1

背景

近年來，量化感知訓練是一個較為熱點的問題，可以大大優(yōu)化量化后訓練造成精度損失的問題，使得訓練過程更加高效。

Torch.fx在這一問題上走在了前列，使用純Python語言實現(xiàn)了對于Torch.nn.Module的解析和向IR的轉(zhuǎn)換，也可以提供變換后的IR對應的Python代碼，在外部則是提供了簡潔易用的API，大大方便了量化感知訓練過程的搭建。此外，Torch.fx也有助于消除動態(tài)圖和靜態(tài)圖之間的Gap，可以比較方便地對圖進行操作以及進行算子融合。

OneFlow緊隨其后添加了針對OneFlow的fx，即One-fx，在安裝One-fx之后，用戶可以直接調(diào)用oneflow.fx，也可以直接通過import onefx as fx進行使用。

One-fx實現(xiàn)代碼中絕大部分是對于Torch.fx的fork，但根據(jù)OneFlow和PyTorch之間存在的差別進行了一些適配或優(yōu)化。本文將圍繞One-fx適配方式以及在OneFlow中的應用展開。

2

FX主要模塊

Symbolioc Trace

Graph Module

Interpreter

Proxy

Passes

其中，前4個模塊共同實現(xiàn)了fx的基本功能，Graph Module和Proxy又是Symbolic Trace的基礎，Passes則是在此基礎上的擴充。

Symbolic Trace的基本概念如上圖所示，最基本的模型運行過程就是從模型定義到模型執(zhí)行這樣一個流程。

fx則是進行了非侵入式的解析，將模型執(zhí)行過程轉(zhuǎn)成一張圖，這張圖中包含了很多個Node，每一個Node都包含了模型中的子模塊或者函數(shù)調(diào)用信息，然后用戶可以很方便地獲取到所有的Node，并對其進行一些變換操作，最后通過GraphModule重新生成一個模型定義，并對其執(zhí)行。

其中，在進行模型解析的時候，節(jié)點之間變量傳遞也均使用代理后的變量，如y = oneflow.relu(x)，實際上x和y是Proxy(x)和Proxy(y)。

3

One-fx實現(xiàn)方式

這里給出一個Fx最簡單的用例，以方便后續(xù)對于實現(xiàn)方式的介紹。

import oneflow


class MyModule(oneflow.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = oneflow.nn.Linear(512, 512)


    def forward(self, x):
        x = self.linear(x)
        y = oneflow.ones([2, 3])


        x = oneflow.relu(x)
        return y


m = MyModule()


traced = oneflow.fx.symbolic_trace(m)
print(traced.code)
"""
def forward(self, x):
    linear = self.linear(x);  x = None
    relu = oneflow.relu(linear);  linear = None
    _tensor_constant0 = self._tensor_constant0
    return _tensor_constant0
"""

?

函數(shù)代理

代理，即fx中的Proxy模塊，目的是在每次進行函數(shù)或模塊調(diào)用的時候添加一些額外操作，使得對模型的解析和重建得以進行，而包裝則是適配代理的一種方式。

torch.fx中，對于nn.Module的包裝比較易于理解，每當待解析Module中出現(xiàn)了繼承自nn.Module的對象，那么就將其__call__函數(shù)替換成包裝過的函數(shù)。然而，對于pytorch的函數(shù)的代理的實現(xiàn)要更“繞”一些，是借助了__torch_function__這一機制

限于篇幅原因這里不專門對其進行介紹。比較關鍵的點是，OneFlow中沒有這一機制，如果需要添加，那么會是規(guī)模很大的、侵入性的，于是One-fx的實現(xiàn)就需要找其它路徑。

我們使用的解決方式是搜索oneflow，oneflow.nn.functional，oneflow._C等模塊中的Callable，并去除其中屬于類的部分，然后對其余函數(shù)進行包裝，在每次解析模型之前，會將這些模塊的__dict__中對應項替換成包裝后的函數(shù)，并且在解析模型之后重新將這些項進行還原。對于constructor類型的函數(shù)，如ones，randn等則不進行代理，直接運行，在最終構(gòu)建圖的時候作為constant來處理。

