自定义 Python 算子

动态图自定义 Python 算子

Paddle 通过 PyLayer 接口和PyLayerContext接口支持动态图的 Python 端自定义 OP。

相关接口概述

PyLayer 接口描述如下:

class PyLayer:
    @staticmethod
    def forward(ctx, *args, **kwargs):
        pass

    @staticmethod
    def backward(ctx, *args, **kwargs):
        pass

    @classmethod
    def apply(cls, *args, **kwargs):
        pass

其中,

  • forward 是自定义 Op 的前向函数,必须被子类重写,它的第一个参数是 PyLayerContext 对象,其他输入参数的类型和数量任意。

  • backward 是自定义 Op 的反向函数,必须被子类重写,其第一个参数为 PyLayerContext 对象,其他输入参数为forward输出Tensor的梯度。它的输出Tensorforward输入Tensor的梯度。

  • apply 是自定义 Op 的执行方法,构建完自定义 Op 后,通过 apply 运行 Op。

PyLayerContext 接口描述如下:

class PyLayerContext:
    def save_for_backward(self, *tensors):
        pass

    def saved_tensor(self):
        pass

其中,

  • save_for_backward 用于暂存backward需要的Tensor,这个 API 只能被调用一次,且只能在forward中调用。

  • saved_tensor 获取被save_for_backward暂存的Tensor

如何编写动态图 Python Op

以下以 tanh 为例,介绍如何利用 PyLayer 编写 Python Op。

  • 第一步:创建PyLayer子类并定义前向函数和反向函数

前向函数和反向函数均由 Python 编写,可以方便地使用 Paddle 相关 API 来实现一个自定义的 OP。需要遵守以下规则:

  1. forwardbackward都是静态函数,它们的第一个参数是PyLayerContext对象。

  2. backward 除了第一个参数以外,其他参数都是forward函数的输出Tensor的梯度,因此,backward输入的Tensor的数量必须等于forward输出Tensor的数量。如果您需在backward中使用forward中的Tensor,您可以利用save_for_backwardsaved_tensor这两个方法传递Tensor

  3. backward的输出可以是Tensor或者list/tuple(Tensor),这些Tensorforward输入Tensor的梯度。因此,backward的输出Tensor的个数等于 forward 输入Tensor的个数。如果backward的某个返回值(梯度)在forward中对应的Tensorstop_gradient属性为False,这个返回值必须是Tensor类型。

import paddle
from paddle.autograd import PyLayer

# 通过创建`PyLayer`子类的方式实现动态图 Python Op
class cus_tanh(PyLayer):
    @staticmethod
    def forward(ctx, x):
        y = paddle.tanh(x)
        # ctx 为 PyLayerContext 对象,可以把 y 从 forward 传递到 backward。
        ctx.save_for_backward(y)
        return y

    @staticmethod
    # 因为 forward 只有一个输出,因此除了 ctx 外,backward 只有一个输入。
    def backward(ctx, dy):
        # ctx 为 PyLayerContext 对象,saved_tensor 获取在 forward 时暂存的 y。
        y, = ctx.saved_tensor()
        # 调用 Paddle API 自定义反向计算
        grad = dy * (1 - paddle.square(y))
        # forward 只有一个 Tensor 输入,因此,backward 只有一个输出。
        return grad
  • 第二步:通过apply方法组建网络。 apply的输入为forward中除了第一个参数(ctx)以外的输入,apply的输出即为forward的输出。

data = paddle.randn([2, 3], dtype="float32")
data.stop_gradient = False
# 通过 apply 运行这个 Python 算子
z = cus_tanh.apply(data)
z.mean().backward()

print(data.grad)

动态图自定义 Python 算子的注意事项

  • 为了从forwardbackward传递信息,您可以在forward中给PyLayerContext添加临时属性,在backward中读取这个属性。如果传递Tensor推荐使用save_for_backwardsaved_tensor,如果传递非Tensor推荐使用添加临时属性的方式。

import paddle
from paddle.autograd import PyLayer
import numpy as np

class tanh(PyLayer):
    @staticmethod
    def forward(ctx, x1, func1, func2=paddle.square):
        # 添加临时属性的方式传递 func2
        ctx.func = func2
        y1 = func1(x1)
        # 使用 save_for_backward 传递 y1
        ctx.save_for_backward(y1)
        return y1

    @staticmethod
    def backward(ctx, dy1):
        y1, = ctx.saved_tensor()
        # 获取 func2
        re1 = dy1 * (1 - ctx.func(y1))
        return re1

input1 = paddle.randn([2, 3]).astype("float64")
input2 = input1.detach().clone()
input1.stop_gradient = False
input2.stop_gradient = False
z = tanh.apply(x1=input1, func1=paddle.tanh)
  • forward 的输入和输出的类型任意,但是至少有一个输入和输出为Tensor类型。

