功能简介

torch.compile是一种即时编译器（just-in-time compiler），其成图的首次编译时间通常较长，而大模型推理场景对时延敏感，因此有必要优化首次编译时长。在推理服务弹性扩容等业务场景，使用编译缓存可有效缩短服务启动后首次推理时延。

成图编译通常包括两段耗时，一段是Dynamo的编译耗时，一段是Ascend IR计算图的编译耗时。TorchAir提供了一种模型编译缓存方案（通过cache_compile接口），可将首次编译结果落盘，以加速torch.compile图模式的启动时间。

图1 执行时间分布示意图

以LLaMA 2-70B（Large Language Model Meta AI 2）为例，图1呈现了启动与未开启模型编译缓存的耗时分布。注意，该图屏蔽了与本功能无关的耗时细节。

原始推理任务执行，分为5个阶段：
1. Dynamo：一个Python级Just-In-Time（JIT）编译器，其重写Python字节码以将PyTorch操作序列提取到FX图中然后使用可定制的后端进行编译。
2. Guards：Dynamo编译生成Guards，并在每次执行前执行Guards用于区分程序是否需要被重新捕获与编译。
3. Ascend IR图编译：将Ascend IR计算图编译为可执行二进制。
4. Input转换：将PyTorch传入图的Tensor参数地址转换为图运行时的输入。
5. 图执行：执行编译的计算图，基于给定输入计算得到输出。
开启模型编译缓存：
通过缓存Dynamo、Ascend IR图编译两个耗时占比最大环节，实现模型的加速启动。

使用约束

该功能不支持同时配置Dynamo导图功能、使能RefData类型转换功能。
该功能跳过了Dynamo的JIT编译环节、Guards、Ascend IR图编译环节，与torch.compile原始方案相比多了如下限制：
- 缓存要与执行计算图一一对应，若重编译则缓存失效。
- Guards阶段被跳过且不会触发JIT编译，要求生成模型的脚本和加载缓存的脚本需要一致。
- CANN包跨版本缓存无法保证兼容性，如果版本升级，需要清理缓存目录并重新进行Ascend IR计算图编译生成缓存。

Dynamo编译缓存

本节提供一个简化版的模型编译缓存使用示例，同时展示了缓存对特殊类型输入的处理能力（如Python Class类型、List类型等）。

准备PyTorch模型脚本。

假设在/home/workspace目录下定义了test.py模型脚本，代码示例如下：

import torch

# InputMeta为仿照VLLM(Versatile Large Language Model)框架的入参结构
@dataclasses.dataclass
class InputMeta:
    data: torch.Tensor
    is_prompt: bool

class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1 = torch.nn.Linear(2, 1)
        self.linear2 = torch.nn.Linear(2, 1)
        for param in self.parameters():
            torch.nn.init.ones_(param)

    @torch.inference_mode()
    def forward(self, x: InputMeta, kv: List[torch.Tensor]):
        return self.linear2(x.data) + self.linear2(kv[0])

改造PyTorch模型脚本。

先处理forward函数。

将test.py中“forward”函数的实现提取为“_forward”函数，避免@torch.inference_mode的影响，结果如下。

@torch.inference_mode()
def forward(self, x: InputMeta, kv: List[torch.Tensor]):
    return self._forward(x, kv)
def _forward(self, x, kv):
    return self.linear2(x.data) + self.linear2(kv[0])

通过cache_compile接口实现编译缓存。

“_forward”函数是可以缓存编译的函数，但由于其会触发多次重新编译，所以要为每个场景封装一个新的func函数，然后func直接调用_forward函数。同时，forward函数中添加调用新函数的判断逻辑。如何封装新的func函数，取决于原始模型逻辑，请用户根据实际场景自行定义。

func函数只能被触发一次Dynamo trace，换言之如果func发生重编译，则会放弃缓存。
对于发生多次trace（Guards失效）的函数，需要进行一次函数封装来使缓存生效。
func必须是method，即module实例对象的方法，且该方法未被其他装饰器修饰。
func必须能形成整图，即必须支持full graph。

test.py中只展示了prompt和decode的func函数封装，具体代码示例如下：

import dataclasses
import logging
from typing import List

import torch
import torch_npu
import torchair
from torchair import logger

logger.setLevel(logging.INFO)


