OneFlow学习笔记：从Python到C++调用过程分析

撰文｜月踏

在OneFlow中，从Python端我们可以使用各种Op进行相关操作，下面是一个最最简单的relu op的使用示例：


>>> import oneflow as of
>>> x=of.tensor([-3,-2,-1,0,1,2,3], dtype=of.float)
>>> of.relu(x)
tensor([0., 0., 0., 0., 1., 2., 3.], dtype=oneflow.float32)

虽然调用在Python端，但具体的实现是在C++端，那么OneFlow是怎么样一步步从Python端调到C++中的呢，本文以最最简单的Relu这个Op作为例子，来追溯一下在OneFlow中从Python端到C++中的大致调用过程，具体过程大概总结为Python wrapper和C++ glue functor两部分，下面是两部分的具体细节。

Python wrapper

Python的代码都在python/oneflow文件夹中，在分析Python wrapper的过程中，也会涉及很多C++代码，主要是和pybind11绑定相关的，也一并归类到Python wrapper这部分了。

先看本文开头示例中的relu接口的直接来源，在python/oneflow/__init__.py中可以找到下面这一行：

from oneflow._C import relu

可以看到relu是从_C这个module中导出来的，所以继续看oneflow/_C/__init__.py这个文件：

from oneflow._oneflow_internal._C import *

可见relu接口来自_oneflow_internal这个module，_oneflow_internal是pybind11定义的一个module，位于oneflow/api/python/init.cpp：


PYBIND11_MODULE(_oneflow_internal, m) {
  ...
  ::oneflow::cfg::Pybind11ModuleRegistry().ImportAll(m);
  ::oneflow::OneflowModuleRegistry().ImportAll(m);
}

继续看上面代码中的OneflowModuleRegistry，它是注册过的Op暴露到Python层的关键，它位于oneflow/api/python/of_api_registry.h：


class OneflowModuleRegistry {
  ...
void Register(std::string module_path, std::function<void(pybind11::module&)> BuildModule);
void ImportAll(pybind11::module& m);
};

这个类提供了一个Register接口，被封装进了下面这个注册宏里，代码位于oneflow/api/python/of_api_registry.h：


#define ONEFLOW_API_PYBIND11_MODULE(module_path, m)                             \
  struct OfApiRegistryInit {                                                    \
    OfApiRegistryInit() {                                                       \
      ::oneflow::OneflowModuleRegistry()                                        \
          .Register(module_path, &OF_PP_CAT(OneflowApiPythonModule, __LINE__)); \
    }                                                                           \
  };                                                                            \
  OfApiRegistryInit of_api_registry_init;                                       \
  static void OF_PP_CAT(OneflowApiPythonModule, __LINE__)(pybind11::module & m)

知道了ONEFLOW_API_PYBIND11_MODULE这个宏，继续搜哪里会用到它，在build/oneflow/api/python/functional/functional_api.yaml.pybind.cpp这个自动生成的文件中，可以搜到它被用到：


ONEFLOW_API_PYBIND11_MODULE("_C", m) {
  py::options options;
  options.disable_function_signatures();
  ...
  m.def("relu", &functional::PyFunction<functional::ReluSchema_TTB>);
  ...
  options.enable_function_signatures();
}

由此可知本节刚开头的from oneflow._C import relu这句代码中的_C这个module和Relu这个算子是从哪来的了，在这里Relu被映射到了functional::PyFunction<functional::ReluSchema_TTB>这个函数，这是一个模板函数，先看其中的模板参数ReluSchema_TTB的定义：


struct ReluSchema_TTB {
using FType = Maybe<one::Tensor>(const std::shared_ptr<one::Tensor>& x, bool inplace);
using R = Maybe<one::Tensor>;
 
 
static constexpr FType* func = &functional::Relu;
static constexpr size_t max_args = 2;
static constexpr size_t max_pos_args = 2;
static constexpr char const* signature = "Tensor (Tensor x, Bool inplace=False)";
static FunctionDef function_def;
};

