OneFlow源码解析：算子签名的自动推断

撰文 | 郑建华

OneFlow是一个原生支持分布式训练的、高性能的深度学习框架。最近读了一些OneFlow的源码、架构设计和代码实现的文章，简单梳理一下自己的理解。主要通过图形展示调用过程和类之间的关系，只对部分重要的代码作一下分析。

深度学习框架是一个复杂的系统，而用户使用最多的就是算子（op）。用户通过op构造模型，进行训练、预测。这个笔记就从op入手，看看从Python前端到C++底层，OneFlow如何执行算子的计算逻辑。

具体地说，以比较简单的Relu算子为例，分析如下代码怎么执行：

# import会触发一系列初始化工作，暂时忽略
import oneflow as flow
# tensor的实现其实很复杂，因为要融合local和分布式的global tensor
t = flow.tensor([-1, 0, 1])
r = flow.relu(t)

1、编译环境

在开始分析之前，需要搭建环境编译OneFlow的源码，因为有些代码是在编译构建过程中自动生成的。在分析的过程中，这些自动生成的代码也是必要的环节。

OneFlow提供了官方的编译镜像（

https://hub.docker.com/r/oneflowinc/manylinux2014_x86_64_cuda11.2

）。用这个镜像可以非常方便地搭建编译环境（

https://github.com/Oneflow-Inc/oneflow#option-2-build-in-docker-container-recommended

）。

我使用的OneFlow版本是v0.7.0。本地编译环境目录结构如下，build是cmake的构建目录，oneflow是源码目录。

.
├── build
└── oneflow

编译比较耗时，可以把两个目录mount到容器，便于后续查看build目录中生成的文件。

在cmake配置、构建过程中，会下载很多第三方源码包，如果网络状况不好容易超时，直接重试cmake/make即可。

# docker run -itd -v $PWD/oneflow:/mnt/oneflow -v $PWD/build:/mnt/build \
# manylinux2014_x86_64_cuda11.2 bash
cd /mnt/build
cmake -S /mnt/oneflow
cmake --build . # --parallel 8
cd ../oneflow/python
python3 setup.py bdist_wheel
pip install ./dist/oneflow-0.7.0+cpu-cp38-cp38-linux_x86_64.whl

用GDB追踪OneFlow的执行过程

王益：Use GDB to Walkthrough OneFlow Source Code（

https://quip.com/JuQ0AuodVJn4

）

CMAKE_BUILD_TYPE=Debug cmake -S /mnt/oneflow
cmake --build . --parallel 8

source /mnt/build/source.sh
gdb python3

b oneflow::one::MakeLocalTensorFromData

run

import oneflow as flow

flow.Tensor([[1,2,3],[4,5,6]])

2、Python Binding

OneFlow底层是C++实现，通过pybind11实现Python Binding。月踏在《从Python到C++调用过程分析》对相关内容做了讲解。

2.1 Relu的Python包路径

# python/oneflow/__init__.py
from oneflow._C import relu

# python/oneflow/_C/__init__.py
from oneflow._oneflow_internal._C import *

2.2 module处理逻辑的注册

Python代码主要在python/oneflow目录，C++实现的包主要在_oneflow_internal下，pybind11的绑定代码位于init.cpp（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/init.cpp

）：

PYBIND11_MODULE(_oneflow_internal, m) {
 // ...
 py::class_<::oneflow::cfg::Message, std::shared_ptr<::oneflow::cfg::Message>>(m, &quot;CfgMessage&quot;);
 ::oneflow::cfg::Pybind11ModuleRegistry().ImportAll(m);
 ::oneflow::OneflowModuleRegistry().ImportAll(m);
}

其中OneflowModuleRegistry（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/init.cpp#L106

）是算子等模块的绑定；Pybind11ModuleRegistry（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/init.cpp#L105

）应该是自定义的、类似protobuf的配置数据结构的绑定。

从OneflowModuleRegistry开始的详细调用流程如下：

把代码放到一起看看（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/of_api_registry.cpp