# 错误示例
class cus_tanh(PyLayer):
    @staticmethod
    def forward(ctx, x1, x2):
        y = x1+x2
        # y.shape: 列表类型,非 Tensor,输出至少包含一个 Tensor
        return y.shape

    @staticmethod
    def backward(ctx, dy):
        return dy, dy

data = paddle.randn([2, 3], dtype="float32")
data.stop_gradient = False
# 由于 forward 输出没有 Tensor 引发报错
z, y_shape = cus_tanh.apply(data, data)


# 正确示例
class cus_tanh(PyLayer):
    @staticmethod
    def forward(ctx, x1, x2):
        y = x1+x2
        # y.shape: 列表类型,非 Tensor
        return y, y.shape

    @staticmethod
    def backward(ctx, dy):
        # forward 两个 Tensor 输入,因此,backward 有两个输出。
        return dy, dy

data = paddle.randn([2, 3], dtype="float32")
data.stop_gradient = False
z, y_shape = cus_tanh.apply(data, data)
z.mean().backward()

print(data.grad)
  • 如果 forward 的某个输入为Tensorstop_gredient = True,则在backward中与其对应的返回值应为None

class cus_tanh(PyLayer):
    @staticmethod
    def forward(ctx, x1, x2):
        y = x1+x2
        return y

    @staticmethod
    def backward(ctx, dy):
        # x2.stop_gradient=True,其对应梯度需要返回 None
        return dy, None


data1 = paddle.randn([2, 3], dtype="float32")
data1.stop_gradient = False
data2 = paddle.randn([2, 3], dtype="float32")
z = cus_tanh.apply(data1, data2)
fake_loss = z.mean()
fake_loss.backward()
print(data1.grad)
  • 如果 forward 的所有输入Tensor都是stop_gredient = True的,则backward不会被执行。

class cus_tanh(PyLayer):
    @staticmethod
    def forward(ctx, x1, x2):
        y = x1+x2
        return y

    @staticmethod
    def backward(ctx, dy):
        return dy, None


data1 = paddle.randn([2, 3], dtype="float32")
data2 = paddle.randn([2, 3], dtype="float32")
z = cus_tanh.apply(data1, data2)
fake_loss = z.mean()
fake_loss.backward()
# 因为 data1.stop_gradient = True、data2.stop_gradient = True,所以 backward 不会被执行。
print(data1.grad is None)

静态图自定义 Python 算子

Paddle 通过 py_func 接口支持静态图的 Python 端自定义 OP。 py_func 的设计原理在于 Paddle 中的 Tensor 可以与 numpy 数组可以方便的互相转换,从而可以使用 Python 中的 numpy API 来自定义一个 Python OP。

py_func 接口概述

py_func 具体接口为:

def py_func(func, x, out, backward_func=None, skip_vars_in_backward_input=None):
    pass

其中,

  • x 是 Python Op 的输入变量,可以是单个 Tensor | tuple[Tensor] | list[Tensor] 。多个 Tensor 以 tuple[Tensor]或 list[Tensor]的形式传入。

  • out 是 Python Op 的输出变量,可以是单个 Tensor | tuple[Tensor] | list[Tensor],也可以是Numpy Array

  • func 是 Python Op 的前向函数。在运行网络前向时,框架会调用 out = func(*x) ,根据前向输入 x 和前向函数 func 计算前向输出 out。在 func 建议先主动将 Tensor 转换为 numpy 数组,方便灵活的使用 numpy 相关的操作,如果未转换成 numpy,则可能某些操作无法兼容。

  • backward_func 是 Python Op 的反向函数。若 backward_funcNone ,则该 Python Op 没有反向计算逻辑; 若 backward_func 不为 None,则框架会在运行网路反向时调用 backward_func 计算前向输入 x 的梯度。

  • skip_vars_in_backward_input 为反向函数 backward_func 中不需要的输入,可以是单个 Tensor | tuple[Tensor] | list[Tensor]

如何使用 py_func 编写 Python Op

以下以 tanh 为例,介绍如何利用 py_func 编写 Python Op。

  • 第一步:定义前向函数和反向函数

前向函数和反向函数均由 Python 编写,可以方便地使用 Python 与 numpy 中的相关 API 来实现一个自定义的 OP。

若前向函数的输入为 x_1, x_2, ..., x_n ,输出为y_1, y_2, ..., y_m,则前向函数的定义格式为:

def foward_func(x_1, x_2, ..., x_n):
    ...
    return y_1, y_2, ..., y_m

默认情况下,反向函数的输入参数顺序为:所有前向输入变量 + 所有前向输出变量 + 所有前向输出变量的梯度,因此对应的反向函数的定义格式为:

def backward_func(x_1, x_2, ..., x_n, y_1, y_2, ..., y_m, dy_1, dy_2, ..., dy_m):
    ...
    return dx_1, dx_2, ..., dx_n