對于函數(shù)的包裝部分源碼實現(xiàn)如下，每次運行代理后的函數(shù)，會先判斷該函數(shù)的入?yún)⒅杏袥]有Proxy變量，如果有，那么將會創(chuàng)建一個call_function類型的節(jié)點并返回Proxy包裝后的節(jié)點，否則直接調(diào)用原函數(shù)并返回結(jié)果。

def _create_wrapped_func(orig_fn):
    @functools.wraps(orig_fn)
    def wrapped(*args, **kwargs):
        # 判斷參數(shù)中是否存在proxy變量
        proxy = _find_proxy(args, kwargs)
        if proxy is not None:
            # 如果參數(shù)中有Proxy變量，創(chuàng)建節(jié)點并返回Proxy包裝后的節(jié)點
            return_proxy = proxy.tracer.create_proxy(
                "call_function", orig_fn, args, kwargs
            )
            return_proxy.node.meta["is_wrapped"] = True
            return return_proxy
        # 如果沒有Proxy變量，直接調(diào)用原函數(shù)
        return orig_fn(*args, **kwargs)


    return wrapped

其中，return_proxy = proxy.tracer.create_proxy("call_function", orig_fn, args, kwargs)這行代碼指定了使用與入?yún)⑾嗤腡racer來創(chuàng)建節(jié)點并返回結(jié)果，create_proxy函數(shù)定義的主要部分如下，創(chuàng)建節(jié)點并在Proxy包裝后返回。

def create_proxy(self, kind: str, target: Target, args: Tuple[Any, ...], kwargs: Dict[str, Any],
                     name: Optional[str] = None, type_expr : Optional[Any] = None,
                     proxy_factory_fn: Callable[[Node], 'Proxy'] = None):
    args_ = self.create_arg(args)
    kwargs_ = self.create_arg(kwargs)
    assert isinstance(args_, tuple)
    assert isinstance(kwargs_, dict)


    # 創(chuàng)建節(jié)點
    node = self.create_node(kind, target, args_, kwargs_, name, type_expr)


    if not proxy_factory_fn:
        proxy = self.proxy(node)
    else:
        proxy = proxy_factory_fn(node)


    return proxy

而其中的create_node方法，實際上是調(diào)用了Tracer.graph.create_node，在圖中創(chuàng)建節(jié)點，主要部分代碼如下，其中op就是fx IR中的op，代表了節(jié)點類型，而target則是節(jié)點的操作主體，在上面的例子中就是orig_func。

因此，當我們自定義的Module中的forward函數(shù)中的所有調(diào)用都被包裝之后，實際上再運行forward的時候，就會依次在Tracer.graph中創(chuàng)建節(jié)點，這也正是symbolic_trace的基本思路。

def create_node(self, op: str, target: 'Target',
                    args: Optional[Tuple['Argument', ...]] = None,
                    kwargs: Optional[Dict[str, 'Argument']] = None,
                    name: Optional[str] = None,
                    type_expr: Optional[Any] = None) -> Node:
    # 此處有一些assert


    # 創(chuàng)建一個節(jié)點名稱，避免重復
    candidate = name if name is not None else self._target_to_str(target)
    name = self._graph_namespace.create_name(candidate, None)
    # 創(chuàng)建節(jié)點
    n = Node(self, name, op, target, args, kwargs, type_expr)


    # 建立名稱與節(jié)點的映射關系
    self._graph_namespace.associate_name_with_obj(name, n)


    return n

而對于symbolic_trace過程，其核心就是Tracer.trace。這個方法可以分為兩部分，一個是預處理部分，一個是主干部分。其中預處理過程大致定義如下，主要任務是初始化Graph、確立模型以及forward函數(shù)和創(chuàng)建包裝后的參數(shù)。

