实操教程｜PyTorch AutoGrad C++层实现
点击上方“程序员大白”，选择“星标”公众号
重磅干货，第一时间送达
极市导读
本文为一篇实操教程，作者介绍了PyTorch AutoGrad C++层实现中各个概念的解释。
autograd依赖的数据结构
at::Tensor：shared ptr 指向 TensorImpl
TensorImpl：对 at::Tensor 的实现
包含一个类型为 [AutogradMetaInterface](c10::AutogradMetaInterface)的autograd_meta_，在tensor是需要求导的variable时，会被实例化为[AutogradMeta](c10::AutogradMetaInterface)，里面包含了autograd需要的信息
Variable: 就是Tensor，为了向前兼容保留的
using Variable = at::Tensor; 概念上有区别, Variable是需要计算gradient的,Tensor是不需要计算gradient的Variable的AutogradMeta是对[AutogradMetaInterface](c10::AutogradMetaInterface)的实现，里面包含了一个Variable，就是该variable的gradient带有version和view 会实例化 AutogradMeta, autograd需要的关键信息都在这里
AutoGradMeta : 记录 Variable 的autograd历史信息
包含一个叫grad_的 Variable， 即AutoGradMeta对应的var的梯度tensor包含类型为 Node指针的grad_fn（var在graph内部时）和grad_accumulator（var时叶子时）, 记录生成grad_的方法包含 output_nr，标识var对应grad_fn的输入编号构造函数包含一个类型为 Edge的gradient_edge,gradient_edge.function就是grad_fn, 另外gradient_edge.input_nr记录着对应grad_fn的输入编号，会赋值给AutoGradMeta的output_nr
autograd::Edge: 指向autograd::Node的一个输入
包含类型为 Node指针，表示edge指向的Node包含 input_nr， 表示edge指向的Node的输入编号
autograd::Node: 对应AutoGrad Graph中的Op
是所有autograd op的抽象基类，子类重载apply方法
next_edges_记录出边input_metadata_记录输入的tensor的metadata实现的子类一般是可求导的函数和他们的梯度计算op
Node in AutoGrad Graph
Variable通过Edge关联Node的输入和输出 多个Edge指向同一个Var时，默认做累加 call operator
最重要的方法，实现计算 next_edge
缝合Node的操作 获取Node的出边，next_edge(index)/next_edges() add_next_edge()，创建
前向计算
PyTorch通过tracing只生成了后向AutoGrad Graph.
代码是生成的，需要编译才能看到对应的生成结果
gen_variable_type.py生成可导版本的op 生成的代码在 pytorch/torch/csrc/autograd/generated/前向计算时，进行了tracing，记录了后向计算图构建需要的信息 这里以relu为例，代码在 pytorch/torch/csrc/autograd/generated/VariableType_0.cpp
Tensor relu(const Tensor & self) {auto& self_ = unpack(self, "self", 0);std::shared_ptr<ReluBackward0> grad_fn;if (compute_requires_grad( self )) { // 如果输入var需要grad// ReluBackward0的类型是Nodegrad_fn = std::shared_ptr<ReluBackward0>(new ReluBackward0(), deleteNode);// collect_next_edges(var)返回输入var对应的指向的// grad_fn（前一个op的backward或者是一个accumulator的）的输入的Edge// set_next_edges()，在grad_fn中记录这些Edge（这里完成了后向的构图）grad_fn->set_next_edges(collect_next_edges( self ));// 记录当前var的一个版本grad_fn->self_ = SavedVariable(self, false);}c10::optional<Storage> self__storage_saved =self_.has_storage() ? c10::optional<Storage>(self_.storage()) : c10::nullopt;c10::intrusive_ptr<TensorImpl> self__impl_saved;if (self_.defined()) self__impl_saved = self_.getIntrusivePtr();auto tmp = ([&]() {at::AutoNonVariableTypeMode non_var_type_mode(true);return at::relu(self_); // 前向计算})();auto result = std::move(tmp);if (self__storage_saved.has_value())AT_ASSERT(self__storage_saved.value().is_alias_of(self_.storage()));if (self__impl_saved) AT_ASSERT(self__impl_saved == self_.getIntrusivePtr());if (grad_fn) {// grad_fn增加一个输入，记录输出var的metadata作为grad_fn的输入// 输出var的AutoGradMeta实例化，输出var的AutoGradMeta指向起grad_fn的输入set_history(flatten_tensor_args( result ), grad_fn);}return result;}
可以看到和 grad_fn相关的操作trace了一个op的计算，构建了后向计算图.
后向计算
autograd::backward():计算output var的梯度值，调用的 run_backward()
autograd::grad() ：计算有output var和到特定input的梯度值，调用的 run_backward()
autograd::run_backward()
对于要求梯度的output var，获取其指向的grad_fn作为roots，是后向图的起点 对于有input var的，获取其指向的grad_fn作为output_edges, 是后向图的终点 调用 autograd::Engine::get_default_engine().execute(...)执行后向计算
autograd::Engine::execute(...)
创建
GraphTask，记录了一些配置信息创建
GraphRoot，是一个Node，把所有的roots作为其输出边，Node的apply()返回的是roots的grad【这里已经得到一个单起点的图】计算依赖
compute_dependencies(...)从GraphRoot开始，广度遍历，记录所有碰到的grad_fn的指针，并统计grad_fn被遇到的次数，这些信息记录到GraphTask中 GraphTask初始化：当有input var时，判断后向图中哪些节点是真正需要计算的GraphTask执行选择CPU or GPU线程执行 以CPU为例，调用的 autograd::Engine::thread_main(...)
autograd::Engine::thread_main(...)
evaluate_function(...)，输入输出的处理，调度call_function(...), 调用对应的Node计算执行后向过程中的生成的中间grad Tensor，如果不释放，可以用于计算高阶导数；（同构的后向图，之前的grad tensor是新的输出，grad_fn变成之前grad_fn的backward，这些新的输出还可以再backward） 具体的执行机制可以支撑单独开一个Topic分析，在这里讨论到后向图完成构建为止.
推荐阅读
关于程序员大白
程序员大白是一群哈工大，东北大学，西湖大学和上海交通大学的硕士博士运营维护的号，大家乐于分享高质量文章，喜欢总结知识，欢迎关注[程序员大白]，大家一起学习进步！