Skip to content

README_cn.md

Latest commit

 

History

History
255 lines (192 loc) · 13.6 KB

README_cn.md

File metadata and controls

255 lines (192 loc) · 13.6 KB

PassNet

Python 3.12 PyTorch 2.9 CUDA 12.8 HuggingFace Dataset

PassNet 是一个面向编译器优化的 AI 系统，利用大语言模型（LLM）驱动的 Agent 自动生成高性能 GPU 算子，通过编译器 Pass 机制实现计算图优化。PassNet 包含完整的优化工具链、评测基准 PassBench 以及 Agent 评估框架 PassAgent。

English | 中文

相关链接

目录

项目结构

PassNet/
├── pass_bench/               # PassBench编译器评测框架：算子编译、正确性验证、性能评测
├── pass_agent/               # PassAgent评估框架
├── samples/                  # PassBench样本数据
├── sample_lists/             # PassBench样本列表文件（评测/训练划分）
├── entry_scripts/            # 评测入口脚本
├── graphs/                   # 子图数据
├── graph_lists/              # 子图列表与分组信息
├── test/                     # 单元测试
├── Dockerfile.nvidia         # Docker镜像定义
└── requirements.txt          # Python依赖

架构概览

┌─────────────────────────────────────────────────────────────────────────┐
│                             PassAgent                                   │
│                    (LLM-driven Pass Generation)                         │
│ ┌─────────────────────────────────────────────────────────────────────┐ │◄───┐
│ │  Multi-step Iterative Solving  ·  k-attempts  ·  R2E-Gym Framework  │ │    │
│ └─────────────────────────────────────────────────────────────────────┘ │    │
└────────────────┬───────────────────────────────────────┬────────────────┘    │
      read data  │                        generated pass │                     │
                 ▼                                       ▼                     │
┌───────────────────────────────────┐    ┌───────────────────────────────┐     │
│             DataSet               │    │          PassBench            │     │
│  ┌─────────────────────────────┐  │    │  ┌──────────────────────────┐ │     │
│  │ graphs/                     │  │    │  │ 1. Execution & Eval      │ │     │
│  │  sole_op  (5,939)           │  │    │  │    Eager Execution       │ │     │
│  │  fusible  (22,870)          │  │    │  │    pass_mgr Execution    │ │     │
│  │  typical  (25,151)          │  │    │  └────────────┬─────────────┘ │     │
│  └─────────────────────────────┘  │    │               │               │     │
│  ┌─────────────────────────────┐  │    │               ▼               │  feedback
│  │ samples/                    │  │    │  ┌──────────────────────────┐ │     │
│  │  sole_op  (1,029)           │  │    │  │ 2. Result Checking       │ │     │
│  │  fusible  (4,676)           │  │    │  │    Correctness & Speedup │ │     │
│  │  typical  (4,278)           │  │    │  └────────────┬─────────────┘ │     │
│  └─────────────────────────────┘  │    │               │               │     │
│  ┌─────────────────────────────┐  │    │               ▼               │     │
│  │ sample_lists/               │  │    │  ┌──────────────────────────┐ │     │
│  │  train/                     │  │    │  │ 3. Score Aggregation     │ │     │
│  │  eval/                      │  │    │  │    ES(t) & AS Met        │ │     │
│  └─────────────────────────────┘  │    │  └──────────────────────────┘ │     │
└───────────────────────────────────┘    └───────────────────────────────┘     │
                                                         └─────────────────────┘

核心组件

PassBench — 编译器评测框架

提供算子编译、正确性验证与性能评测能力，既可独立使用，也作为 PassAgent 的评测后端：

  • 算子编译：通过 pass_mgr 编译器方法执行 Pass 匹配与替换
  • 正确性验证：在各 dtype（float32 / float16 / bfloat16）对应的容忍度阈值下验证优化后算子的数值正确性
  • 性能评测：100 次试运行统计加速比，输出 aggregated_score.json
  • 评分聚合：aggregate_es_scores.py 计算样本内所有计算图的 ES(t) 分数

PassAgent — R2E-Gym Agent 评估框架

基于 R2E-Gym 框架评估 Agent 的编译器优化能力。详见 pass_agent/README.md。

数据集

graphs — 子图原始数据

存放从深度学习模型中提取的原始计算子图，作为 PassBench 样本的生成来源：

  • fusible_subgraphs/：少量示例可融合子图（1,456 个），包含多算子融合优化的计算图
  • hf_subgraphs/（Legacy）：旧版子图样本，包含单算子（1,410 个）、可融合（4,167 个）、经典（6,157 个）三类
  • hf_subgraphs_v2/：HuggingFace 模型子图，分为三类：
    • sole_op_subgraphs：单算子子图（5,939 个）
    • fusible_subgraphs：可融合子图（22,870 个）
    • typical_subgraphs：经典子图（25,151 个）

