หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

ใช้รวบรวมทอท

tfcompile คืออะไร?

tfcompile เป็นเครื่องมือสแตนด์อโลนที่ไปข้างหน้าของเวลา (AOT) compiles TensorFlow กราฟเป็นรหัสปฏิบัติการ มันสามารถลดขนาดไบนารีทั้งหมดและยังหลีกเลี่ยงบางค่าโสหุ้ยรันไทม์ โดยทั่วไปใช้ในกรณีของ tfcompile คือการรวบรวมกราฟอนุมานเป็นรหัสปฏิบัติการสำหรับอุปกรณ์มือถือ

กราฟ TensorFlow จะถูกดำเนินการตามปกติโดยรันไทม์ TensorFlow นี้เกิดขึ้นจากค่าใช้จ่ายบางส่วนรันไทม์สำหรับการดำเนินการของแต่ละโหนดในกราฟ นอกจากนี้ยังนำไปสู่ขนาดไบนารีขนาดใหญ่รวมตั้งแต่รหัสสำหรับความต้องการรันไทม์ TensorFlow จะสามารถใช้ได้นอกเหนือไปจากกราฟของตัวเอง รหัสปฏิบัติการผลิตโดย tfcompile ไม่ได้ใช้รันไทม์ TensorFlow และมีเพียงอ้างอิงในเมล็ดที่ใช้จริงในการคำนวณ

คอมไพเลอร์ที่ถูกสร้างขึ้นที่ด้านบนของกรอบ XLA รหัสแก้ TensorFlow ไป XLA อยู่ภายใต้กรอบ tensorflow / เรียบเรียง

อะไร tfcompile ทำอย่างไร

tfcompile ยิง subgraph ระบุแนวคิด TensorFlow ของฟีดและการดึงข้อมูลและสร้างฟังก์ชั่นที่การดำเนินการที่ subgraph feeds ข้อโต้แย้งการป้อนข้อมูลสำหรับการทำงานและ fetches ข้อโต้แย้งผลลัพธ์สำหรับฟังก์ชั่น ปัจจัยการผลิตทั้งหมดจะต้องระบุอย่างเต็มที่โดยฟีด; subgraph pruned ส่งผลให้ไม่สามารถมีตัวยึดหรือโหนดตัวแปร มันเป็นเรื่องธรรมดาที่จะระบุตัวยึดและตัวแปรที่เป็นฟีดซึ่งช่วยให้มั่นใจ subgraph ส่งผลให้ไม่ได้มีโหนดเหล่านี้ ฟังก์ชั่นที่สร้างขึ้นเป็นแพคเกจเป็น cc_library กับไฟล์ส่วนหัวส่งออกลายเซ็นของฟังก์ชั่นและไฟล์วัตถุที่มีการดำเนินการ ผู้ใช้เขียนรหัสเพื่อเรียกฟังก์ชั่นที่สร้างขึ้นตามความเหมาะสม

ใช้ tfcompile

ส่วนนี้มีรายละเอียดขั้นตอนในระดับสูงสำหรับการสร้างไบนารีปฏิบัติการด้วย tfcompile จาก subgraph TensorFlow ขั้นตอนที่:

  • ขั้นตอนที่ 1: กำหนดค่า subgraph เพื่อรวบรวม
  • ขั้นตอนที่ 2: ใช้ tf_library สร้างแมโครเพื่อรวบรวม subgraph
  • ขั้นตอนที่ 3: เขียนโค้ดเพื่อเรียก subgraph
  • ขั้นตอนที่ 4: สร้างไบนารีสุดท้าย

ขั้นตอนที่ 1: กำหนดค่า subgraph เพื่อรวบรวม

ระบุฟีดและเรียกตรงกับ input และ output ข้อโต้แย้งที่ว่าสำหรับฟังก์ชั่นที่สร้างขึ้น จากนั้นกำหนดค่า feeds และ fetches ใน tensorflow.tf2xla.Config โปรโต

 # 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" }
}
 

ขั้นตอนที่ 2: ใช้ tf_library สร้างแมโครเพื่อรวบรวม subgraph

ขั้นตอนนี้จะแปลงกราฟเป็น cc_library ใช้ tf_library สร้างแมโคร cc_library ประกอบด้วยไฟล์วัตถุที่มีรหัสที่สร้างขึ้นจากกราฟพร้อมกับไฟล์ส่วนหัวที่ช่วยให้การเข้าถึงรหัสที่สร้างขึ้น tf_library Utilizes tfcompile การรวบรวมกราฟ TensorFlow เป็นรหัสปฏิบัติการ

 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",
)
 

เพื่อสร้าง GraphDef โปรโต (test_graph_tfmatmul.pb) เช่นนี้เรียก make_test_graphs.py และระบุที่ตั้งของการส่งออกที่มีธง --out_dir

