en el paso anterior para invocar el código generado. El archivo de encabezado se encuentra en el directorio bazel-bin correspondiente al paquete de compilación y se le asigna un nombre en función del atributo de nombre establecido en la macro de compilación tf_library . Por ejemplo, el encabezado generado para test_graph_tfmatmul sería test_graph_tfmatmul.h . A continuación se muestra una versión abreviada de lo que se genera. El archivo generado, en bazel-bin , contiene comentarios útiles adicionales.

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

La clase C ++ generada se llama MatMulComp en el espacio de nombres foo::bar , porque esa era la cpp_class especificada en la macro tf_library . Todas las clases generadas tienen una API similar, con la única diferencia de los métodos para manejar arg y búferes de resultados. Esos métodos difieren según el número y los tipos de búferes, que fueron especificados por los argumentos de feed y fetch de la macro tf_library .

Hay tres tipos de búferes administrados dentro de la clase generada: args representan las entradas, results representan las salidas y temps representan búferes temporales utilizados internamente para realizar el cálculo. De forma predeterminada, cada instancia de la clase generada asigna y administra todos estos búferes por usted. El argumento del constructor AllocMode se puede utilizar para cambiar este comportamiento. Todos los búferes están alineados con límites de 64 bytes.

La clase C ++ generada es solo una envoltura del código de bajo nivel generado por XLA.

Ejemplo de invocación de la función generada basada en 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;
}

Paso 4: crea el binario final

Este paso combina la biblioteca generada por tf_library en el paso 2 y el código escrito en el paso 3 para crear un binario final. A continuación se muestra un ejemplo de archivo BUILD de bazel .

# 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",
    ]
)