graph_lists — 子图列表与分组

存放子图的路径列表、UID 分组等信息，用于样本筛选和分组管理：

子图路径列表（每行格式：子图UID\t子图相对路径）

文件 子图数 说明
fusible_subgraphs.txt 1,455 示例可融合子图路径
hf_sole_op_subgraphs.txt 1,410 旧版单算子子图路径
hf_fusible_subgraphs.txt 4,166 旧版可融合子图路径
hf_typical_subgraphs.txt 6,157 旧版经典子图路径
hf_sole_op_subgraphs_v2.txt 5,939 v2 单算子子图路径
hf_fusible_subgraphs_v2.txt 22,870 v2 可融合子图路径
hf_typical_subgraphs_v2.txt 25,151 v2 经典子图路径

samples — PassBench 评测样本

从 graphs/ 中加工生成的评测样本，每个样本为独立可执行的评测单元：

  • fusible_subgraphs/：少量示例样本，来自 TIMM 模型的可融合子图，按 模型名/子图编号 组织
  • hf_subgraphs/（Legacy）：旧版子图样本，包含单算子（590 个）、可融合（2,489 个）、典型（3,382 个）三类
  • hf_subgraphs_v2/：v2 版子图样本，扩展了多种数据类型的支持，包含单算子（1,029 个）、可融合（4,676 个）、典型（4,278 个）三类，按哈希路径 xx/yy/hash/ 组织，子图数据集发布于 PassNet/PassNet

每个样本目录包含：

文件 说明
entry.sh 评测入口脚本，执行编译、验证与性能统计
graph_list.txt 该样本包含的计算图列表
graphs/ 计算图定义文件（model.py、weight_meta.py 等）
pass_dir/ 生成的优化 Pass 输出目录
pass_bench/ 评测框架副本（用于 Docker 容器内独立运行）
sample_uids.txt 样本唯一标识（仅 hf_subgraphs_v2）

sample_lists — 评测/训练样本划分

存放用于评测和训练的样本路径列表，按用途和子图类型组织，同时提供 txt 和 csv 格式：

train/（训练集）

文件 样本数 说明
hf_sole_op_train_samples_v2.txt 1,028 单算子子图训练样本
hf_fusible_train_samples_v2.txt 4,476 可融合子图训练样本
hf_typical_train_samples_v2.txt 4,078 经典子图训练样本
hf_sole_op_train_samples.txt（Legacy） 589 旧版单算子子图训练样本
hf_fusible_train_samples.txt（Legacy） 2,289 旧版可融合子图训练样本
hf_typical_train_samples.txt（Legacy） 3,182 旧版经典子图训练样本

eval/（评估集）

文件 样本数 说明
hf_fusible_eval_samples_v2.txt 200 可融合子图评估样本
hf_typical_eval_samples_v2.txt 200 经典子图评估样本
hf_fusible_eval_samples.txt（Legacy） 200 旧版可融合子图评估样本
hf_typical_eval_samples.txt（Legacy） 200 旧版经典子图评估样本

快速开始

环境要求

  • Python 3.12+
  • PyTorch 2.9+（CUDA 12.8）
  • NVIDIA GPU（CUDA 支持）
  • Docker（可选，用于容器化评测）

安装

cd /path/to/passnet

# 安装依赖
pip install -r requirements.txt

# 设置环境变量
export PYTHONPATH=$PYTHONPATH:/path/to/passnet

运行示例

# 验证样本评测
bash samples/fusible_subgraphs/crossvit_15_dagger_240.in1k/crossvit_15_dagger_240.in1k_0_start14_end16_4/entry.sh

Docker 使用

构建镜像

docker build . -t passnet:latest -f Dockerfile.nvidia

容器内验证单个样本执行

docker run --gpus all --privileged \
    -v <path-to-passnet-project>:/workspace \
    -w /workspace \
    passnet:latest \
    bash samples/fusible_subgraphs/crossvit_15_dagger_240.in1k/crossvit_15_dagger_240.in1k_0_start14_end16_4/entry.sh

PassBench评测流程

PassNet 的评测流程如下：

  1. 分析计算图：读取 model.py 和 weight_meta.py，理解目标子图的算子结构、张量形状及数据类型
  2. 生成优化 Pass：大模型生成 Pass 文件，复制到样本的 pass_dir/ 目录下
  3. Pass 匹配与替换：pass_mgr 在 FX 图中匹配目标模式，将其替换为优化算子
  4. 正确性验证：在各 dtype 对应的容忍度阈值下比较 eager 与编译后模型的输出
  5. 性能评测：统计加速比，计算 ES(t)，输出 aggregated_score.json
# 放置 pass 文件
cp MyPass.py samples/<type>/<hash>/pass_dir/
echo '["MyPass"]' > samples/<type>/<hash>/pass_dir/sorted_output_pass_rule_names.json

# 单样本评测
bash samples/<type>/<hash>/entry.sh

Pass 文件格式及批量评测说明见 pass_bench/README.md。

PassAgent 评估

使用 PassAgent 框架评估 Agent：

cd pass_agent
pip install -r requirements.txt

python examples/run_pass_agent_demo.py \
    --llm-name openai/glm-4.7 \
    --llm-base-url <your-llm-base-url> \
    --openai-api-key <your-api-key> \
    --dataset datasets/passbench_demo_dataset.jsonl \
    --max-steps 50 \
    --k 10

详见 pass_agent/README.md。

许可证

请参阅项目根目录下的许可证文件。