इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

एओटी संकलन का उपयोग करना

Tfcompile क्या है?

tfcompile एक स्टैंडअलोन उपकरण है, जो कि आगे का समय (AOT) TensorFlow रेखांकन को निष्पादन कोड में संकलित करता है। यह कुल बाइनरी आकार को कम कर सकता है, और कुछ रनटाइम ओवरहेड्स से भी बच सकता है। tfcompile का एक विशिष्ट उपयोग मोबाइल उपकरणों के निष्पादन योग्य कोड में एक tfcompile ग्राफ को संकलित करने के लिए है।

TensorFlow ग्राफ को सामान्यतः TensorFlow रनटाइम द्वारा निष्पादित किया जाता है। यह ग्राफ़ में प्रत्येक नोड के निष्पादन के लिए कुछ रनटाइम ओवरहेड को लगाता है। यह भी एक बड़े कुल बाइनरी आकार की ओर जाता है, क्योंकि TensorFlow रनटाइम के लिए कोड को ग्राफ के अलावा उपलब्ध होना चाहिए। tfcompile द्वारा निर्मित निष्पादन योग्य कोड TensorFlow रनटाइम का उपयोग नहीं करता है, और केवल गुठली पर निर्भरता है जो वास्तव में अभिकलन में उपयोग किया जाता है।

कंपाइलर XLA ढांचे के ऊपर बनाया गया है। TensorFlow को XLA फ्रेमवर्क में ब्रिज करने वाला कोड टेंसोफ़्लो / कंपाइलर के अंतर्गत रहता है।

Tfcompile क्या करता है?

tfcompile एक सबग्राफ लेता है, जिसे TensorFlow अवधारणाओं द्वारा फ़ीड्स और भ्रूणों की पहचान की जाती है, और एक फ़ंक्शन उत्पन्न करता है जो सबग्राफ को लागू करता है। feeds फ़ंक्शन के लिए इनपुट तर्क हैं, और फ़ंक्शन के लिए fetches आउटपुट आउटपुट तर्क हैं। सभी इनपुट फ़ीड द्वारा पूरी तरह से निर्दिष्ट होने चाहिए; परिणामी छंटनी उपसमूह में प्लेसहोल्डर या परिवर्तनीय नोड्स नहीं हो सकते। सभी प्लेसहोल्डर्स और चर को फीड के रूप में निर्दिष्ट करना आम है, जो सुनिश्चित करता है कि परिणामस्वरूप सबग्राफ अब इन नोड्स में शामिल नहीं है। उत्पन्न फ़ंक्शन को cc_library रूप में पैक किया जाता है, जिसमें फंक्शन सिग्नेचर एक्सपोर्ट करने वाली हेडर फाइल और कार्यान्वयन वाली ऑब्जेक्ट फाइल होती है। उपयोगकर्ता उत्पन्न फ़ंक्शन को उचित रूप से लागू करने के लिए कोड लिखता है।

Tfcompile का उपयोग करना

यह खंड tfcompile से tfcompile साथ एक निष्पादन योग्य बाइनरी बनाने के लिए उच्च स्तर के चरणों का विवरण देता है। कदम हैं:

  • चरण 1: संकलन करने के लिए सबग्राफ को कॉन्फ़िगर करें
  • चरण 2: सबग्राफ को संकलित करने के लिए tf_library मैक्रो का उपयोग करें
  • चरण 3: सबग्राफ को लागू करने के लिए कोड लिखें
  • चरण 4: अंतिम बाइनरी बनाएं

चरण 1: संकलन करने के लिए सबग्राफ को कॉन्फ़िगर करें

उत्पन्न फ़ंक्शन के लिए इनपुट और आउटपुट तर्कों के अनुरूप फ़ीड और भ्रूण की पहचान करें। तब कॉन्फ़िगर feeds और fetches एक में tensorflow.tf2xla.Config आद्य।

# 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" }
}

चरण 2: उपयोग करें tf_library सबग्राफ को संकलित करने के लिए मैक्रो का निर्माण करें

यह चरण tf_library मैक्रो का उपयोग करके ग्राफ को cc_library में परिवर्तित करता है। cc_library में एक ऑब्जेक्ट फ़ाइल होती है जिसमें ग्राफ़ से उत्पन्न कोड होता है, साथ ही एक हेडर फ़ाइल भी होती है जो जेनरेट किए गए कोड तक पहुँच देती है। tf_library का इस्तेमाल tfcompile निष्पादन योग्य कोड में TensorFlow ग्राफ संकलित करने के लिए।