如前面所提及的，symbolic trace的基本思路是借助Proxy變量以及包裝后的函數(shù)，在每次調(diào)用的時候都創(chuàng)建一個節(jié)點，因此，forward函數(shù)的輸入也需要用Proxy進行包裝，這一步定義在Tracer.create_args_for_root中。

?

def trace(
        self,
        root: Union[oneflow.nn.Module, Callable[..., Any]],
        concrete_args: Optional[Dict[str, Any]] = None,
    ) -> Graph:
    # 確定模塊主體以及forward函數(shù)，其中fn即forward函數(shù)
    if isinstance(root, oneflow.nn.Module):
        self.root = root


        assert hasattr(
            type(root), self.traced_func_name
        ), f"traced_func_name={self.traced_func_name} doesn't exist in {type(root).__name__}"


        fn = getattr(type(root), self.traced_func_name)
        self.submodule_paths = {mod: name for name, mod in root.named_modules()}
    else:
        self.root = oneflow.nn.Module()
        fn = root


    tracer_cls: Optional[Type["Tracer"]] = getattr(self, "__class__", None)
    # 在Tracer中初始化一張圖
    self.graph = Graph(tracer_cls=tracer_cls)
    
    self.tensor_attrs: Dict[oneflow.Tensor, str] = {}
    # 這個子函數(shù)用于收集模型中所有Tensor類型的變量
    def collect_tensor_attrs(m: oneflow.nn.Module, prefix_atoms: List[str]):
        for k, v in m.__dict__.items():
            if isinstance(v, oneflow.Tensor):
                self.tensor_attrs[v] = ".".join(prefix_atoms + [k])
        for k, v in m.named_children():
            collect_tensor_attrs(v, prefix_atoms + [k])


    collect_tensor_attrs(self.root, [])


    assert isinstance(fn, FunctionType)


    # 獲取fn所在模塊的所有可讀變量
    fn_globals = fn.__globals__
    # 創(chuàng)建包裝后的參數(shù)
    fn, args = self.create_args_for_root(
        fn, isinstance(root, oneflow.nn.Module), concrete_args
    )

隨后則是trace的主干部分，這一部分大致代碼如下，主要任務是對函數(shù)、方法、模塊進行必要的包裝，然后在Graph中創(chuàng)建節(jié)點，完成整個圖的信息。

其中，我們會創(chuàng)建一個Patcher環(huán)境并在其中進行這些過程，這是因為對于函數(shù)和方法的包裝會直接改變掉某些包中對應函數(shù)或方法的行為，為了不讓這種行為的改變溢出到trace的范圍之外，在每次進行包裝的時候會在Patcher中記錄本次操作，然后在_Patcher.__exit__中根據(jù)記錄的操作一一還原現(xiàn)場。

# 下面代碼仍然是`trace`函數(shù)的一部分


# 定義對于`nn.Module`的getattr方法的包裝
@functools.wraps(_orig_module_getattr)
def module_getattr_wrapper(mod, attr):
    attr_val = _orig_module_getattr(mod, attr)
    return self.getattr(attr, attr_val, parameter_proxy_cache)


# 定義對于`nn.Module`的forward方法的包裝
@functools.wraps(_orig_module_call)
def module_call_wrapper(mod, *args, **kwargs):
    def forward(*args, **kwargs):
        return _orig_module_call(mod, *args, **kwargs)


