Esta página foi traduzida pela API Cloud Translation.

Como usar a compilação antecipada

O que é tfcompile?

O tfcompile é uma ferramenta autônoma que compila gráficos do TensorFlow em código executável antecipadamente (AOT, na sigla em inglês). Isso pode reduzir o tamanho total do binário e também evitar algumas sobrecargas no ambiente de execução. Um caso de uso típico de tfcompile é compilar um gráfico de inferência em um código executável para dispositivos móveis.

O gráfico do TensorFlow normalmente é executado pelo ambiente de execução do TensorFlow. Isso gera uma sobrecarga no ambiente de execução para a execução de cada nó no gráfico. Isso também leva a um tamanho total do binário maior, já que o código do ambiente de execução do TensorFlow precisa estar disponível, além do gráfico em si. O código executável produzido por tfcompile não usa o ambiente de execução do TensorFlow e só tem dependências em kernels que são realmente usados na computação.

O compilador é baseado no framework XLA. O código que vincula o TensorFlow ao framework XLA fica em tensorflow/compiler.

O que o tfcompile faz?

O tfcompile usa um subgráfico, identificado pelos conceitos de feeds e buscas do TensorFlow, e gera uma função que implementa esse subgráfico. feeds são os argumentos de entrada da função e fetches são os argumentos de saída da função. Todas as entradas precisam ser totalmente especificadas pelos feeds. O subgráfico reduzido resultante não pode conter nós de marcador ou de variável. É comum especificar todos os marcadores de posição e variáveis como feeds, o que garante que o subgráfico resultante não contenha mais esses nós. A função gerada é empacotada como um cc_library, com um arquivo principal que exporta a assinatura da função e um arquivo de objeto que contém a implementação. O usuário escreve o código para invocar a função gerada conforme apropriado.

Como usar tfcompile

Esta seção detalha as etapas avançadas para gerar um binário executável com tfcompile de um subgráfico do TensorFlow. Essas etapas são:

Etapa 1: configurar o subgráfico para compilação
Etapa 2: usar a macro de build tf_library para compilar o subgráfico
Etapa 3: escrever o código para invocar o subgráfico
Etapa 4: criar o binário final

Etapa 1: configurar o subgráfico para compilação

Identifique os feeds e as buscas que correspondem aos argumentos de entrada e saída para a função gerada. Em seguida, configure feeds e fetches em um .proto tensorflow.tf2xla.Config.

# 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" }
}

Etapa 2: usar a macro de build tf_library para compilar o subgráfico

Esta etapa converte o gráfico em um cc_library usando a macro de build tf_library. O cc_library consiste em um arquivo de objeto que contém o código gerado do gráfico, com um arquivo principal que fornece acesso ao código gerado. tf_library usa tfcompile para compilar o gráfico do TensorFlow em código executável.

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 gerar o proto do GraphDef (test_graph_tfmatmul.pb) deste exemplo, execute make_test_graphs.py e especifique o local da saída com a flag --out_dir.

Os gráficos comuns contêm Variables que representa os pesos aprendidos por treinamento, mas tfcompile não pode compilar um subgráfico que contenha Variables. A ferramenta freeze_graph.py converte as variáveis em constantes usando valores armazenados em um arquivo de checkpoint. Por conveniência, a macro tf_library é compatível com o argumento freeze_checkpoint, que executa a ferramenta. Para mais exemplos, consulte tensorflow/compiler/aot/tests/BUILD.

As constantes que aparecem no subgráfico compilado são compiladas diretamente no código gerado. Para transmitir as constantes para a função gerada, em vez de elas serem compiladas, basta transmiti-las como feeds.

Para detalhes sobre a macro de build tf_library, consulte tfcompile.bzl (em inglês).

Para detalhes sobre a ferramenta tfcompile subjacente, consulte tfcompile_main.cc.

Etapa 3: escrever o código para invocar o subgráfico

Esta etapa usa o arquivo principal (test_graph_tfmatmul.h) gerado pela macro de build tf_library na etapa anterior para invocar o código gerado. O arquivo de cabeçalho está localizado no diretório bazel-bin correspondente ao pacote de build e é nomeado com base no atributo de nome definido na macro de build tf_library. Por exemplo, o cabeçalho gerado para test_graph_tfmatmul seria test_graph_tfmatmul.h. Confira abaixo uma versão resumida do que é gerado. O arquivo gerado, em bazel-bin, contém outros comentários úteis.

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

A classe C++ gerada é chamada de MatMulComp no namespace foo::bar, porque esse foi o cpp_class especificado na macro tf_library. Todas as classes geradas têm uma API semelhante, com a única diferença sendo os métodos para processar buffers de argumento e resultado. Esses métodos diferem com base no número e nos tipos de buffers, que foram especificados pelos argumentos feed e fetch para a macro tf_library.

Há três tipos de buffers gerenciados na classe gerada: args representando as entradas, results representando as saídas e temps representando os buffers temporários usados internamente para executar o cálculo. Por padrão, cada instância da classe gerada aloca e gerencia todos esses buffers para você. O argumento do construtor AllocMode pode ser usado para mudar esse comportamento. Todos os buffers estão alinhados a limites de 64 bytes.

A classe C++ gerada é apenas um wrapper em torno do código de baixo nível gerado pelo XLA.

Exemplo de invocação da função gerada com base em tfcompile_test.cc:

#define EIGEN_USE_THREADS
#define EIGEN_USE_CUSTOM_THREAD_POOL

#include <iostream>
#include "third_party/eigen3/unsupported/Eigen/CXX11/Tensor"
#include "third_party/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;
}

Etapa 4: criar o binário final

Esta etapa combina a biblioteca gerada por tf_library na etapa 2 e o código escrito na etapa 3 para criar um binário final. Veja abaixo um exemplo de arquivo BUILD 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",
    ]
)