# InputMeta为仿照VLLM(Versatile Large Language Model)框架的入参结构
@dataclasses.dataclass
class InputMeta:
    data: torch.Tensor
    is_prompt: bool


class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1 = torch.nn.Linear(2, 1)
        self.linear2 = torch.nn.Linear(2, 1)
        for param in self.parameters():
            torch.nn.init.ones_(param)

        # 通过torchair.inference.cache_compile实现编译缓存
        self.cached_prompt = torchair.inference.cache_compile(self.prompt)
        self.cached_decode = torchair.inference.cache_compile(self.decode)

    def forward(self, x: InputMeta, kv: List[torch.Tensor]):
        # 添加调用新函数的判断逻辑
        if x.is_prompt:
            return self.cached_prompt(x, kv)
        return self.cached_decode(x, kv)

    def _forward(self, x, kv):
        return self.linear2(x.data) + self.linear2(kv[0])

    # 重新封装为prompt函数
    def prompt(self, x, y):
        return self._forward(x, y)

    # 重新封装为decode函数
    def decode(self, x, y):
        return self._forward(x, y)

x = InputMeta(data=torch.randn(2, 2).npu(), is_prompt=True)
kv = [torch.randn(2, 2).npu()]
model = Model().npu()
# 执行prompt
res_prompt = model(x, kv)
x.is_prompt = False
# 执行decode
res_decode = model(x, kv)

模型脚本改造后，运行并生成封装func函数的缓存文件。

进入test.py所在目录，执行如下命令：
```
cd /home/workspace
python3 test.py
```

参考TorchAir Python层日志开启INFO日志，首次执行可以看到如下屏显日志：

[INFO] TORCHAIR 2024-04-30 14:48:18 Cache ModelCacheMeta(name='CacheCompileSt.test_cache_hint.<locals>.Model.prompt(x, y)', date='2024-04-30 14:48:16.736731', version='1.0.0', fx=None) saved to /home/workspace/.torchair_cache/Model_dynamic_f2df0818d06118d4a83a6cacf8dc6d28/prompt/compiled_module
[INFO] TORCHAIR 2024-04-30 14:48:20 Cache ModelCacheMeta(name='CacheCompileSt.test_cache_hint.<locals>.Model.decode(x, y)', date='2024-04-30 14:48:19.654573', version='1.0.0', fx=None) saved to /home/workspace/.torchair_cache/Model_dynamic_f2df0818d06118d4a83a6cacf8dc6d28/decode/compiled_module

生成的各个func函数缓存文件路径由cache_compile中cache_dir参数指定，缺省值是当前工作路径下“.torchair_cache”文件夹（若无会新建）。

比如${work_dir}/.torchair_cache/${model_info}/${func}/compiled_module文件，${work_dir}为当前工作目录，${model_info}为模型信息，${func}为封装的func函数。

再次执行脚本，验证模型启动时间。

重新执行test.py脚本，开启Python侧INFO日志，可以看到缓存命中的日志：

[INFO] TORCHAIR 2024-04-30 14:52:08 Cache ModelCacheMeta(name='CacheCompileSt.test_cache_hint.<locals>.Model.prompt(x, y)', date='2024-04-30 14:48:16.736731', version='1.0.0', fx=None) loaded from /home/workspace/.torchair_cache/Model_dynamic_f2df0818d06118d4a83a6cacf8dc6d28/prompt/compiled_module
[INFO] TORCHAIR 2024-04-30 14:52:08 Cache ModelCacheMeta(name='CacheCompileSt.test_cache_hint.<locals>.Model.decode(x, y)', date='2024-04-30 14:48:19.654573', version='1.0.0', fx=None) loaded from /home/workspace/.torchair_cache/Model_dynamic_f2df0818d06118d4a83a6cacf8dc6d28/decode/compiled_module

