【tvm解析】 Operator Strategy 机制

本文地址：https://www.cnblogs.com/wanger-sjtu/p/15082871.html

Relay Operator Strategy是建立Relay IR与TOPI算子库的桥梁，通过Relay Operator Strategy，每个Relay IR至少与一个compute和一个schedule注册关联起来。至少一个原因在于，一个算子在不同后端设备上有不同的实现，而且一个算子可能有多种计算算法，适应不同场景。

在增加relay IR 的教程里面注册算子的compute、schedule中，就是通过OpStrategy关联算子的compute与schedule

@override_native_generic_func("cumsum_strategy")

def cumsum_strategy(attrs, inputs, out_type, target):

    """cumsum generic strategy"""

    strategy = _op.OpStrategy()

    strategy.add_implementation(

        wrap_compute_scanop(topi.cumsum), #上面写的compute

        wrap_topi_schedule(topi.generic.schedule_extern),

        name="cumsum.generic",

    )

    return strategy

Operator Strategy Design

OpStrategy的核心为OpImplementation，包含了一组compute及对应的schedule，不同实现的名字，选择优先级（参见下文的选择策略）。

OpStrategy中包含一系列的OpSpecialization，每个OpSpecialization包含一组SpecializedCondition（参考include/tvm/te/schedule.h）. 如果SpecializedCondition为空（null），表示是一个通用的实现，反之则是对于特定情形优化的。SpecializedCondition包含了这一算子的多个TE实现，以及实现被调用的条件。

最后一点，对给定的workload，一个strategy 函数或者FTVMStrategy,决定了使用哪个compute和schedule，因此这部分需要与relay算子对应起来。

FTVMStrategy 实现位置在include/tvm/target/generic_func.h,是一个通用函数，对于给定硬件平台可以重写。函数签名是

OpStrategy(const Attrs& attrs, const Array<Tensor>& inputs, const Type& out_type, const Target& target)

对给定算子属性信息、输入、输出类型以及平台设备，这个函数返回相应的OpStrategy.

手写一个 Strategy 函数

tvm 推荐在python侧来写Strategy 函数，在python侧提供了OpStrategy类，其中包含一个add_implementation方法。

@tvm._ffi.register_object("relay.OpStrategy")

class OpStrategy(Object):

    """Operator strategy"""

    def __init__(self):

        self.__init_handle_by_constructor__(_make.OpStrategy)

    def add_implementation(self, compute, schedule, name="default", plevel=10):

        _OpStrategyAddImplementation(self, compute, schedule, name, plevel)

后面以topk的算子为例，介绍了如何手写 Strategy 函数

# 通用的

# add to python/tvm/relay/op/strategy/generic.py

@override_native_generic_func("topk_strategy")

def topk_strategy(attrs, inputs, out_type, target):

    strategy = _op.OpStrategy()

    strategy.add_implementation(

        wrap_compute_topk(topi.topk),

        wrap_topi_schedule(topi.generic.schedule_topk),

        name="topk.generic")

    return strategy

# 针对GPU CUDA的

# add to each target file in python/tvm/relay/op/strategy, e.g., x86.py, cuda.py, etc.

@topk_strategy.register(["cuda", "gpu"])

def topk_strategy_cuda(attrs, inputs, out_type, target):

    strategy = _op.OpStrategy()

    strategy.add_implementation(

        wrap_compute_my_new_op(topi.cuda.topk),

        wrap_topi_schedule(topi.cuda.schedule_topk),

        name="topk.cuda")

    return strategy

为了满足Strategy 函数对于函数签名的要求（see FTVMCompute and FTVMSchedule in include/tvm/relay/op_attr_types.h），这里对topk的compute和schedule做了一层封装。由于算子属性不同，通常需要算子开发者自己写这部分的封装函数。

上面的例子比较简单，对于一个设备平台只有一个实现，但对一些其他的复杂算子来说，需要针对不同的算法来写相应的schedule，以卷积算子为例，可以直接写滑窗来计算，也可以使用winograd算法计算。这种情况下有多个implementation：

strategy.add_implementation(

    wrap_compute_conv2d(topi.cuda.conv2d_nchw),

    wrap_topi_schedule(topi.cuda.schedule_conv2d_nchw),

    name="conv2d_nchw.cuda",

    plevel=10)

if winograd_condition:

    strategy.add_implementation(

        wrap_compute_conv2d(topi.cuda.conv2d_nchw_winograd),

        wrap_topi_schedule(topi.cuda.schedule_conv2d_nchw_winograd),

        name="conv2d_nchw_winograd.cuda",

        plevel=15)

可以看到这两个是优先级不同，在满足winograd算法的情况下，会优先选择winograd算法。这样也可以新增条件，新增implentation。

同样也可以对不同shape设置不同的优先级策略。下面的例子就是在m > 16时，有额外的计算策略：

def dense_strategy(attrs, inputs, out_type, target):

  m = inputs[0].shape[0]

  strategy = _op.OpStrategy()

  strategy.add_implementation(

    wrap_compute_dense(dense_compute1),

    wrap_topi_schedule(dense_schedule1),

    name="dense_common")

  with tvm.te.SpecializedCondition(m > 16):

    strategy.add_implementation(

        wrap_compute_dense(dense_compute2),

        wrap_topi_schedule(dense_schedule2),

        name="dense_for_large_m",

        plevel=15)

  return strategy

将算子 Strategy 绑定到算子

定义了算子strategy函数以后，需要跟算子绑定在一起。

register_strategy("topk", strategy.topk_strategy)

然而，对于一个算子来说，写它的strategy函数是比较困难的，对简单算子来说，这里提供了两种方案。

第一个:算子是单射的、广播、reduce操作时候，可以通过 register_injective_schedule, register_broadcast_schedule、 register_reduce_schedule，这就避免自己手写schedule了。不过这种方式对于任意后端设备都是通用的。

register_broadcast_schedule("add")

第二种：对于没有明确pattern的算子，可以用register_schedule实现对任意后端的注册。

# 通用兜底的

# add to python/tvm/relay/op/strategy/generic.py

@generic_func

def schedule_pool(attrs, outs, target):

    with target:

        return topi.generic.schedule_pool(outs, attrs.layout)

# 如果特定target的，需要在对应的文件下增加

# add to each target file in python/tvm/relay/op/strategy, e.g., x86.py, cuda.py, etc.

@schedule_pool.register("cpu")

def schedule_pool_cpu(attrs, outs, target):

    ...

register_schedule("nn.max_pool2d", strategy.schedule_pool)

Operator Strategy 选择

一个算子有多个Strategy的时候，选择策略是什么呢？

对于静态shape：首先会根据搜索时候的tune log选择最佳实现，如果tune log中没有或者已有auto TVM模板中有特定的实现，则会根据优先级选择对应的实现。如果多个实现具有相同优先级，选哪个就不确定了。

动态shape场景，则会选择高优先级的情况。

【tvm解析】 Operator Strategy 机制的相关教程结束。