    _autowrap_check(
        patcher,
        getattr(getattr(mod, "forward", mod), "__globals__", {}),
        self._autowrap_function_ids,
    )
    return self.call_module(mod, forward, args, kwargs)
# 這里Patcher的作用是在退出這一環(huán)境的時候恢復現(xiàn)場，避免包裝函數(shù)、方法的影響溢出到`trace`之外。
with _Patcher() as patcher:
    # 對`__getattr__`和`nn.Module.__call__`這兩個方法默認進行包裝
    patcher.patch_method(
        oneflow.nn.Module,
        "__getattr__",
        module_getattr_wrapper,
        deduplicate=False,
    )
    patcher.patch_method(
        oneflow.nn.Module, "__call__", module_call_wrapper, deduplicate=False
    )
    # 對預定好需要進行包裝的函數(shù)進行包裝
    _patch_wrapped_functions(patcher)
    _autowrap_check(patcher, fn_globals, self._autowrap_function_ids)
    # 遍歷所有需要對其中函數(shù)進行自動包裝的package
    for module in self._autowrap_search:
        if module is oneflow:
            dict = {}
            # 當package為oneflow時，對此進行特殊處理，單獨分出一個字典存放原本`oneflow.__dict__`中的內(nèi)容
            for name, value in module.__dict__.items():
                if not isinstance(value, oneflow.nn.Module) and not value in _oneflow_no_wrapped_functions:
                    dict[name] = value
            _autowrap_check_oneflow(
                patcher, dict, module.__dict__, self._autowrap_function_ids
            )
        else:
            _autowrap_check(
                patcher, module.__dict__, self._autowrap_function_ids
            )
    # 創(chuàng)建節(jié)點，這里的`create_node`調(diào)用實際上只是創(chuàng)建了最后一個節(jié)點，即輸出節(jié)點。
    # 但是這里`fn`就是forward函數(shù)，在運行這一函數(shù)的時候，就會如前面所說依次創(chuàng)建節(jié)點。
    self.create_node(
        "output",
        "output",
        (self.create_arg(fn(*args)),),
        {},
        type_expr=fn.__annotations__.get("return", None),
    )

?

其中，_patch_wrapped_functions的實現(xiàn)如下：

def _patch_wrapped_functions(patcher: _Patcher):
    # `_wrapped_fns_to_patch`中包含了所有需要自動包裝的函數(shù)
    for frame_dict, name in _wrapped_fns_to_patch:
        if name not in frame_dict:
            if hasattr(builtins, name):
                # 對于built-in函數(shù)，不存在于frame_dict中，單獨進行處理來根據(jù)名稱獲取函數(shù)本身
                orig_fn = getattr(builtins, name)
            else:
                # 如果是oneflow中指定需要包裝的函數(shù)，那么就進行獲取，否則拋出名稱無法識別的異常
                is_oneflow_wrapped_function, func = is_oneflow_wrapped_function_and_try_get(name)
                if is_oneflow_wrapped_function:
                    orig_fn = func
                else:
                    raise NameError("Cannot deal with the function %s."%name)
        else:
            # 如果函數(shù)名稱已經(jīng)存在于frame_dict中，直接通過字典查詢來獲得函數(shù)
            orig_fn = frame_dict[name]
        # 創(chuàng)建包裝后的函數(shù)并進行`patch`，即定義當trace過程結(jié)束的時候，如何還原現(xiàn)場
        patcher.patch(frame_dict, name, _create_wrapped_func(orig_fn))
    
    # 對于類中的方法，直接包裝并patch。
    for cls, name in _wrapped_methods_to_patch:
        patcher.patch_method(cls, name, _create_wrapped_method(cls, name))

?

全局包裝

在模型的forward函數(shù)中，我們有時不僅會用到框架自帶的模塊或者函數(shù)，有點時候還需要用到自定義的函數(shù)或者built-in函數(shù)，對于這種情況如果不進行處理，那么自然無法接受Proxy(x)的入?yún)?。fx中提供了fx.wrap這一API，當用戶需要調(diào)用這部分函數(shù)的時候，可以實現(xiàn)使用fx.wrap(func)使其被包裝。

例如：

import oneflow


oneflow.fx.wrap(len)
class MyModule(oneflow.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = oneflow.nn.Linear(512, 512)


    def forward(self, x):
        x = self.linear(x) + len(x.shape)
        return x


traced = oneflow.fx.symbolic_trace(MyModule())
print(traced.code)
"""
def forward(self, x):
    linear = self.linear(x)
    getattr_1 = x.shape;  x = None
    len_1 = len(getattr_1);  getattr_1 = None
    add = linear + len_1;  linear = len_1 = None
    return add
"""

?

