TVM Graph JSON 简介

TVM Graph JSON 简介#

导航

解读 TVM 通过 tvm/src/relay/backend/graph_executor_codegen.cc 编译（tvm.relay.build() 或者 vta.build()）生成的库 lib 保存的计算图信息 lib.graph_json。

lib.graph_json 包含信息如下：

nodes

节点是占位符或可计算节点。nodes 存储为列表。节点包含以下信息：

op：运算类型， null 意味着它是占位符/变量/输入节点，tvm_op 意味着这个节点可以被执行
name：节点名字
inputs：此运算的 inputs 位置，inputs 是包含 (nodeid, index, version) 的元组列表。(可选)
attrs：包含以下信息的节点属性
- flatten_data：是否需要在执行前将数据扁平化（flattened）
- func_name：融合函数名，对应于 Relay 编译过程生成的库中的符号。
- num_inputs：此节点的 inputs 个数
- num_outputs：此节点产生的 outputs 个数

arg_nodes

参数节点的索引列表，它是计算图的占位符/变量/输入节点或 constant/param。

heads

此运算的输出节点的位置列表。

node_row_ptr

存储 forward 路径的历史，所以推断任务中可以跳过某些算子来构建子图。

attrs

可以包含版本号或类似的有用信息。

storage_id：存储布局中每个节点的内存 slot id。将参数名称映射到一对 ({storage_id: tvm.runtime.NDArray})。在运行时，可以使用 storage_id 查找参数。
dtype：每个节点的数据类型 (enum 值)。
dltype：每个节点的数据类型按顺序排列。
shape：每个节点的形状 k 阶。
device_index：按顺序为每个节点分配设备。

下面以向量加法为例说明：

import tvm
from tvm import relay

type_annotation = relay.TensorType(shape=(5, 5),
                                   dtype="float32")

def add(a, b):
    add_op = a + b
    return relay.Function([a, b],
                          add_op,
                          ret_type=type_annotation,
                          type_params=None)


a, b = [relay.var(name, type_annotation) for name in "ab"]
mod = tvm.IRModule.from_expr(add(a, b))
rt_lib = relay.build(mod, target="llvm")

rt_lib.graph_json 存储为字符串：

type(rt_lib.graph_json)

str

查看构建的计算图：

print(rt_lib.ir_mod)

def @main(%a: Tensor[(5, 5), float32], %b: Tensor[(5, 5), float32]) -> Tensor[(5, 5), float32] {
  add(%a, %b)
}

查看函数元数据：

print(rt_lib.function_metadata)

{"tvmgen_default_fused_add": FunctionInfoNode(
workspace_sizes={llvm -keys=cpu : 0},
  io_sizes={llvm -keys=cpu : 100},
  constant_sizes={llvm -keys=cpu : 0},
  tir_primfuncs={llvm -keys=cpu : PrimFunc([p0, p1, T_add]) attrs={"from_legacy_te_schedule": (bool)1, "global_symbol": "tvmgen_default_fused_add", "tir.noalias": (bool)1, "hash": "f01462d5c0c6f96c"} {
  parallel (ax0, 0, 5) {
    let cse_var_1 = (ax0*5)
    T_add[ramp(cse_var_1, 1, 5)] = (p0[ramp(cse_var_1, 1, 5)] + p1[ramp(cse_var_1, 1, 5)])
  }
}
},
  relay_primfuncs={llvm -keys=cpu : fn (%p0: Tensor[(5, 5), float32] /* ty=Tensor[(5, 5), float32] */, %p1: Tensor[(5, 5), float32] /* ty=Tensor[(5, 5), float32] */, hash="f01462d5c0c6f96c", prim_funcs={'tvmgen_default_fused_add'=meta[tir.PrimFunc][0]}, target=meta[Target][0], Primitive=1, prim_fn_var='tvmgen_default_fused_add') -> Tensor[(5, 5), float32] {
  add(%p0, %p1) /* ty=Tensor[(5, 5), float32] */
} /* ty=fn (Tensor[(5, 5), float32], Tensor[(5, 5), float32]) -> Tensor[(5, 5), float32] */
}), "__tvm_main__": FunctionInfoNode(
workspace_sizes={llvm -keys=cpu : 0},
  io_sizes={llvm -keys=cpu : 300},
  constant_sizes={llvm -keys=cpu : 0},
  tir_primfuncs={},
  relay_primfuncs={llvm -keys=cpu : fn (%a {virtual_device=VirtualDevice(device_type=1, virtual_device_id=0, target=Target(id=35b3aa0, kind='llvm', keys={'cpu'}, host=Target(id=35b3990, kind='llvm', keys={'cpu'})))}: Tensor[(5, 5), float32] /* ty=Tensor[(5, 5), float32] */, %b {virtual_device=VirtualDevice(device_type=1, virtual_device_id=0, target=Target(id=35b3aa0, kind='llvm', keys={'cpu'}, host=Target(id=35b3990, kind='llvm', keys={'cpu'})))}: Tensor[(5, 5), float32] /* ty=Tensor[(5, 5), float32] */, executor=meta[Executor][0], runtime=meta[Runtime][0], hash="4fcdf772a04eb1ba", virtual_device=VirtualDevice(device_type=1, virtual_device_id=0, target=Target(id=35b3aa0, kind='llvm', keys={'cpu'}, host=Target(id=35b3990, kind='llvm', keys={'cpu'})))) -> Tensor[(5, 5), float32] {
  %0 = fn (%p0: Tensor[(5, 5), float32] /* ty=Tensor[(5, 5), float32] */, %p1: Tensor[(5, 5), float32] /* ty=Tensor[(5, 5), float32] */, Primitive=1, hash="f01462d5c0c6f96c") -> Tensor[(5, 5), float32] {
    add(%p0, %p1) /* ty=Tensor[(5, 5), float32] */
  } /* ty=fn (Tensor[(5, 5), float32], Tensor[(5, 5), float32]) -> Tensor[(5, 5), float32] */;
  %0(%a, %b) /* ty=Tensor[(5, 5), float32] */
} /* ty=fn (Tensor[(5, 5), float32], Tensor[(5, 5), float32]) -> Tensor[(5, 5), float32] */
})}

使用 toml 查看可读性更好：

import toml

print(toml.dumps(eval(rt_lib.graph_json)))

arg_nodes = [ 0, 1,]
heads = [ [ 2, 0, 0,],]
node_row_ptr = [ 0, 1, 2, 3,]
[[nodes]]
op = "null"
name = "a"
inputs = []

[[nodes]]
op = "null"
name = "b"
inputs = []

[[nodes]]
op = "tvm_op"
name = "tvmgen_default_fused_add"
inputs = [ [ 0, 0, 0,], [ 1, 0, 0,],]

[nodes.attrs]
num_outputs = "1"
num_inputs = "2"
flatten_data = "0"
func_name = "tvmgen_default_fused_add"
hash = "f01462d5c0c6f96c"

[attrs]
dltype = [ "list_str", [ "float32", "float32", "float32",],]
device_index = [ "list_int", [ 1, 1, 1,],]
storage_id = [ "list_int", [ 0, 1, 2,],]
shape = [ "list_shape", [ [ 5, 5,], [ 5, 5,], [ 5, 5,],],]