）：

using SubModuleMap = std::map<std::string, std::vector<std::function<void(pybind11::module&)>>>;

SubModuleMap* GetSubModuleMap() {
 static SubModuleMap sub_module_map;
 return &sub_module_map;
}

// 修改map，执行注册
void OneflowModuleRegistry::Register(std::string module_path,
 std::function<void(pybind11::module&)> BuildModule) {
 (*GetSubModuleMap())[module_path].emplace_back(BuildModule);
}

void OneflowModuleRegistry::ImportAll(pybind11::module& m) {
 for (const auto& pair : (*GetSubModuleMap())) {
 for (const auto& BuildModule : pair.second) { BuildSubModule(pair.first, m, BuildModule); }
 }
}

void OneflowModuleRegistry::BuildSubModule(
 const std::string& module_path, pybind11::module& m,
 const std::function<void(pybind11::module&)>& BuildModule) {
 // ...
 BuildModule(m);
 // ...
}

从这段代码可以看出，python module的注册逻辑都保存在SubModuleMap中。它的key是module name；value是一组函数，BuildSubModule中调用这些函数、执行module注册逻辑。

GetSubModuleMap中保存map单例，Register函数设置map的值，of_api_registry.h（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/of_api_registry.h

）中的宏ONEFLOW_API_PYBIND11_MODULE调用Register函数处理module注册逻辑。搜索一下可以知道Relu的注册逻辑在build/oneflow/api/python/functional/functional_api.yaml.pybind.cpp中，这个文件中注册了很多算子（user_op）。以Relu和pow为例，这个宏展开后的核心代码如下：

static void OneflowApiPythonModule9623(pybind11::module&);

namespace {
 struct OfApiRegistryInit {
 OfApiRegistryInit() {
 ::oneflow::OneflowModuleRegistry().Register("_C", &OneflowApiPythonModule9623);
 }
 };
 OfApiRegistryInit of_api_registry_init;
}

static void OneflowApiPythonModule9623(pybind11::module & m) {
 m.def(&quot;relu&quot;, &functional::PyFunction<functional::ReluSchema_TTB>);
 m.def(&quot;pow&quot;, &functional::PyFunction<
 functional::PowSchema_TTT, functional::ScalarPowSchema_TTScB,
 functional::ScalarPowSchema_TTSc, functional::ScalarReversePowSchema_TScT
 >);
}

这段代码中的类似注册技巧，在OneFlow中的很多地方都被用到。

module注册逻辑在函数OneflowApiPythonModule9623中（9623来自宏定义中的LINE以避免名字冲突），OfApiRegistryInit在构造对象时将这个函数注册到SubModuleMap，匿名空间中的变量of_api_registry_init就是为了通过构造对象、在构造函数中调用注册逻辑（而这个对象不占用任何空间）。这样在系统加载时就通过静态对象的初始化实现了module处理逻辑的注册，再通过pybind11的调用完成对Python Binding的定义。

3、多个接口签名的自动推断

从以上代码可以看到，Relu算子被绑定到PyFunction（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/functional/py_function.h#L120

）这个函数执行计算逻辑，每次调用算子都会执行PyFunction这个函数。

从签名看，PyFunction是一个模版函数，给Python前端返回py::object作为算子执行结果。

Relu只有一个模版参数，pow有4个模版参数。每个模版参数表示算子支持的一种调用接口签名。OneFlow可以根据Python传过来的arguments类型，自动推断合适的签名，调用相关函数。

例如下面的代码，算子pow的指数参数既支持标量，也支持tensor：

import oneflow as flow
r = flow.randn(1, 10)
flow.pow(r, 2)
flow.pow(r, flow.ones(1, 10))

下面就来看看OneFlow是怎么实现这个功能的。

Relu算子的签名Schema如下所示：

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 = &quot;Tensor (Tensor x, Bool inplace=False)&quot;;
 static FunctionDef function_def;
};