但是其局限性在于，如果Module的源代碼是來自其它庫，那么在調(diào)用的地方使用fx.wrap是不起作用的，在oneflow和torch中都會有這一問題。然而flowvision中有多處使用了built-in function，因此我們添加了一個API，即global_wrap，原理比較簡單，就是直接對某個函數(shù)所在的包的__dict__進行修改，用法如下：

# MyModule來自其它包
with oneflow.fx.global_wrap(len):
    m = MyModule()


    traced = oneflow.fx.symbolic_trace(m)
    print(traced.code)
    """
    def forward(self, x):
        linear = self.linear(x);  x = None
        getattr_1 = linear.shape
        len_1 = len(getattr_1);  getattr_1 = None
        relu = oneflow.relu(linear);  linear = None
        add = relu + len_1;  relu = len_1 = None
        return add
    """

?

使用with關鍵字的原因是這種實現(xiàn)方式是直接修改了某個包的__dict__，對于其它地方的調(diào)用也會產(chǎn)生影響，因此需要將其限制在一定范圍內(nèi)。此外，包裝后的函數(shù)包含了對類型的判定等一系列操作，也會極大影響built-in函數(shù)的性能。

其它適配

其它地方的處理都比較簡單，不需要對實現(xiàn)方式做修改，只需要將細節(jié)部分對齊即可，這也體現(xiàn)出oneflow和pytorch在前端部分的高度兼容性。

4

IR設計

fx的IR設計遵循以下幾個原則：

避免支持長尾分布，復雜的樣例。主要關注經(jīng)典模型的程序捕獲和變換。

使用機器學習從業(yè)者已經(jīng)熟悉的工具和概念，例如Python的數(shù)據(jù)結(jié)構(gòu)和 PyTorch 中公開記錄的算子 。

使程序捕獲過程具有高度可配置性，以便用戶可以為長尾需求實現(xiàn)自己的解決方案。

fx的IR主要由幾個部分組成;

opcode：即當前操作的類型，可以是placeholder, get_attr, call_function, call_method, call_module, output

name：即給當前操作的命名。

target：當前操作的實體，例如對于call_function類型的操作，可能這一屬性會是 。

args和kwargs：指定當前操作的參數(shù)。

通過print_tabular這一API可以很方便美觀地打印出fx中的IR，例如對于以下的MyModule模型，我們可以打印出其IR：

import oneflow


class MyModule(oneflow.nn.Module):
    def __init__(self, do_activation : bool = False):
        super().__init__()
        self.do_activation = do_activation
        self.linear = oneflow.nn.Linear(512, 512)


    def forward(self, x):
        x = self.linear(x)
        y = oneflow.ones([2, 3])


        x = oneflow.topk(x, 10)
        return x.relu() + y


traced = oneflow.fx.symbolic_trace(MyModule())
traced.graph.print_tabular()


"""
opcode         name               target                    args                       kwargs
-------------  -----------------  ------------------------  -------------------------  --------
placeholder    x                  x                         ()                         {}
call_module    linear             linear                    (x,)                       {}
call_function  topk                 (linear, 10)               {}
call_method    relu               relu                      (topk,)                    {}
get_attr       _tensor_constant0  _tensor_constant0         ()                         {}
call_function  add                   (relu, _tensor_constant0)  {}
output         output             output                    (add,)                     {}
"""

盡管fx的IR不算強大（例如不能處理動態(tài)控制流），但是定義非常簡潔，實現(xiàn)簡單，對于用戶來講上手門檻相對低很多。

5

One-fx應用舉例

OP替換

下面的例子展示了如何將add操作全部替換成mul操作。

import oneflow
from oneflow.fx import symbolic_trace
import operator


class M(oneflow.nn.Module):
    def forward(self, x, y):
        return x + y, oneflow.add(x, y), x.add(y)


if __name__ == '__main__':
    traced = symbolic_trace(M())


    patterns = set([operator.add, oneflow.add, "add"])


    for n in traced.graph.nodes:
        if any(n.target == pattern for pattern in patterns):
            with traced.graph.inserting_after(n):
                new_node = traced.graph.call_function(oneflow.mul, n.args, n.kwargs)
                n.replace_all_uses_with(new_node)
            traced.graph.erase_node(n)


    traced.recompile()


    traced.graph.print_tabular()


    print(traced.code)

?