可以看到里面最和调用流程相关的是一个指向functional::Relu的函数指针成员，functional::Relu这个系列的函数非常重要，它是一个自动生成的全局C++ 接口，可以认为是Python和C++之间的分水岭，细节在第二节会详细讲，下面继续来看functional::PyFunction<functional::ReluSchema_TTB>这个模板函数，是它决定了怎么样去调用functional::ReluSchema_TTB中的func这个指向functional::Relu的函数指针，functional::PyFunction模板函数定义位于oneflow/api/python/functional/py_function.h：


template<typename... SchemaT>
inline py::object PyFunction(const py::args& args, const py::kwargs& kwargs) {
static PyFunctionDispatcher<SchemaT...> dispatcher;
return dispatcher.call(args, kwargs, std::make_index_sequence<sizeof...(SchemaT)>{});
}

这里又继续调用了PyFunctionDispatcher中的call函数：


template<typename... SchemaT>
class PyFunctionDispatcher {
  ...
template<size_t I0, size_t... I>
  py::object call(const py::args& args, const py::kwargs& kwargs,
std::index_sequence<I0, I...>) const {
std::cout << I0 << std::endl;
using T = schema_t<I0>;
std::vector<PythonArg> parsed_args(T::max_args);
    if (ParseArgs(args, kwargs, &parsed_args, T::function_def, T::max_pos_args, schema_size_ == 1)) {
return detail::unpack_call(*T::func, parsed_args);
    }
return call(args, kwargs, std::index_sequence<I...>{});
  }
  ...
};

这里把functional::ReluSchema_TTB中的func这个指向functional::Relu的函数指针作为参数，继续调用了oneflow/api/python/functional/unpack_call.h中的unpack_call：


template<typename F>
py::object unpack_call(const F& f, const std::vector<PythonArg>& args) {
  constexpr size_t nargs = function_traits<F>::nargs;
 
 
using R = typename function_traits<F>::return_type;
return CastToPyObject(
      unpack_call_dispatcher<F, R>::apply(f, args, std::make_index_sequence<nargs>{}));
}

这里又把functional::ReluSchema_TTB中的func这个指向functional::Relu的函数指针作为参数，继续调用了同一个文件中的unpack_call_dispatcher<F, R>::apply：


template<typename F, typename R>
struct unpack_call_dispatcher {
template<size_t... I>
static R apply(const F& f, const std::vector<PythonArg>& args, std::index_sequence<I...>) {
    return f(args[I].As<oneflow::detail::remove_cvref_t<typename std::tuple_element<I, typename function_traits<F>::args_type>::type>>()...);
  }
};

至此完成了对全局C++接口functional::Relu的调用，下一节具体讲functional::Relu这个全局C++接口怎么生成的。

C++ glue functor

先看oneflow/core/functional/impl/activation_functor.cpp中的一个类，它对下是通往Relu底层实现的大门，通往底层的实现是OneFlow框架的精髓，我还没有往里看，以后时机到了会继续总结出来，对上则提供了上层调用的接口，本文只关注接口部分：


class ReluFunctor {
  ...
  Maybe<Tensor> operator()(const std::shared_ptr<Tensor>& x, bool inplace) const {
    ...
    return OpInterpUtil::Dispatch<Tensor>(*op_, {x});
  }
};

ReluFunctor提供了一个函数调用符的重载函数，所以它对应的对象是可调用对象，它会被下面的代码进行注册：


ONEFLOW_FUNCTION_LIBRARY(m) {
  m.add_functor<impl::ReluFunctor>("Relu");
  ...
};

继续看ONEFLOW_FUNCTION_LIBRARY的定义，它通过定义一个静态变量的办法来在OneFlow的初始化阶段把上面的类似ReluFunctor的这些funtor通过add_functor接口全部注册到FunctionLibrary这个单例类中：


#define ONEFLOW_FUNCTION_LIBRARY(m) ONEFLOW_FUNCTION_LIBRARY_IMPL(m, __COUNTER__)
#define ONEFLOW_FUNCTION_LIBRARY_IMPL(m, uuid)                                  \
static int OF_PP_CAT(_oneflow_function_library_dummy_, uuid) = []() {         \
    FunctionLibrary* library = FunctionLibrary::Global();                       \
    OF_PP_CAT(_oneflow_function_library_, uuid)(*library);                      \
return 0;                                                                   \
  }();                                                                          \
void OF_PP_CAT(_oneflow_function_library_, uuid)(FunctionLibrary & m)