先看一下从PyFunction开始的的调用顺序：

PyFunction相关的代码如下（删掉了一些与核心逻辑无关的内容）。

// SchemaT如 ReluSchema_TTB
template<typename... SchemaT>
class PyFunctionDispatcher {
 public:
 // schema_t是第I个签名
 template<size_t I>
 using schema_t = typename std::tuple_element<I, std::tuple<SchemaT...>>::type;

 // schema_size_是签名个数，比如relu是1，pow是4
 PyFunctionDispatcher() : schema_size_(sizeof...(SchemaT)) {
 signatures_.resize(schema_size_);
 InitSignatures(std::make_index_sequence<sizeof...(SchemaT)>{});
 }

 template<size_t I0, size_t... I>
 py::object call(const py::args& args, const py::kwargs& kwargs,
 std::index_sequence<I0, I...>) const {
 // T是当前检查的签名，比如 ReluSchema_TTB
 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,
 /*raise_exception*/ schema_size_ == 1)) {
 return detail::unpack_call(*T::func, parsed_args);
 }
 return call(args, kwargs, std::index_sequence<I...>{});
 }

 py::object call(const py::args& args, const py::kwargs& kwargs, std::index_sequence<>) const {
 // throw error ...
 return py::none();
 }

 private:
 template<size_t... I>
 void InitSignatures(std::index_sequence<I...>) {
 __attribute__((__unused__)) int dummy[] = {
 ((void)(signatures_[I] = schema_t<I>::signature), 0)...};
 }

 private:
 size_t schema_size_;
 std::vector<const char*> signatures_;
};

// SchemaT如 ReluSchema_TTB
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)>{});
}

// py module注册
static void OneflowApiPythonModule9623(pybind11::module & m) {
 m.def(&quot;relu&quot;, &functional::PyFunction<functional::ReluSchema_TTB>);
 m.def(&quot;pow&quot;, &functional::PyFunction<
 functional::PowSchema_TTT, functional::ScalarPowSchema_TTScB,
 functional::ScalarPowSchema_TTSc, functional::ScalarReversePowSchema_TScT
 >);
}

3.1 dispatcher: 算子接口签名的自动推断

PyFunction是一个模版函数，每个模版参数表示算子的一个接口签名。

PyFunction及其后续执行链路的最重要的功能，就是实现这些签名的自动筛选。自动筛选的实质，就是通过index_sequence逐个检查签名与PyFunction的参数args/kwargs是否匹配。函数内的静态变量dispatcher实现了这个自动筛选功能。

每个算子都会特化一个PyFunction和PyFunctionDispatcher实例，也有一个算子自己的dispatcher变量。PyFunction直接将请求转发给dispatcher.call，顺带加上一个index_sequence模版参数，正是依靠这个模版参数实现了签名的自动筛选。

在call函数中，先确定当前检查的签名类型T（例如ReluSchema_TTB），然后通过ParseArgs检查Python传过来的参数args/kwargs与签名T是否匹配。如果不匹配，就去掉当前签名T，将剩余的签名类型作为模版参数、继续递归调用call函数。

如果算子只有一个签名，就通过schema_size_ == 1通知ParseArgs（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/functional/py_function.cpp#L48

），校验失败时直接抛出错误信息。

3.2 ParseArgs: 签名与参数的匹配

Python的keyword arguments是类似map的结构，在C++中不方便直接用，需要转为positional arguments，同时按顺序保存到parsed_args中供后续执行使用。而这个顺序只能是签名指定的顺序，所以ParseArgs中只能按function_def的顺序循环校验。

函数的参数可能是各种类型，ParseArgs统一转为PythonArg类型，并通过PyObject*类型的成员读取Python的变量值。

参数校验不一致的情况主要包括：

• positional与keyword参数类型冲突

• 签名中的keyword参数名在kwargs中不存在且不接受默认值

• 参数类型不符合PythonArgCheck规定的内部类型检查要求

• kwargs包含function_def中未定义的参数

3.3 unpack_call: 展开算子函数的参数

在call函数中确定算子签名的Schema之后，直接调用unpack_call（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/functional/unpack_call.h#L69