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 ग्राफडिफ प्रोटो (test_graph_tfmatmul.pb) उत्पन्न करने के लिए, make_test_graphs.py चलाएं और --out_dir ध्वज के साथ आउटपुट स्थान निर्दिष्ट करें।

ठेठ रेखांकन शामिल Variables वजन प्रशिक्षण के माध्यम से सीखा रहे हैं कि का प्रतिनिधित्व करने के लिए, लेकिन tfcompile एक subgraph, जिनमें शामिल है संकलन नहीं कर सकते हैं VariablesFreeze_graph.py टूल एक चेकपॉइंट फ़ाइल में संग्रहीत मानों का उपयोग करके, चर को स्थिरांक में परिवर्तित करता है। एक सुविधा के रूप में, tf_library मैक्रो freeze_checkpoint तर्क का समर्थन करता है, जो उपकरण चलाता है। अधिक उदाहरणों के लिए टेंसरफ़्लो / कंपाइलर / एओटी / परीक्षण / BUILD देखें

संकलित उपसमूह में दिखाई देने वाले स्थिरांक को सीधे उत्पन्न कोड में संकलित किया जाता है। संकलित किए गए फ़ंक्शन में स्थिरांक पास करने के बजाय, उन्हें संकलित करने के बजाय, उन्हें केवल फ़ीड के रूप में पास करें।

tf_library पर मैक्रो के विवरण के लिए, tfcompile.bzl देखें।

अंतर्निहित tfcompile टूल के विवरण के लिए, tfcompile_main.cc देखें।

चरण 3: सबग्राफ को लागू करने के लिए कोड लिखें

यह कदम हेडर फाइल (का उपयोग करता test_graph_tfmatmul.h ) द्वारा उत्पन्न tf_library पिछले चरण उत्पन्न कोड को लागू करने में निर्माण मैक्रो। हेडर फ़ाइल बिल्ड पैकेज के अनुरूप bazel-bin डायरेक्टरी में स्थित है, और tf_library बिल्ड मैक्रो पर सेट नाम विशेषता के आधार पर नाम दिया गया है। उदाहरण के लिए, के लिए उत्पन्न हैडर test_graph_tfmatmul होगा test_graph_tfmatmul.h । नीचे जनरेट किया गया एक संक्षिप्त संस्करण है। उत्पन्न फ़ाइल, bazel-bin , अतिरिक्त उपयोगी टिप्पणियां 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

उत्पन्न C ++ वर्ग को foo::bar namespace में MatMulComp कहा जाता है, क्योंकि tf_library मैक्रो में निर्दिष्ट cpp_class था। सभी उत्पन्न वर्गों में एक समान एपीआई होता है, जिसमें एकमात्र अंतर होता है arg और result बफर को संभालने के तरीके। इन तरीकों में संख्या और बफ़र्स, जिसके द्वारा निर्दिष्ट किया गया के प्रकार के आधार पर भिन्न होते हैं feed और fetch के लिए तर्क tf_library मैक्रो।

: वहाँ उत्पन्न वर्ग के भीतर कामयाब बफ़र्स के तीन प्रकार हैं args आदानों का प्रतिनिधित्व करने, results आउटपुट का प्रतिनिधित्व करने, और temps अस्थायी आंतरिक रूप से उपयोग गणना प्रदर्शन करने के लिए बफर का प्रतिनिधित्व। डिफ़ॉल्ट रूप से, उत्पन्न वर्ग का प्रत्येक उदाहरण आपके लिए इन सभी बफ़र्स को आवंटित और प्रबंधित करता है। इस व्यवहार को बदलने के लिए AllocMode कंस्ट्रक्टर तर्क का उपयोग किया जा सकता है। सभी बफ़र्स 64-बाइट सीमाओं से जुड़े होते हैं।

उत्पन्न सी ++ वर्ग एक्सएलए द्वारा उत्पन्न निम्न-स्तरीय कोड के आसपास सिर्फ एक आवरण है।

tfcompile_test.cc आधार पर उत्पन्न फ़ंक्शन को लागू करने का उदाहरण:

#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;
}

चरण 4: अंतिम बाइनरी बनाएं

यह चरण चरण 2 में tf_library द्वारा उत्पन्न लाइब्रेरी और अंतिम बाइनरी बनाने के लिए चरण 3 में लिखे गए कोड को जोड़ता है। नीचे एक उदाहरण bazel BUILD फ़ाइल 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",
    ]
)