6.4 KiB
图引擎模块(GE)由C++实现，位于前端模块MindSpore/Tensorflow和底层硬件之间，起到承接作用。图引擎模块以ME/TF下发的图作为输入，然后进行一系列的深度图优化操作，最后输出一张可以在底层硬件上高效运行的图。GE针对昇腾AI处理器的硬件结构特点，做了特定的优化工作，以此来充分发挥出昇腾AI处理器的强大算力。在进行模型训练/推理时，GE会被自动调用而用户并不感知。GE主要由GE API和GE Core两部分组成，详细的架构图如下所示。
-
GE API
GE API是连接前端模块ME/TF和GE Core的接口，负责GE Core中初始化、Session管理模块的接口，支持运行环境初始化，Session创建、销毁，图添加执行。
-
GE Core
GE Core是GE的核心模块，负责整个训练过程中的图管理。GE Core中的图处理可细分为六大步骤，分别是图准备、图拆分、图优化、图编译、图加载和图执行，对于ME下发的每一张图都会经过这六个步骤的操作，最终得到可以直接在底层硬件上高效执行的图。
-
图准备 & 整图优化
完成整图级别的数据准备和优化，涉及到IR库及算子库。使用IR库中算子的InferShape函数，完成整图的Shape推导，以便后续申请内存；同时根据算子的聚合属性，完成某些算子的聚合优化，如allreduce算子，会按照聚合参数，将若干各参数对应梯度的allreduce算子聚合为一个，以此减少通讯耗时。
-
图拆分
昇腾AI处理器是一种异构芯片，含有CPU(AICPU)和向量计算部件AICORE，图中每个算子会按照开销模型选择执行的核心，此阶段会对算子进行最优的核心分配，每种核心对应软件上的一个抽象引擎；按照之前对各算子的引擎分配，以引擎为边界，将整图拆分为若干子图，在图边界算子上插入相应的Placeholder算子以做标识，之后的优化、编译、加载操作均会以子图为单位进行，这样可以有效减少优化过程的耗时。
-
子图优化
根据子图所属引擎，调用不同的优化器接口执行优化。为了充分发挥昇腾AI处理器中AICORE模块的算力，在AICORE内CUBE单元进行计算的算子会采用一种5D的数据格式，图优化阶段会对相应算子进行4D/5D的类型转换；为了进一步发挥CUBE单元的算力，减少数据搬运次数，GE会对某种范式的算子连接进行融合操作，此步骤也在图优化阶段进行；对所有子图优化之后，需进行算子运行属性计算，以计算输入输出内存大小。
-
图编译 & 图加载
GE采用即时算子编译技术，即按照实际网络结构即时编译生成算子可执行程序，同时完成内存复用与内存分配、流分配、算子可执行程序加载等。每个算子执行任务绑定到特定的流上，同一个流的任务是串行执行的，不同流上的任务可以并行执行。图加载阶段按照引擎归属的runtime，将子图加载到硬件上准备执行。
-
图执行
最终在硬件上执行子图，并返回相应的输出值。为了提高运行效率，图执行阶段提供了一种下沉模式，可以在底层硬件上连续运行多轮再返回输出值，以此减少从底层硬件拷贝数据的次数。
-
在训练/推理过程中，上述过程会自动执行，通过上述图操作，GE可以将前端下发的图转换为一种可以在昇腾AI处理器上高效运行的图模式。
安装说明
安装GE
GE内嵌在MindSpore/Ascend安装包中，MindSpore/Ascend安装完毕后，GE以动态库的方式被调用。
源码安装
GE也支持由源码编译，进行源码编译前，首先确保你有昇腾910 AI处理器的环境（可通过昇腾开发者社区获取），同时系统满足以下要求：
- GCC >= 7.3.0
- CMake >= 3.14.0
- Autoconf >= 2.64
- Libtool >= 2.4.6
- Automake >= 1.15.1
编译完成后会生成几个动态库，他们会链接到MindSpore/Ascend中执行，无法单独运行。
-
下载GE源码。
GE源码托管在码云平台，可由此下载。
git clone https://gitee.com/mindspore/graphengine.git cd graphengine -
在GE根目录下执行下列命令即可进行编译。
bash build.sh- 开始编译之前，请确保正确设置相关的环境变量。
- 在
build.sh的脚本中，会进行git clone操作，请确保网络连接正常且git配置正确。 - 在
build.sh的脚本中，默认会8线程编译，如果机器性能较差，可能会编译失败。可以通过-j{线程数}来控制线程数，如bash build.sh –j4。
-
完成编译后，相应的动态库文件会生成在output文件夹中。
更多指令帮助，可以使用：
bash build.sh –h
如果想清除历史编译记录，可以如下操作：
rm -rf build/ output/
bash build.sh
社区
- MindSpore Slack - 可以提问和找答案。
贡献
欢迎参与贡献，更多信息详见Contributor Wiki。
路标
以下将展示graphengine近期的计划，我们会根据用户的反馈诉求，持续调整计划的优先级。
总体而言，我们会努力在以下几个方面不断改进。
1、完备性：Cast/ConcatV2算子支持输入数据类型为int64的常量折叠；
2、完备性：onnx parser支持一对多映射；
3、架构优化：ATC解耦并迁移至parser；
4、易用性：提供tensorflow训练的checkpoint文件转pb文件的一键式转化工具；
5、易用性：提供一键式本地编译环境构建工具；
6、可维测：ATC转换生成的om模型包含框架信息、cann版本信息和芯片信息等；
热忱希望各位在用户社区加入讨论，并贡献您的建议。
Release Notes
Release Notes请参考RELEASE.