1不同Tensor類型的存儲管理方式

Lazy Tensor 的存儲是由 Runtime 和 Actor 等對象管理的。靜態(tài)圖完成編譯后，需要多少個對象、多少存儲空間都是確定的，Runtime 等在初始化時會分配存儲，在退出時回收資源。

Eager 模式下，Global Tensor 可以視為對 Local Tensor 的分布式封裝，EagerGlobalTensorImpl 在本地的數(shù)據(jù)是一個EagerLocalTensorImpl 對象?？梢酝ㄟ^考察 EagerLocalTensorImpl 來理解 eager 模式下 tensor 的存儲管理。

參考的示例代碼如下：

import numpy as np
 import oneflow as flow
 a = np.random.randn(1, 4)
 flow.tensor(a, device=flow.device("cpu"), dtype=flow.float)

2Tensor 存儲相關(guān)類的關(guān)系

EagerLocalTensorImpl 的存儲相關(guān)的類關(guān)系如下。

后續(xù)會順著示例代碼的執(zhí)行過程，看看圖中的對象都是在何時、如何構(gòu)造的，存儲被誰持有、如何分配并釋放。

3通過虛擬機(jī)指令為 Tensor 分配存儲

tensor 的構(gòu)造函數(shù)通過 Python C API 注冊為 PyTensorObject_init，由
functional::_legacy_tensor_ctor根據(jù)簽名進(jìn)行轉(zhuǎn)發(fā)。

示例代碼對應(yīng)的是 TensorWithDataFunctor，調(diào)用 MakeLocalTensorFromData 構(gòu)造 tensor，在這個函數(shù)中通過調(diào)用 functional::Empty以及 EmptyFunctor分配存儲。在 EmptyFunctor 中把相關(guān)屬性都存到 attrs，然后調(diào)用 OpInterpUtil::Dispatch在 vm 指令的執(zhí)行準(zhǔn)備過程中分配存儲。

EmptyFunctor 返回的 tensor 是一個只有存儲空間、不含數(shù)據(jù)的對象。數(shù)據(jù)拷貝在后面由
CopyLocalTensorFromUntypedArray完成。

3.1 存儲相關(guān)對象的構(gòu)造

因?yàn)槭?eager 模式下的 local tensor，OpInterpUtil::Dispatch 會被轉(zhuǎn)發(fā)到 NaiveInterpret執(zhí)行。對于示例代碼，這個函數(shù)的輸入?yún)?shù)如下：

• inputs 是一個空數(shù)組
• outputs 只有一個元素、且是空指針

因?yàn)?outputs 中的 tensor 指針都是空的，所以需要創(chuàng)建一個 EagerLocalTensorImpl 對象，其 one::TensorStorage 成員變量是空指針。

因?yàn)?output_eager_blob_objects 中的元素尚未初始化，會調(diào)用 tensor_impl->InitEagerBlobObject進(jìn)行初始化。因?yàn)?tensor_storage_ 還是空的，這個過程會執(zhí)行如下操作：

• 創(chuàng)建 vm::TensorStorage 對象
• 創(chuàng)建 EagerBlobObject 對象
• set_eager_blob_object
• • UpdateTensorStorage
  • • 創(chuàng)建 one::TensorStorage 對象
    • 設(shè)置 tensor 存儲釋放的回調(diào)函數(shù)

上述對象的創(chuàng)建，都只是記錄相關(guān)信息，還不涉及 tensor 的存儲分配。

需要注意的是，注冊到 one::TensorStorage 的回調(diào)函數(shù)被賦值給了成員變量 releaser_hook_，這個函數(shù)會通過虛擬機(jī)指令釋放 tensor。

3.2 在指令執(zhí)行過程中分配 tensor 存儲

分配 tensor 存儲的過程如下：

• vm::Instruction::Compute
• vm::InstructionPolicy::ComputeIf
• vm::OpCallInstructionPolicy::Compute
• OpCallInstructionUtil::Compute
• 獲取內(nèi)存分配器
• OpCallInstructionUtil::AllocateOutputBlobsMemory
• blob_object->TryAllocateBlobBodyMemory
• allocator->Allocate

在EagerBlobObject::TryAllocateBlobBodyMemory 中，allocator 分配的存儲地址會賦值給 dptr，存儲地址 dptr 和 Free 函數(shù)一起構(gòu)造一個智能指針，并賦值給 vm::TensorStorage 的 blob_dptr_ 變量。