性能分析

以下代碼展示如何使用fx進行模型的性能分析，將原本的模型通過symbolic_trace解析成各個節(jié)點，再在其中插入測試性能的操作。

import oneflow
import flowvision.models as models
import statistics, tabulate, time
from typing import Any, Dict, List


class ProfilingInterpreter(oneflow.fx.Interpreter):
    def __init__(self, mod : oneflow.nn.Module):
        gm = oneflow.fx.symbolic_trace(mod)
        super().__init__(gm)


        # 記錄總運行時間
        self.total_runtime_sec : List[float] = []
        # 記錄各個節(jié)點運行時間
        self.runtimes_sec : Dict[oneflow.fx.Node, List[float]] = {}


    # 重寫`run`方法，本質(zhì)上是對基類`run`方法的簡單封裝，在運行前后記錄時間點。
    # 這一方法是Graph整體運行的入口。
    def run(self, *args) -> Any:
        t_start = time.time()
        return_val = super().run(*args)
        t_end = time.time()
        self.total_runtime_sec.append(t_end - t_start)
        return return_val


    # 同上，重寫`run_node`方法，不需要自己寫細節(jié)實現(xiàn)，只需要在對基類的`run_node`調(diào)用前后記錄時間點即可
    # 這一方法是Graph中運行每個Node的入口。
    def run_node(self, n : oneflow.fx.Node) -> Any:
        t_start = time.time()
        return_val = super().run_node(n)
        t_end = time.time()
        self.runtimes_sec.setdefault(n, [])
        self.runtimes_sec[n].append(t_end - t_start)
        return return_val


    # 定義如何打印性能測試結(jié)果
    def summary(self, should_sort : bool = False) -> str:
        # 存儲每個節(jié)點的打印信息
        node_summaries : List[List[Any]] = []
        # 由于模塊會被調(diào)用多次，所以這里計算一下平均的運行總時長
        mean_total_runtime = statistics.mean(self.total_runtime_sec)


        for node, runtimes in self.runtimes_sec.items():
            mean_runtime = statistics.mean(runtimes)
            # 計算節(jié)點運行時間占總時間的比例
            pct_total = mean_runtime / mean_total_runtime * 100
            # 記錄節(jié)點信息、節(jié)點平均運行時長和節(jié)點運行時間占總時間的比例
            node_summaries.append(
                [node.op, str(node), mean_runtime, pct_total])


        # 如果需要，安按照運行時間進行排序
        if should_sort:
            node_summaries.sort(key=lambda s: s[2], reverse=True)


        # 以下是借助tabulate庫進行格式化來美化顯示效果
        headers : List[str] = [
            'Op type', 'Op', 'Average runtime (s)', 'Pct total runtime'
        ]
        return tabulate.tabulate(node_summaries, headers=headers)




if __name__ == '__main__':
    rn18 = models.resnet18()
    rn18.eval()
    input = oneflow.randn(5, 3, 224, 224)
    output = rn18(input)
    interp = ProfilingInterpreter(rn18)
    interp.run(input)
    print(interp.summary(True))

?

效果如下：

算子融合

以下代碼演示如何借助fx將模型中的卷積層和BN層進行融合，對于這種組合，并不需要引入新的算子，只需要對原本conv的權重進行操作即可。

import sys
import oneflow
import oneflow.nn as nn
import numpy as np
import copy
from typing import Dict, Any, Tuple


