调试器#

TVM 调试器是调试 TVM 计算图执行的接口。它有助于在 TVM 运行时提供对图结构和张量值的访问。

调试交换格式#

1. 计算图#

通过 json 序列化格式的 Relay 构建的优化图被丢弃了。它包含了关于图的全部信息。UX 可以直接使用这个图,也可以将这个图转换成 UX 可以理解的格式。

下面将解释 Graph JSON 格式:

在 json 中,节点是占位符或可计算节点。节点存储为列表。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

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。

作为图的 output 项的列表。

存储 forward 路径的历史,所以您可以跳过在推断任务中构建整个图。

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。

  • 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:为图中的每个条目分配设备。

转储图的示例:

{
    "nodes": [                                    # List of nodes
      {
        "op": "null",                             # operation type = null, this is a placeholder/variable/input or constant/param node
        "name": "x",                              # Name of the argument node
        "inputs": []                              # inputs for this node, its none since this is an argument node
      },
      {
        "op": "tvm_op",                           # operation type = tvm_op, this node can be executed
        "name": "relu0",                          # Name of the node
        "attrs": {                                # Attributes of the node
          "flatten_data": "0",                    # Whether this data need to be flattened
          "func_name": "fuse_l2_normalize_relu",  # Fused function name, corresponds to the symbol in the lib generated by compilation process
          "num_inputs": "1",                      # Number of inputs for this node
          "num_outputs": "1"                      # Number of outputs this node produces
        },
        "inputs": [[0, 0, 0]]                     # Position of the inputs for this operation
      }
    ],
    "arg_nodes": [0],                             # Which all nodes in this are argument nodes
    "node_row_ptr": [0, 1, 2],                    # Row indices for faster depth first search
    "heads": [[1, 0, 0]],                         # Position of the output nodes for this operation
    "attrs": {                                    # Attributes for the graph
      "storage_id": ["list_int", [1, 0]],         # memory slot id for each node in the storage layout
      "dtype": ["list_int", [0, 0]],              # Datatype of each node (enum value)
      "dltype": ["list_str", [                    # Datatype of each node in order
          "float32",
          "float32"]],
      "shape": ["list_shape", [                   # Shape of each node k order
          [1, 3, 20, 20],
          [1, 3, 20, 20]]],
      "device_index": ["list_int", [1, 1]],       # Device assignment for each node in order
    }
}

2. Tensor 转储#

执行后收到的张量在 tvm.ndarray 类型中所有的张量将以二进制字节的序列化格式保存。结果二进制字节可以通过 API load_params 加载。

加载参数的示例#

with open(path_params, "rb") as fi:
  loaded_params = bytearray(fi.read())

module.load_params(loaded_params)

如果使用 Debugger?#

  1. config.cmake 中设置 USE_PROFILERON

  2. 执行 make tvm,这样它就会生成 libtvm_runtime.so

  3. 在前端脚本中替换 from tvm.contrib import graph_executor 导入为 from tvm.contrib.debugger.debug_executor import GraphModuleDebug

from tvm.contrib.debugger.debug_executor import GraphModuleDebug
m = GraphModuleDebug(
    lib["debug_create"]("default", dev),
    [dev],
    lib.graph_json,
    dump_root="/tmp/tvmdbg",
)
# set inputs
m.set_input('data', tvm.nd.array(data.astype(dtype)))
m.set_input(**params)
# execute
m.run()
tvm_out = m.get_output(0, tvm.nd.empty(out_shape, dtype)).numpy()
  1. 如果 network 之前使用 lib.export_library("network.so") 像共享对象文件/动态链接库一样导出到外部库,调试运行时的初始化将略有不同

lib = tvm.runtime.load_module("network.so")
m = graph_executor.create(lib["get_graph_json"](), lib, dev, dump_root="/tmp/tvmdbg")
# set inputs
m.set_input('data', tvm.nd.array(data.astype(dtype)))
m.set_input(**params)
# execute
m.run()
tvm_out = m.get_output(0, tvm.nd.empty(out_shape, dtype)).numpy()

输出被转储到 /tmp 文件夹中的临时文件夹或创建运行时指定的文件夹。

输出示例#

下面是调试器的输出示例:

Node Name               Ops                                                                  Time(us)   Time(%)  Start Time       End Time         Shape                Inputs  Outputs
---------               ---                                                                  --------   -------  ----------       --------         -----                ------  -------
1_NCHW1c                fuse___layout_transform___4                                          56.52      0.02     15:24:44.177475  15:24:44.177534  (1, 1, 224, 224)     1       1
_contrib_conv2d_nchwc0  fuse__contrib_conv2d_NCHWc                                           12436.11   3.4      15:24:44.177549  15:24:44.189993  (1, 1, 224, 224, 1)  2       1
relu0_NCHW8c            fuse___layout_transform___broadcast_add_relu___layout_transform__    4375.43    1.2      15:24:44.190027  15:24:44.194410  (8, 1, 5, 5, 1, 8)   2       1
_contrib_conv2d_nchwc1  fuse__contrib_conv2d_NCHWc_1                                         213108.6   58.28    15:24:44.194440  15:24:44.407558  (1, 8, 224, 224, 8)  2       1
relu1_NCHW8c            fuse___layout_transform___broadcast_add_relu___layout_transform__    2265.57    0.62     15:24:44.407600  15:24:44.409874  (64, 1, 1)           2       1
_contrib_conv2d_nchwc2  fuse__contrib_conv2d_NCHWc_2                                         104623.15  28.61    15:24:44.409905  15:24:44.514535  (1, 8, 224, 224, 8)  2       1
relu2_NCHW2c            fuse___layout_transform___broadcast_add_relu___layout_transform___1  2004.77    0.55     15:24:44.514567  15:24:44.516582  (8, 8, 3, 3, 8, 8)   2       1
_contrib_conv2d_nchwc3  fuse__contrib_conv2d_NCHWc_3                                         25218.4    6.9      15:24:44.516628  15:24:44.541856  (1, 8, 224, 224, 8)  2       1
reshape1                fuse___layout_transform___broadcast_add_reshape_transpose_reshape    1554.25    0.43     15:24:44.541893  15:24:44.543452  (64, 1, 1)           2       1