FunctionLibrary的主要数据结构和接口如下，其中PackedFuncMap是一个用于存放注册对象的数据结构，add_functor用于注册，find用于查找已经注册过的对象， Global是单例接口：


class FunctionLibrary {
  template<typename R, typename... Args>
struct PackedFuncMap<R(Args...)> {
static HashMap<std::string, FunctorCreator>* Get() {
      using FunctorCreator = typename std::function<PackedFunctor<R(Args...)>()>;
static HashMap<std::string, FunctorCreator> functors;
return &functors;
    }
  };
 
 
  template<typename... Fs>
  void add_functor(const std::string& func_name) { ... }
 
 
  template<typename R, typename... Args>
  auto find(const std::string& func_name)
      -> Maybe<PackedFunctor<typename PackedFunctorMaker<R(Args...)>::FType>> { ... }
 
 
static FunctionLibrary* Global() {
static FunctionLibrary global_function_library;
return &global_function_library;
  }
};

再继续看上面代码中的数据结构部分中用到的PackedFunctor，位于oneflow/core/functional/packed_functor.h，它通过call接口封装了functor的调用：


template<typename R, typename... Args>
class PackedFunctor<R(Args...)> {
public:
  PackedFunctor(const std::string& func_name, const std::function<R(Args...)>& impl) : func_name_(func_name), impl_(impl) {}
  R call(Args&&... args) const {
    return impl_(std::forward<Args>(args)...);
  }
 
 
private:
std::string func_name_;
std::function<R(Args...)> impl_;
};

前面这部分都是functor的定义和注册部分，它们是提供全局C++接口的基石，下面继续看全局的C++接口functional::Relu是怎么来的，在code base中，有一个oneflow/core/functional/functional_api.yaml的配置文件，与Relu相关的内容如下：


- name: "relu"
  signature: "Tensor (Tensor x, Bool inplace=False) => Relu"
  bind_python: True

这是一个yaml配置脚本，最终的functional::Relu这个全局C++接口就是通过前面的functor的定义、注册、yaml配置，最后再通过tools/functional/generate_functional_api.py这个python脚本自动生成出来，精简代码如下：


if __name__ == "__main__":
    g = Generator("oneflow/core/functional/functional_api.yaml")
    g.generate_cpp_header_file(header_fmt, "oneflow/core/functional/functional_api.yaml.h")
    g.generate_cpp_source_file(source_fmt, "oneflow/core/functional/functional_api.yaml.h")
    ...

可见具体的接口被生成到了上面指定的文件中，具体的生成过程在generator.py中，内容比较trivial，主要是通过hard code的方式来自动生成全局C++接口，下面是functional::Relu这个全局C++接口的示例：


namespace oneflow {
namespace one {
namespace functional {
...
Maybe<one::Tensor> Relu(const std::shared_ptr<one::Tensor>& x, bool inplace) {
static thread_local const auto& op = CHECK_JUST(FunctionLibrary::Global()->find<Maybe<one::Tensor>, const std::shared_ptr<one::Tensor>&, bool>("Relu"));
return op->call(x, inplace);
}
...
}  // namespace functional
}  // namespace one
}  // namespace oneflow

可以看到上面的Relu接口通过注册类的find接口找到了注册过的ReluFunctor，然后用PackedFunctor中的call接口进行了调用，至此，我们终于知道了functional::Relu这个全局C++接口的前因后果。

其他人都在看

欢迎下载体验OneFlow新一代开源深度学习框架：https://github.com/Oneflow-Inc/oneflow/

相关阅读:
小程序赖加载刷新数据页面数据堆叠问题debug
【面试题】详解Cookie、localStorage、sessionStorage区别
 vue3响应式原理:Proxy + Reflect
5、Linux文件系统
 Java SE 16 record 类型说明与使用
 Java版本spring cloud + spring boot企业电子招投标系统源代码
 嵌入式养成计划-33--数据库-sqlite3
项目管理证书 PMP 的含金量高吗？
使用Aggregated APIServer扩展你的kubernetes API
linux部署运维3——centos7.9离线安装部署配置涛思taos2.6时序数据库TDengine以及java项目链接问题处理（二）
原文地址：https://blog.csdn.net/OneFlow_Official/article/details/124013895