若反向函数不需要某些前向输入变量或前向输出变量,可设置 skip_vars_in_backward_input 进行排除(步骤三中会叙述具体的排除方法)。

注:,x_1, ..., x_n 为输入的多个 Tensor,请以 tuple(Tensor)或 list[Tensor]的形式在 py_func 中传入。建议先主动将 Tensor 通过 numpy.array 转换为数组,否则 Python 与 numpy 中的某些操作可能无法兼容使用在 Tensor 上。

此处我们利用 numpy 的相关 API 完成 tanh 的前向函数和反向函数编写。下面给出多个前向与反向函数定义的示例:

import numpy as np

# 前向函数 1:模拟 tanh 激活函数
def tanh(x):
    # 可以直接将 Tensor 作为 np.tanh 的输入参数
    return np.tanh(x)

# 前向函数 2:将两个 2-D Tenosr 相加,输入多个 Tensor 以 list[Tensor]或 tuple(Tensor)形式
def element_wise_add(x, y):
    # 必须先手动将 Tensor 转换为 numpy 数组,否则无法支持 numpy 的 shape 操作
    x = np.array(x)
    y = np.array(y)

    if x.shape != y.shape:
        raise AssertionError("the shape of inputs must be the same!")

    result = np.zeros(x.shape, dtype='int32')
    for i in range(len(x)):
        for j in range(len(x[0])):
            result[i][j] = x[i][j] + y[i][j]

    return result

# 前向函数 3:可用于调试正在运行的网络(打印值)
def debug_func(x):
    # 可以直接将 Tensor 作为 print 的输入参数
    print(x)

# 前向函数 1 对应的反向函数,默认的输入顺序为:x、out、out 的梯度
def tanh_grad(x, y, dy):
    # 必须先手动将 Tensor 转换为 numpy 数组,否则"+/-"等操作无法使用
    return np.array(dy) * (1 - np.square(np.array(y)))

注意,前向函数和反向函数的输入均是 Tensor 类型,输出可以是 Numpy Array 或 Tensor。 由于 Tensor 实现了 Python 的 buffer protocol 协议,因此即可通过 numpy.array 直接将 Tensor 转换为 numpy Array 来进行操作,也可直接将 Tensor 作为 numpy 函数的输入参数。但建议先主动转换为 numpy Array,则可以任意的使用 python 与 numpy 中的所有操作(例如"numpy array 的+/-/shape")。

tanh 的反向函数不需要前向输入 x,因此我们可定义一个不需要前向输入 x 的反向函数,并在后续通过 skip_vars_in_backward_input 进行排除 :

def tanh_grad_without_x(y, dy):
    return np.array(dy) * (1 - np.square(np.array(y)))
  • 第二步:创建前向输出变量

我们需调用 Program.current_block().create_var 创建前向输出变量。在创建前向输出变量时,必须指明变量的名称 name、数据类型 dtype 和维度 shape。

import paddle

paddle.enable_static()

def create_tmp_var(program, name, dtype, shape):
    return program.current_block().create_var(name=name, dtype=dtype, shape=shape)

in_var = paddle.static.data(name='input', dtype='float32', shape=[-1, 28, 28])

# 手动创建前向输出变量
out_var = create_tmp_var(paddle.static.default_main_program(), name='output', dtype='float32', shape=[-1, 28, 28])
  • 第三步:调用 py_func 组建网络

py_func 的调用方式为:

paddle.static.nn.py_func(func=tanh, x=in_var, out=out_var, backward_func=tanh_grad)

若我们不希望在反向函数输入参数中出现前向输入,则可使用 skip_vars_in_backward_input 进行排查,简化反向函数的参数列表。

paddle.static.nn.py_func(func=tanh, x=in_var, out=out_var, backward_func=tanh_grad_without_x,
    skip_vars_in_backward_input=in_var)

至此,使用 py_func 编写 Python Op 的步骤结束。我们可以与使用其他 Op 一样进行网路训练/预测。

静态图自定义 Python 算子注意事项

  • py_func 的前向函数和反向函数内部不应调用 paddle.xx组网接口 ,因为前向函数和反向函数是在网络运行时调用的,而 paddle.xx 是在组建网络的阶段调用 。

  • skip_vars_in_backward_input 只能跳过前向输入变量和前向输出变量,不能跳过前向输出的梯度。

  • 若某个前向输出变量没有梯度,则 backward_func 将接收到 None 的输入。若某个前向输入变量没有梯度,则我们应在 backward_func 中主动返回 None