กราฟทั่วไปมี Variables ที่เป็นตัวแทนของน้ำหนักที่จะเรียนรู้ผ่านการฝึกอบรม แต่ tfcompile ไม่สามารถรวบรวม subgraph ที่มี Variables freeze_graph.py เครื่องมือแปลงตัวแปรเข้าไปในค่าคงที่โดยใช้ค่าเก็บไว้ในแฟ้มด่าน เพื่ออำนวยความสะดวกที่ tf_library แมโครสนับสนุน freeze_checkpoint อาร์กิวเมนต์ซึ่งไหลเครื่องมือ สำหรับตัวอย่างเพิ่มเติมดู tensorflow / เรียบเรียง / AOT / ทดสอบ / สร้าง

ค่าคงที่แสดงใน subgraph รวบรวมเป็นข้อมูลที่รวบรวมโดยตรงในรหัสที่สร้างขึ้น ที่จะผ่านคงเข้าไปในฟังก์ชั่นที่สร้างขึ้นมากกว่าที่มีพวกเขารวบรวมในเพียงแค่ส่งพวกเขาในขณะที่ฟีด

สำหรับรายละเอียดเกี่ยวกับ tf_library สร้างแมโครดู tfcompile.bzl

สำหรับรายละเอียดเกี่ยวกับพื้นฐาน tfcompile เครื่องมือดู tfcompile_main.cc

ขั้นตอนที่ 3: เขียนโค้ดเพื่อเรียก subgraph

ขั้นตอนนี้จะใช้ไฟล์ส่วนหัว ( test_graph_tfmatmul.h ) สร้างโดย tf_library สร้างแมโครในขั้นตอนก่อนที่จะเรียกรหัสที่สร้างขึ้น ส่วนหัวของแฟ้มตั้งอยู่ใน bazel-bin ไดเรกทอรีที่สอดคล้องกับการสร้างแพคเกจและเป็นชื่อที่ตั้งอยู่บนพื้นฐานของชุดชื่อแอตทริบิวต์ใน tf_library สร้างแมโคร ยกตัวอย่างเช่นส่วนหัวที่สร้างขึ้นสำหรับ test_graph_tfmatmul จะ test_graph_tfmatmul.h ด้านล่างนี้เป็นรุ่นย่อของสิ่งที่ถูกสร้างขึ้น ไฟล์ที่สร้างขึ้นใน bazel-bin มีความคิดเห็นที่เป็นประโยชน์เพิ่มเติม

 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
 

ที่สร้างคลาส c ++ เรียกว่า MatMulComp ใน foo::bar namespace เนื่องจากว่าเป็น cpp_class ระบุไว้ใน tf_library แมโคร ชั้นเรียนที่สร้างทั้งหมดมี API ที่คล้ายกันมีความแตกต่างเพียงอย่างเดียววิธีการที่จะจับหาเรื่องและบัฟเฟอร์ผล วิธีการเหล่านั้นจะแตกต่างกันขึ้นอยู่กับจำนวนและประเภทของบัฟเฟอร์ซึ่งถูกระบุโดยที่ feed และ fetch การขัดแย้งกับ tf_library แมโคร

: มีสามประเภทของบัฟเฟอร์จัดการภายในชั้นที่สร้างขึ้นมี args เป็นตัวแทนของปัจจัยการผลิต, results ที่เป็นตัวแทนของเอาท์พุทและ temps ที่เป็นตัวแทนของบัฟเฟอร์ชั่วคราวที่ใช้ภายในเพื่อดำเนินการคำนวณ โดยค่าเริ่มต้นตัวอย่างของการจัดสรรชั้นสร้างขึ้นในแต่ละและจัดการทั้งหมดของบัฟเฟอร์เหล่านี้สำหรับคุณ AllocMode อาร์กิวเมนต์คอนสตรัคอาจจะใช้ในการเปลี่ยนพฤติกรรมนี้ บัฟเฟอร์ทั้งหมดจะสอดคล้องกับขอบเขต 64 ไบต์

ที่สร้างคลาส c ++ เป็นเพียงห่อหุ้มรอบรหัสระดับต่ำที่สร้างขึ้นโดย XLA

ตัวอย่างของการเรียกฟังก์ชั่นที่สร้างขึ้นบนพื้นฐานของ 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;
}
 

ขั้นตอนที่ 4: สร้างไบนารีสุดท้าย

ขั้นตอนนี้รวมห้องสมุดที่สร้างขึ้นโดย tf_library ในขั้นตอนที่ 2 และรหัสที่เขียนไว้ในขั้นตอนที่ 3 การสร้างไบนารีสุดท้าย ด้านล่างนี้เป็นตัวอย่างที่ bazel ไฟล์ BUILD

 # 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",
    ]
)