编译自动微分：为 torch.compile 捕获更大的反向图

概述

编译自动求导（Compiled Autograd）是 PyTorch 2.4 中引入的一个 torch.compile 扩展，它能够捕获更大的反向计算图。

虽然 torch.compile 确实会捕获反向计算图，但它是部分捕获的。AOTAutograd 组件会提前捕获反向计算图，但存在一些限制：

• 前向传播中的图断裂会导致反向传播中的图断裂

• 反向钩子未被捕获

编译后的自动梯度（Compiled Autograd）通过直接与自动梯度引擎集成，解决了这些限制，使其能够在运行时捕获完整的反向计算图。具有这两个特性的模型可以尝试使用编译后的自动梯度，并有可能观察到更好的性能。

然而，编译后的自动梯度也引入了自身的限制：

• 在反向传播开始时增加了缓存查找的运行时开销

• 由于捕获范围更大，在 dynamo 中更容易触发重编译和图中断

编译式自动求导功能正在积极开发中，目前尚不完全兼容所有现有的 PyTorch 功能。有关特定功能的最新状态，请参考 编译式自动求导功能主页。

配置

在本教程中，我们将基于这个简单的神经网络模型来进行示例。该模型接收一个10维的输入向量，通过一个线性层进行处理，并输出另一个10维的向量。

importtorch

classModel(torch.nn.Module):
   def__init__(self):
      super().__init__()
      self.linear = torch.nn.Linear(10, 10)

   defforward(self, x):
      return self.linear(x)

基本用法

在调用 torch.compile API 之前，请确保将 torch._dynamo.config.compiled_autograd 设置为 True：

model = Model()
x = torch.randn(10)

torch._dynamo.config.compiled_autograd = True
@torch.compile
deftrain(model, x):
   loss = model(x).sum()
   loss.backward()

train(model, x)

在上面的代码中，我们创建了一个 Model 类的实例，并通过 torch.randn(10) 生成了一个随机的 10 维张量 x。我们定义了训练循环函数 train，并用 @torch.compile 装饰它以优化其执行。当调用 train(model, x) 时：

• Python 解释器调用 Dynamo，因为该调用被 @torch.compile 装饰。

• Dynamo 拦截 Python 字节码，模拟其执行并将操作记录到图中。

• AOTDispatcher 禁用钩子并调用 autograd 引擎来计算 model.linear.weight 和 model.linear.bias 的梯度，并将操作记录到图中。使用 torch.autograd.Function，AOTDispatcher 重写了 train 的前向和反向实现。

• Inductor 生成一个函数，对应于 AOTDispatcher 前向和反向的优化实现。

• Dynamo 设置优化后的函数供 Python 解释器接下来执行。

• Python 解释器执行优化后的函数，该函数执行 loss = model(x).sum()。

• Python 解释器执行 loss.backward()，调用 autograd 引擎，由于我们设置了 torch._dynamo.config.compiled_autograd = True，因此会路由到 Compiled Autograd 引擎。

• Compiled Autograd 计算 model.linear.weight 和 model.linear.bias 的梯度，并将操作记录到图中，包括它遇到的任何钩子。在此过程中，它将记录之前由 AOTDispatcher 重写的反向实现。Compiled Autograd 然后生成一个新函数，该函数对应于 loss.backward() 的完全追踪实现，并在推理模式下使用 torch.compile 执行它。

• 相同的步骤递归地应用于 Compiled Autograd 图，但这次 AOTDispatcher 不需要对图进行分区。

检查已编译的自动求导日志

使用 TORCH_LOGS 环境变量运行脚本：

• 仅打印编译后的 autograd 图，请使用 TORCH_LOGS="compiled_autograd" python example.py

• 要打印包含更多张量元数据和重新编译原因的图（但会牺牲性能），请使用 TORCH_LOGS="compiled_autograd_verbose" python example.py

重新运行上面的代码片段，编译后的自动微分图现在应该会被记录到 stderr 中。某些图节点会带有以 aot0_ 为前缀的名称，这些节点对应于之前在 AOTAutograd 反向图 0 中提前编译的节点。例如，aot0_view_2 对应于 id=0 的 AOT 反向图中的 view_2。