）函数。这时已经可以确定具体的算子执行函数了，对于Relu来说就是functional::Relu，同时将Python传过来的参数都整理到args中。

unpack_call的模版参数是函数类型，例如functional::Relu，在函数体内利用function_traits推导出函数的参数个数和返回值类型。

unpack_call_dispatcher内主要是调用f，也就是functional::Relu。但还不能直接调用这个函数。因为每个算子对应函数的签名都不一样，又不能把vector args直接传给这些函数。

OneFlow通过如下步骤完成模版的特化适配：

• 将args展开为各个PythonArg元素，通过index_sequence和变长模版参数包的展开实现；

• 利用function_traits推导得到函数参数类型列表ArgsType；

• As函数调用可简化为As<typename tuple_element<I, typename ArgsType>>()...核心是拿到各个参数的实际类型并交给As处理，最终调用ObjectAs实现各种内部数据类型的转换。

unpack_call_dispatcher返回的是C++内部数据类型，最后要通过CastToPyObject转为pybind11::object，主要是调用pybind11::cast函数。

class PythonArg {
 template<typename T>
 T As() const {
 return ObjectAsHelper<oneflow::detail::remove_cvref_t<T>>()(this).GetOrThrow();
 }
};

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...>) {
 // 这里适当改写了一下，把ArgsType抽出来
 using ArgsType = function_traits<F>::args_type;
 return f(args[I]
 .As<oneflow::detail::remove_cvref_t<typename std::tuple_element<
 I, typename ArgsType>::type>>()...);
 }
};

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>{}));
}

3.4 签名都无效时的错误处理

以上只是讨论了Python参数合法，可以找到匹配的函数签名的情况。如果传过来的参数是非法的，根据args/kwargs找不到匹配的签名怎么办？

如之前的讨论，PyFunctionDispatcher::call（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/functional/py_function.h#L58c

）是递归模版参数，如果当前签名不匹配，就尝试下一个签名。如果所有签名都不匹配，就会进入call的模版参数列表为空的特化版本（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/api/python/functional/py_function.h#L69

）。这个函数会记录详细的错误信息。

例如，flow.pow(&quot;abc&quot;, 123)会输出如下错误信息：

File ".../oneflow/api/python/functional/py_function.h", line 76, in call
 TypeError: pow(): received an invalid combination of arguments. The valid signatures are:
 *0: Tensor (Tensor input, Tensor exponent)
 *1: Tensor (Tensor input, Scalar exponent, *, Bool inplace=False)
 *2: Tensor (Tensor input, Scalar exponent)
 *3: Tensor (Scalar exponent, Tensor input)

而Relu这种只支持一个签名的算子，如下面看到的，参数类型错误时的提示信息体现了单个签名的特点。如上所述，这是由schema_size_ == 1提示给ParseArgs的。

flow.relu(1)

TypeException:
 File ".../oneflow/api/python/functional/py_function.cpp", line 98, in ParseArgs
 TypeError: relu(): argument 'x' must be tensor, not int

3.5 yaml cpp的生成

functional_api.yaml的相关代码是在cmake构建过程中生成的，对应的cmake脚本是cmake/functional.cmake。

3.6 小结

总结一下上述几个主要组件的作用：

• PyFunction是pybind11的def定义的入口函数，并为算子保存一个dispatcher对象用于推断合适的签名；

• PyFunctionDispatcher通过模版函数的递归调用实现了签名的自动筛选，通过成员变量为参数校验和异常提示保存必要的信息；

• unpack_call在编译期就确定了具体执行的算子函数类型，这一点在PyFunctionDispatcher中是无法做到的；

• unpack_call_dispatcher的作用是将vector展开为多个元素、作为调用算子函数的参数，这在unpack_call中也是无法做到的；

• PythonArg是Python与C++类型转换的桥梁，同时承担类型检查的职能；

• 基于yaml生成的2组文件，yaml.pybind.cpp中调用pybind11的m.def指定模块调用的函数，并定义了函数签名的Schema结构作为PyFunction的模版参数。yaml.cpp中则定义了具体的执行函数，如Relu。将二者衔接起来的就是Schema的字段func，对于Relu算子来说，签名Schema的func字段就是函数functional:Relu。

