TorchScript 解读（四）：Torch jit 中的别名分析

TorchScript 系列继续更新啦，让大家久等啦。在之前的学习中，我们已经掌握了 torch jit 的一些基本概念、学会了如何将一个使用 python 编写的模型转换为 torchscript 以及 ONNX；并且已经可以使用一些易用的工具生成 pass，对模型进行优化啦。

OpenMMLab：TorchScript 解读（一）：初识 TorchScript99 赞同 · 11 评论文章正在上传…重新上传取消

OpenMMLab：TorchScript 解读（二）：Torch jit tracer 实现解析44 赞同 · 2 评论文章正在上传…重新上传取消

OpenMMLab：TorchScript 解读（三）：jit 中的 subgraph rewriter28 赞同 · 0 评论文章正在上传…重新上传取消

有些读者更是可以写一些更复杂、功能更强大的 pass 以满足优化需求，但是更复杂的代码也就意味着更多的潜在风险，比如 Data Hazards。而别名分析就是一个帮助我们回避一些风险、写出更安全 pass 的工具，今天我们带大家一起来认识一下。

什么是别名分析

Torch jit 中内置了非常多的 pass 以帮助我们完成各式各样的优化，用户也可以定义自己的 pass 来实现特定的目的。这种灵活性给我们优化模型带来了便利，但是它也不是没有限制的。以下面的代码和对应的可视化图片为例：


def forward(self, x, y): 
    x = x + 1 
    x.add_(x) 
    return x + y 
 
# graph(%self : __torch__.TestModel, 
#       %x.1 : Tensor, 
#       %y.1 : Tensor): 
#   %4 : int = prim::Constant[value=1]() # create_model.py:19:16 
#   %x0.1 : Tensor = aten::add(%x.1, %4, %4) # create_model.py:19:12 
#   %8 : Tensor = aten::add_(%x0.1, %x0.1, %4) # create_model.py:20:8 
#   %11 : Tensor = aten::add(%x0.1, %y.1, %4) # create_model.py:21:15 
#   return (%11)

神经网络会构成一个计算图 Graph，原则上一个 Graph 中的 Node 如果不能通过任何路径到达输出节点，那么这就是一个无用的节点，可以被优化（删除）掉。比如上图中的 add_ 节点。这种优化通常被称为死代码消除（DeadCodeElimination）。通过代码可知，add_ 节点是一个 inplace 运算，会更新 x 的值，如果删除它会造成错误的计算结果。

从上面代码中的第 11 行可以看到，add_ 的输出为 %8，如果我们知道 %8 实际与它的输入 %x0.1 共享同样的内存空间，那么我们就会避免去删除这个节点，保证优化的正确性。这就是别名分析（AliasAnalysis）的作用。

我们可以用下面的代码来验证下：


#include <torch/csrc/jit/ir/alias_analysis.h> 
#include <torch/script.h> 
 
int main(int argc, char* argv[]) { 
  auto model = torch::jit::load(argv[1]);                // 读取模型 
  auto graph = model.get_method("forward").graph();      // 提取计算图 
  torch::jit::AliasDb aliasdb(graph);                    // 创建AliasDb对象 
  aliasdb.dump();                                        // 可视化分析结果 
  return 0; 
}

这个程序使用 PyTorch 提供的别名分析工具 AliasDb 对输入的模型的 forward 函数的 Graph 进行分析，并且可视化分析结果。我们输入刚才的模型，结果如下：


===1. GRAPH=== 
graph(%self : __torch__.TestModel, 
      %x.1 : Tensor, 
      %y.1 : Tensor): 
  %4 : int = prim::Constant[value=1]() # create_model.py:19:16 
  %x0.1 : Tensor = aten::add(%x.1, %4, %4) # create_model.py:19:12 
  %8 : Tensor = aten::add_(%x0.1, %x0.1, %4) # create_model.py:20:8 
  %11 : Tensor = aten::add(%x0.1, %y.1, %4) # create_model.py:21:15 
  return (%11) 
 
===2. ALIAS DB=== 
%x.1 points to: WILDCARD for type Tensor 
%y.1 points to: WILDCARD for type Tensor 
%8 points to: %x0.1 
%self points to: WILDCARD for type __torch__.TestModel 
 
===3. Writes=== 
%8 : Tensor = aten::add_(%x0.1, %x0.1, %4) # create_model.py:20:8 
  %x0.1,

可以看到在 ALIAS DB 下有这么一条： %8 points to: %x0.1。通过这个工具就可以知道，%8 实际引用了 %x0.1 的值，而 %x0.1 参与了网络输出的计算，因此 %8 的计算不应该被删除。

