原理

概述

算子原型定义规定了在昇腾AI处理器上可运行算子的约束，主要体现算子的数学含义，包含定义算子输入、输出和属性信息，基本参数的校验和shape的推导，原型定义的信息会被注册到GE的算子原型库中。网络模型生成时，GE会调用算子原型库的校验接口进行基本参数的校验，校验通过后，会根据原型库中的推导函数推导每个节点的输出shape与dtype，进行输出tensor的静态内存的分配。

算子原型库在整个网络模型生成流程的作用如图1所示。

图1 算子原型在GE注册的流程

其中算子注册包括OP注册、InferShape与Verify的注册，注册的时候算子类型（OpType）作为Key。

1. 首先GE接收到第三方框架的原始网络模型，并进行初始化，网络模型的拓扑图简称为图。
2. 算子原型库管理模块从昇腾算子库的“opp/op_proto/”对应目录下加载算子原型库的so文件。
3. 算子原型库管理模块根据so文件中的信息在OperatorFactory中进行算子信息注册，包括算子基本信息注册、InferShape注册、Verify注册，这三部分分别以算子类型（OpType）作为key注册到三个map文件中进行保存。
4. 图准备阶段，GE向Graph发送调用InferShape函数与Verify函数的请求。
5. Graph会遍历图中所有节点。
6. 每个节点都会向OpDesc发送调用InferShape与Verify函数的请求。
7. OpDesc从OperatorFactory中根据OpType取出对应的InferShape函数与Verify函数。
8. OpDesc执行Verify函数进行校验，如果校验成功，则继续往下执行；如果校验失败，则直接返回。
9. OpDesc执行InferShape函数，进行输出tensor的shape推导。
10. OpDesc向GE返回InferShape的结果，GE后续根据InferShape结果分配输出tensor的静态内存。
11. GE进行其他处理。

InferShape流程介绍

介绍InferShape流程前先了解如下背景知识。

• 图（Graph）是承载编译优化阶段的基本结构，图由节点OP（Operator）连接而成，每个节点间的边代表执行时要传递的数据，即张量（Tensor），每个Tensor都包含三个主要属性：dtype（数据类型）、shape（形状）、format（数据排布格式）。
• 图中每个OP都可能会有多个输入与多个输出，输入与输出的个数分别由输入TensorDesc与输出TensorDesc的个数来表示，TensorDesc的介绍请参见表1。
• 图中的两个OP通过某条边直连时，前导OP的输出TensorDesc与后继OP的输入TensorDesc应该完全一致。另外，每个OP在获取了输入TensorDesc后，可以在编译阶段就推导出所有输出TensorDesc（例外场景：有些OP需要根据输入的实际值来推导输出TensorDesc，这类OP如果依赖的输入不是常量节点就无法推导出确切的输出TensorDesc）。

由上述背景介绍可知，只要全图所有首节点的TensorDesc确定了，就可以逐个向下传播，再由算子自身实现的Shape推导能力，就可以将全图所有OP的输入输出TensorDesc推导出来，这就是InferShape的推导流程。

InferShape有以下注意点：

• 可进行InferShape的前提是图中所有首节点的TensorDesc都可确定，因此对于输入数据是动态shape的网络，静态编译的InferShape是无法生效的。
• GE的InferShape流程负责推导TensorDesc中的dtype与shape，推导结束后，全图的dtype与shape的规格就完全连续了，如果生成网络模型时产生的GE Dump图“ge_proto_000000xx_after_infershape.txt”中存在dtype与shape规格不连续的情况，说明InferShape处理有错误。
  

  若要生成GE的Dump图，生成网络模型时需要设置如下环境变量：

  export DUMP_GE_GRAPH=1

• InferShape流程里，GE将前一个算子的输出Tensor刷新到下一个算子的输入Tensor，算子根据输入推导并更新输出Tensor，若算子未自定义实现InferShape，则保留原图的输出Tesnor。
• 某些算子在进行输出TensorDesc的推导时依赖算子输入的实际值，此时就需要算子的输入必须是常量节点（Const）。如果算子的输入不为常量节点，可能会造成推导输出Tensor的shape出错。

实现文件说明