4通過虛擬機(jī)指令釋放 Tensor 存儲

在前面的 3.1 節(jié)提到，EagerLocalTensorImpl 在初始化 EagerBlobObject、創(chuàng)建 one::TensorStorage 的同時，會設(shè)置一個釋放 tensor 的回調(diào)函數(shù)，回調(diào)函數(shù)保存在變量 releaser_hook_ 中，one::TensorStorage 析構(gòu)時調(diào)用這個回調(diào)函數(shù)。把這些信息綜合整理一下，one::TensorStorage 析構(gòu)時會執(zhí)行如下操作：

vm::InstructionList instruction_list;
 InstructionsBuilder instructions_builder(&instruction_list);
 // JUST(Build(&instructions_builder));
 if (eager_blob_object->producer_stream().has_value()) {
   JUST(instructions_builder->ReleaseTensor(eager_blob_object));
 }
 JUST(vm::Run(instructions_builder.mut_instruction_list()));

在InstructionsBuilder::ReleaseTensor 中，如果有其它 stream 最近使用了 eager_blob_object，會通過 SoftSyncStreamBetween 進(jìn)行同步。通過這種方式解決存儲的依賴問題。

一般情況下，通過 tensor 的 producer_stream 釋放存儲，根據(jù)這個對象獲取對應(yīng)的 vm::Stream 對象，并據(jù)此構(gòu)造指令 instruction（包含 eager_blob_object 和 vm_stream），示例代碼對應(yīng)的指令類型是 FastReleaseTensorInstructionPolicy，其 Compute 方法執(zhí)行具體的存儲釋放邏輯，過程如下：

• ReleaseTensorInstructionPolicy::Release()
• eager_blob_object->DeallocateBlobDataPtr()
• tensor_storage_->Release()
• tensor_storage_->_Release()
• blob_dptr_.reset()

• • 智能指針重置，調(diào)用分配存儲時指定的 Free 方法

5reshape 等場景的存儲管理

在 reshape、slice、transpose 等場景中，調(diào)用的 EagerLocalTensorImpl 構(gòu)造函數(shù)的參數(shù)包括 input 的 tensor_storage，所以這個 tensor 的 tensor_storage_ 變量不是空的，在執(zhí)行 InitEagerBlobObject 時，只創(chuàng)建 EagerBlobObject以提供 shape、stride等信息；但不會再創(chuàng)建 one::TensorStorage，而是復(fù)用 input 的存儲。

6兩個 TensorStorage 類型可以合并嗎？

為什么在 one::TensorStorage 析構(gòu)時、由它保存的回調(diào)函數(shù)來觸發(fā)釋放 vm::TensorStorage 中的存儲呢？

one::TensorStorage 只多了一個 releaser，這兩個 Storage 類型是否可以合并呢？

在當(dāng)前的設(shè)計下，這兩個類型不能合并。因?yàn)?br />one::TensorStorage::releaser_hook_ 中持有 EagerBlobObject 的智能指針，EagerBlobObject 中也持有 vm::TensorStorage 的智能指針。如果兩個 Storage 類型合并為一個，就會出現(xiàn)循環(huán)引用、對象無法析構(gòu)而導(dǎo)致內(nèi)存泄漏。

所以，vm::TensorStorage 只是單純的存儲，可以在多個 tensor 之間共享。EagerBlobObject 既包括存儲、也包括 shape、stride、data_type 等獨(dú)特的對象信息。而 one::TensorStorage 是為了避免循環(huán)引用而引入的、專門負(fù)責(zé)釋放存儲的角色。

7附錄

GDB 斷點(diǎn)示例

break oneflow::one::MakeLocalTensorFromData
 break oneflow::one::NaiveInterpret
 break oneflow::vm::VirtualMachineEngine::DispatchInstruction
 break oneflow::vm::OpCallInstructionUtil::Compute
 break oneflow::vm::OpCallInstructionUtil::AllocateOutputBlobsMemory
 break oneflow::vm::EagerBlobObject::TryAllocateBlobBodyMemory
 break oneflow::vm::ReleaseTensorInstructionPolicy::Release
 break oneflow/core/eager/eager_blob_object.cpp:107

參考資料

OneFlow（github.com/Oneflow-Inc… ）

OneFlow源碼解析：Tensor類型體系與Local Tensor

歡迎 Star、試用 OneFlow 最新版本：

github.com/Oneflow-Inc…

以上就是OneFlow源碼解析：Eager模式下Tensor的存儲管理的詳細(xì)內(nèi)容，更多關(guān)于OneFlow源碼解析：Eager模式下Tensor的存儲管理的資料請關(guān)注腳本之家其它相關(guān)文章！