在下图中，红色框包围的是 torch.compile 在没有启用 Compiled Autograd 的情况下捕获的 AOT 反向图。

这是我们将调用 torch.compile 的图，而非优化后的图。Compiled Autograd 本质上会生成一些未优化的 Python 代码来表示整个 C++ autograd 的执行过程。

使用不同的标志编译前向和后向传递

您可以为两次编译使用不同的编译器配置，例如，即使在前向过程中存在图中断，后向过程也可能是一个完整的图。

deftrain(model, x):
    model = torch.compile(model)
    loss = model(x).sum()
    torch._dynamo.config.compiled_autograd = True
    torch.compile(lambda: loss.backward(), fullgraph=True)()

或者您可以使用上下文管理器，它将应用于其作用域内的所有自动求导调用。

deftrain(model, x):
   model = torch.compile(model)
   loss = model(x).sum()
   with torch._dynamo.compiled_autograd.enable(torch.compile(fullgraph=True)):
      loss.backward()

Compiled Autograd 解决了 AOTAutograd 的某些限制

1. 前向传播中的图中断不再必然导致反向传播中的图中断：

@torch.compile(backend="aot_eager")
deffn(x):
   # 1st graph
   temp = x + 10
   torch._dynamo.graph_break()
   # 2nd graph
   temp = temp + 10
   torch._dynamo.graph_break()
   # 3rd graph
   return temp.sum()

x = torch.randn(10, 10, requires_grad=True)
torch._dynamo.utils.counters.clear()
loss = fn(x)

# 1. base torch.compile
loss.backward(retain_graph=True)
assert(torch._dynamo.utils.counters["stats"]["unique_graphs"] == 3)
torch._dynamo.utils.counters.clear()

# 2. torch.compile with compiled autograd
with torch._dynamo.compiled_autograd.enable(torch.compile(backend="aot_eager")):
   loss.backward()

# single graph for the backward
assert(torch._dynamo.utils.counters["stats"]["unique_graphs"] == 1)

在第一个 torch.compile 案例中，由于编译函数 fn 中存在 2 个图中断，我们看到了 3 个反向图被生成。而在第二个使用了编译自动求导的 torch.compile 案例中，尽管存在图中断，我们仍看到了一个完整的反向图被追踪生成。

在追踪由 Compiled Autograd 捕获的反向钩子时，Dynamo 仍有可能出现图中断的情况。

1. 现在可以捕获反向钩子

@torch.compile(backend="aot_eager")
deffn(x):
   return x.sum()

x = torch.randn(10, 10, requires_grad=True)
x.register_hook(lambda grad: grad+10)
loss = fn(x)

with torch._dynamo.compiled_autograd.enable(torch.compile(backend="aot_eager")):
   loss.backward()

图中应该有一个 call_hook 节点，Dynamo 稍后会将其内联为以下内容：

Compiled Autograd 的常见重新编译原因

1. 由于损失值的自动求导结构发生变化：

torch._dynamo.config.compiled_autograd = True
x = torch.randn(10, requires_grad=True)
for op in [torch.add, torch.sub, torch.mul, torch.div]:
   loss = op(x, x).sum()
   torch.compile(lambda: loss.backward(), backend="eager")()

在上面的示例中，我们在每次迭代中调用不同的运算符，导致 loss 每次跟踪不同的 autograd 历史记录。您应该会看到一些重新编译的消息：由于新的 autograd 节点导致缓存未命中。

1. 由于张量形状的变化：

torch._dynamo.config.compiled_autograd = True
for i in [10, 100, 10]:
   x = torch.randn(i, i, requires_grad=True)
   loss = x.sum()
   torch.compile(lambda: loss.backward(), backend="eager")()

在上面的示例中，x 的形状发生了变化，编译后的 autograd 会在第一次变化后将 x 标记为动态形状张量。您应该会看到重新编译的消息：由于形状变化导致的缓存未命中。

结论

在本教程中，我们概述了torch.compile的高级生态系统及其编译自动求导功能，介绍了编译自动求导的基础知识，以及一些常见的重新编译原因。敬请期待我们在dev-discuss上的深入探讨。