# 通過直接對權重進行運算的方式進行Conv和BN的融合
def fuse_conv_bn_eval(conv, bn):
    assert(not (conv.training or bn.training)), "Fusion only for eval!"
    fused_conv = copy.deepcopy(conv)


    fused_conv.weight, fused_conv.bias = 
        fuse_conv_bn_weights(fused_conv.weight, fused_conv.bias,
                             bn.running_mean, bn.running_var, bn.eps, bn.weight, bn.bias)


    return fused_conv


# 權重融合方式
def fuse_conv_bn_weights(conv_w, conv_b, bn_rm, bn_rv, bn_eps, bn_w, bn_b):
    if conv_b is None:
        conv_b = oneflow.zeros_like(bn_rm)
    if bn_w is None:
        bn_w = oneflow.ones_like(bn_rm)
    if bn_b is None:
        bn_b = oneflow.zeros_like(bn_rm)
    bn_var_rsqrt = oneflow.rsqrt(bn_rv + bn_eps)


    conv_w = conv_w * (bn_w * bn_var_rsqrt).reshape([-1] + [1] * (len(conv_w.shape) - 1))
    conv_b = (conv_b - bn_rm) * bn_var_rsqrt * bn_w + bn_b


    return oneflow.nn.Parameter(conv_w), oneflow.nn.Parameter(conv_b)


# 根據(jù)字符串對名稱進行分割，比如`foo.bar.baz` -> (`foo.bar`, `baz`)
def _parent_name(target : str) -> Tuple[str, str]:
    *parent, name = target.rsplit('.', 1)
    return parent[0] if parent else '', name


def replace_node_module(node: oneflow.fx.Node, modules: Dict[str, Any], new_module: oneflow.nn.Module):
    assert(isinstance(node.target, str))
    parent_name, name = _parent_name(node.target)
    setattr(modules[parent_name], name, new_module)


# 定義對模型進行融合操作的過程
def fuse(model: oneflow.nn.Module) -> oneflow.nn.Module:
    model = copy.deepcopy(model)
    # 先通過fx.symbolic_trace獲取一個GraphModule
    fx_model: oneflow.fx.GraphModule = oneflow.fx.symbolic_trace(model)
    modules = dict(fx_model.named_modules())


    # 遍歷GraphModule中的所有節(jié)點，分別進行操作
    for node in fx_model.graph.nodes:
        # 跳過所有不是module的節(jié)點
        if node.op != 'call_module':
            continue
        # 檢測到conv+bn的結(jié)構(gòu)后進行融合操作
        if type(modules[node.target]) is nn.BatchNorm2d and type(modules[node.args[0].target]) is nn.Conv2d:
            # conv的輸出同時被其它節(jié)點使用，即conv后連接兩個節(jié)點時無法融合
            if len(node.args[0].users) > 1:
                continue
            conv = modules[node.args[0].target]
            bn = modules[node.target]
            fused_conv = fuse_conv_bn_eval(conv, bn)
            replace_node_module(node.args[0], modules, fused_conv)
            # 對圖中的邊進行置換，對于用到bn輸出的節(jié)點，要更改它們的輸入
            node.replace_all_uses_with(node.args[0])
            # 移除舊的節(jié)點
            fx_model.graph.erase_node(node)
    fx_model.graph.lint()
    # 重新建圖（構(gòu)造模型）
    fx_model.recompile()
    return fx_model




if __name__ == '__main__':
    # 以下引入flowvision中的resnet 18模型，并進行融合前后的benchmark比較
    import flowvision.models as models
    import time


    rn18 = models.resnet18().cuda()
    rn18.eval()


    inp = oneflow.randn(10, 3, 224, 224).cuda()
    output = rn18(inp)


    def benchmark(model, iters=20):
        for _ in range(10):
            model(inp)
        oneflow.cuda.synchronize()
        begin = time.time()
        for _ in range(iters):
            model(inp)
        return str(time.time()-begin)


    fused_rn18 = fuse(rn18)
    unfused_time = benchmark(rn18)
    fused_time = benchmark(fused_rn18)
    print("Unfused time: ", benchmark(rn18))
    print("Fused time: ", benchmark(fused_rn18))
    assert unfused_time > fused_time

?

6

未來計劃

基于fx進行8bit量化感知訓練和部署

基于fx進行算子融合

eager模式下基于fx獲得模型更精確的FLOPs和MACs結(jié)果

審核編輯：劉清