（可选）如需查看封装的func函数缓存文件compiled_module，通过readable_cache接口读取。

compiled_module主要存储了torch.compile成图过程中模型脚本、模型结构、执行流程等相关信息，可用于问题定位分析。
接口调用示例如下：
1 2
import torch_npu, torchair torchair.inference.readable_cache("/home/workspace/.torchair_cache/Model_dynamic_f2df0818d06118d4a83a6cacf8dc6d28/prompt/compiled_module", file="prompt.py")
compiled_module内容最终解析到可读文件prompt.py（格式不限，如py、txt等）中。

Ascend IR编译缓存

除了优化Dynamo编译耗时，还支持优化Ascend IR图编译耗时，主要通过cache_compile中ge_cache参数实现，以进一步加速图模式启动时间。

缺省情况下，ge_cache=False（功能不开启），因受CANN包版本变更影响，用户需根据实际情况手动开启该功能。

功能开启操作示例如下（以步骤2中脚本为例）：

# 开启ge_cache后的调用示例
self.cached_prompt = torchair.inference.cache_compile(self.prompt, ge_cache=True)
self.cached_decode = torchair.inference.cache_compile(self.decode, ge_cache=True)

缓存的编译结果文件路径与封装的func函数缓存文件路径一致，即${work_dir}/.torchair_cache/${model_info}/${func}/ge_cache_${timestamp}.om文件。
其中${work_dir}为当前工作目录，${model_info}为模型信息，${func}为封装的func函数，${timestamp}为落盘的时间戳，缓存路径会自动增加ge_cache关键词。

CANN包跨版本的缓存无法保证兼容性，如果版本升级，需要清理缓存目录并重新GE编译生成缓存。
ge_cache参数不支持和固定权重类输入地址功能同时开启。
在单算子和图混跑场景下，开启该功能会增加通信域资源开销，有额外显存消耗。

具体代码示例如下：

import dataclasses
import logging
from typing import List

import torch
import torch_npu
import torchair
from torchair import logger

logger.setLevel(logging.INFO)


# InputMeta为仿照VLLM(Versatile Large Language Model)框架的入参结构
@dataclasses.dataclass
class InputMeta:
    data: torch.Tensor
    is_prompt: bool


config = torchair.CompilerConfig()


class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1 = torch.nn.Linear(2, 1)
        self.linear2 = torch.nn.Linear(2, 1)
        for param in self.parameters():
            torch.nn.init.ones_(param)

        # 通过torchair.inference.cache_compile实现编译缓存
        self.cached_prompt = torchair.inference.cache_compile(self.prompt, config=config, ge_cache=True)
        self.cached_decode = torchair.inference.cache_compile(self.decode, config=config, ge_cache=True)

    def forward(self, x: InputMeta, kv: List[torch.Tensor]):
        # 添加调用新函数的判断逻辑
        if x.is_prompt:
            return self.cached_prompt(x, kv)
        return self.cached_decode(x, kv)

    def _forward(self, x, kv):
        return self.linear2(x.data) + self.linear2(kv[0])

    # 重新封装为prompt函数
    def prompt(self, x, y):
        return self._forward(x, y)

    # 重新封装为decode函数
    def decode(self, x, y):
        return self._forward(x, y)

x = InputMeta(data=torch.randn(2, 2).npu(), is_prompt=True)
kv = [torch.randn(2, 2).npu()]
model = Model().npu()
# 执行prompt
res_prompt = model(x, kv)
x.is_prompt = False
# 执行decode
res_decode = model(x, kv)

模型编译缓存功能

功能简介

使用约束

Dynamo编译缓存

Ascend IR编译缓存