AliasDb

AliasDb 是 PyTorch 提供的别名分析工具，在 AliasDb 的帮助下，我们可以分析计算图中各个数据节点的关系，以避免潜在的错误优化。

MemoryDAG

MemoryDAG 是存储图对象，AliasDb 使用它维护数据间的依赖关系。根据源码 https://github.com/pytorch/pytorch/blob/master/torch/csrc/jit/ir/alias_analysis.h 。AliasDb 接收一个计算图 Graph，然后创建一个存储图 MemoryDAG。这个 MemoryDAG 与 Graph 存在对应关系，如下表所示：

	Graph	MemoryDAG
图	Graph 对象维护计算图结构，描述计算时的数据流向	MemoryDAG 对象维护存储图结构，描述各元素之间的引用（指向）关系
节点	Node 表示每个独立的计算，输入输出为 Value 对象	Element 表示一个（或多个） Value 对象的数据存储信息，包括他们是否引用其他 Element
边	Use 对象表示 Value 的会被哪些 Node 所使用	MemoryLocations 对象表示 Element 有可能会引用哪些其他 Element

这里有几点需要注意：

Element 不仅可能指向 Value，也有可能是容器类或通配符等等。
Element 与 Value 未必是一一对应的关系，比如一个分支结构 if condition: val=A else: val=B 让 Element 可能指向 A 与 B 中任意一个。
基于上面的原因，MemoryLocations 指向的 Element 也只代表一种可能性。

AliasDb 在接收到一个 Graph 时，会根据各个 Node 的 FunctionSchema 中提供的信息，搭建对应的 MemoryDAG 对象，方便后续的分析。

如果不记得 FunctionSchema 是什么，可以复习一下 Torch jit tracer 实现解析中的基础知识

view 的 FunctionSchema 如下：

view(Tensor(a) self, int[] size) -> Tensor(a)

可以看到第一个参数 self 以及输出中都有一个标记 (a) ，代表输出可能是参数 self 的一个别名。

下面是表示一个计算图 Graph 的代码，以及对应的存储图 MemoryDAG 的可视化图片：


@torch.jit.script 
def foo(a : Tensor, b : Tensor): 
  c = 2 * b 
  a += 1 
  if a.max() > 4: 
    r = a[0] 
  else: 
    r = b[0] 
  return c, r

用 AliasDb 可以很轻松地查询一个 Node 会读或写哪些除了输出以外的 Value，如下面的代码所示。这点特别重要，关系到我们之后如何解决数据风险问题（data hazards）。


===3. Writes=== 
%8 : Tensor = aten::add_(%x0.1, %x0.1, %4) # create_model.py:20:8 
  %x0.1,

有很多运算都有可能产出别名，比如对下面代码 1 使用 AliasDb，会发现如代码 2 中所示的一些别名关系。

def forward(self, x, y): # 输入
x = x + 1
x.add_(x) # inplace运算
y = y[0] # slice或select
z = [x, y] # 容器类
w = torch.cat(z)
return w

代码1

===2. ALIAS DB===
%x.1 points to: WILDCARD for type Tensor
%8 points to: %x0.1
%z.1 contains: %x0.1%y0.1,
%y.1 points to: WILDCARD for type Tensor
%self points to: WILDCARD for type __torch__.TestModel
%y0.1 points to: %y.1

代码2

可以看见，图的输入、inplace 的运算、slice 还有对容器类的使用都会创造别名关系，也不是只有 Tensor 可能存在别名关系，上例中的 z 是一个 list ，它也在 AliasDb 的记录中。那么到底哪些类型会被 AliasDb 所关注呢？

mutable 与通配符集

AliasDb 引入了可修改类型（mutable）与不可修改类型（immutable）的概念。前者指那些内部值可以发生改变的数据类型，比如 Tensor、List 等，可以通过 inplace 运算或 append 等操作在不创建新对象的情况下编辑原来对象的类型。而那些像 int、string 之类的类型则是 immutable 的，AliasDb 可以简单跳过不分析这部分。

Tuple 类型比较特殊，如果内部元素都是 immutable 类型，比如 Tuple[int] ，那么它也是 immutable 类型；如果内部存在 mutable 类型，比如 Tuple[Tensor] ，那么它也会变成 mutable 类型。显然，mutable 类型的 Value 越少，优化成功的可能性越大。

在 mutable 类型的对象中，部分会指向 WILDCARD for type xxx，以下面代码为例：


%x.1 points to: WILDCARD for type Tensor 
%y.1 points to: WILDCARD for type Tensor 
%self points to: WILDCARD for type __torch__.TestModel

这种对象被称为通配符集（wildcardSet），它的含义是“无法判断该值的别名关系”。比如上面代码中，x 和 y 来自外部的输入，仅凭借分析 Graph 是无法确定他们是否共享存储资源的。如果一个对象被标记为指向通配符集，那么很多牵涉到它的优化都应该避免，以防发生错误。

Data Hazards

有了上面的知识后，我们就可以写一些更安全的 pass 了，在写 pass 的过程中，最经常使用到 AliasDb 的地方就是解决数据风险问题（DataHazards）。

举个例子：比如我们希望将某个 Node A 插入到 Node B 之前，如果 B 会修改可变类型参数 x 的值，并且 A 要读 x 修改后的值的话，这种插入就有可能造成错误。如下面的代码所示：


# 原图，对B的写在对A的读之前 
graph(...):  
    ... 
    B: write(x) 
    ... 
    A: read(x) 
    ... 
 
=>    # 不合法的转换！A会读取到错误的值！ 
graph(...): 
    ...  
    A: read(x) 
    B: write(x)  
    ...

确定这一类读取顺序改变是否合法需要知道 Node 间读写的数据空间是否存在重叠。 AliasDb 中提供了 getReads 和 getWrites 函数，传入 Node 作为参数，返回一个 MemoryLocations 对象，表示该 Node 会读/写哪些 mutable 变量，如果对上面的 A 和 B 分别调用 getReads 和 getWrites，就会发现他们之间的 MemoryLocations 存在重叠（intersects），不应该进行这种交换。如下面代码所示：


auto loc_a = alias_db.getReads(A); 
auto loc_b = alias_db.getWrites(B); 
bool valid = !loc_a.intersects(loc_b);

AliasDb 中提供了函数 moveAfterTopologicallyValid 以及 moveBeforeTopologicallyValid 来帮助我们更轻松地完成这个任务。这个任务在移动前会进行检查，如果发现这个移动是合法的才会进行移动。这里我们首先要介绍一个工作集（WorkingSet）的概念。

一个 WorkingSet 是一个 Node 的集合，集合中任意一个 Node 满足：

要么与集合中至少一个其他 Node 在 Graph 中有直接连接。
要么与集合中至少一个其他 Node 存在读写 MemoryLocations 的 intersects（必须是一个读一个写）。

如果一个集合外的 Node 与 WorkingSet 满足上述关系之一，那么我们称该 Node “依赖于” （dependOn）该 WorkingSet。

WorkingSet 可以协助我们进行合法性检查，考虑 moveAfter 的例子：

假设我们要将 toMove 移动到紧贴着 movePoint 之前，那么存在两种情况：

toMove 在 movePoint 之后
toMove 在 movePoint 之前

首先我们需要构造一个 WorkingSet，然后将 toMove 插入该 WorkingSet，再遍历所有 toMove到 movePoint （不包括 movePoint ）之间的节点 n，如果 n 依赖于该 WorkingSet，那么就把它插入进来。

如果是情况 1 ，直接根据下面注释中的方式进行移动：


//  `movePoint`           <dependencies>   | 
//  <dependencies>  ->    `toMove`         | `toMove` 和依赖一起移动 
//  `toMove`              `movePoint`      |

如果是情况 2，也就是toMove 在 movePoint 之前，那么最后要将 toMove 从这个 WorkingSet 中移除。在移除前，要对这个 WorkingSet 进行合法性检查：

如果 movePoint 依赖于该 WorkingSet
如果该 WorkingSet 中（包括 toMove）任意节点存在副作用，比如 inplace 运算

如果存在以上两种情况中的任意一种，那么就认为这次移动不合法，移动不会被执行。

合法性检查通过后，就会根据下面注释中的方式进行移动：


//  `toMove`            `toMove`         | 
//  <dependencies>  ->  `movePoint`      | `toMove` 和依赖被分开 
//  `movePoint`         <dependencies>   |

参与移动的包括 WorkingSet 中所有的 Node。这样的移动是安全的，不会导致读写冲突。

上面介绍的内容被封装在下面的函数中，可以根据返回值判断 move 是否合法：


bool success = moveBeforeTopologicallyValid(A, B); 
// 如果 move 合法则进行move，返回true。否则不进行任何操作，返回false。

总结

Jit pass 的灵活性给模型优化带来便利的同时也引入了一些风险，而别名分析工具 AliasDb 则是解决这些风险的利器之一。AliasDb 使用 MemoryDAG 管理内存，区分可变与不可变数据类型，帮助我们规避数据风险。结合前两章的知识，大家应该已经对 jit 模型的生成与优化有了一个初步认识。未来我们将会从实际例子出发，介绍 MMDeploy 如何使用这些工具进行模型的优化，敬请期待。

https://github.com/open-mmlab/mmdeploygithub.com/open-mmlab/mmdeploy

相关阅读:
机器学习算法系列————决策树（二）
THREE--demo10（地球坐标）
云计算——ACA学习云计算架构
 【Vue】模板语法，插值、指令、过滤器、计算属性及监听属性（内含面试题及毕设等实用案例）上篇
 我用PYQT5做的第一个实用的上位机项目（六）
jdk 管理工具比对 jEnv jabba SDKMAN
swagger stub https无法访问
 STM32CUBEIDE（11）----输出PWM及修改PWM频率与占空比
 软体机器人空间感知技术综述
 面向对象基础（二）
原文地址：https://blog.csdn.net/qq_39967751/article/details/125634915