核心是实现签名的自动校验推断，参数的统一处理以及参数的合并、展开。整个过程环环相扣、自然流畅。

4、算子Functor的注册与执行

4.1 算子Functor的注册

追踪一下functional::Relu（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/core/functional/function_library.h#L40

）的调用链路，容易发现最终会用到FunctionLibrary的静态map变量。先看看这个map是怎么初始化的。它在add_functor_creator（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/core/functional/function_library.h#L93

）中被添加元素，后者被add_functor（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/core/functional/function_library.h#L63

）间接调用。

搜索一下add_functor和Relu，发现在activation_functor.cpp中调用宏ONEFLOW_FUNCTION_LIBRARY（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/core/functional/impl/activation_functor.cpp#L444

）。宏展开后代码如下，通过定义一个静态变量来实现调用注册函数的目的。

static void _oneflow_function_library_0(FunctionLibrary & m);

// 以定义一个静态变量的方式调用注册函数
static int _oneflow_function_library_dummy_0 = []() {
 FunctionLibrary* library = FunctionLibrary::Global(); 
 _oneflow_function_library_0(*library); 
 return 0; 
}();

void _oneflow_function_library_0(FunctionLibrary & m) {
 m.add_functor<impl::ReluFunctor>(&quot;Relu&quot;);
};

稍微梳理一下就可以发现，FunctionLibrary的map中的value是类似下面这样的lambda：

[=]() {
 // Func如 impl::ReluFunctor
 Func func;
 // func_name来自lambda绑定，如Relu
 return PackedFunctorMaker<func_type>::make(func_name, func);
}

注册的调用顺序如下：

那么，add_functor的模版参数为何是变长的，内部又要展开呢？是因为ScalarAdd等名字对应多个Functor。

4.2 算子Functor的执行

接下来看看functional_api.yaml.cpp中的functional::Relu函数。代码经过整理后如下所示。

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
 > (&quot;Relu&quot;));
 return __op->call(x, inplace);
}

核心逻辑就是func_lib.find(&quot;Relu&quot;).call(x, inplace)。

获取__op并执行的调用顺序如下（忽略op的静态属性）：

根据上面的讨论以及调用链路容易发现，PackedFuncCreatorMap::Get内的静态map变量（

https://github.com/Oneflow-Inc/oneflow/blob/release/0.7.0/oneflow/core/functional/function_library.h#L40

），其value实际是一个类似如下的lambda表达式：

[=]() {
 // Func如 impl::ReluFunctor
 Func func;
 // func_name来自lambda绑定，如Relu
 return PackedFunctorMaker<func_type>::make(func_name, func);
}

find返回的是it->second()，也就是调用这个lambda表达式的返回值，即PackedFunctorMaker::make的返回值，类型是PackedFunctor<F>，这就是op__的类型。其中模版参数F的类型如decltype(ReluFunctor::operator())。

PackedFunctor构造时接受如下的lambda表达式，并保存到变量impl_中：

// func是一个函数变量，类型如 impl::ReluFunctor
[func](const remove_cvref_t<Args>&... args) -> R {
 return func(std::forward<const remove_cvref_t<Args>&>(args)...);
}

所以__op->call(...)就是PackedFunctor<Func>::call(...)，最终相当于调用impl::ReluFunctor::operator()(args)。

也就是说，Relu的操作就由impl::ReluFunctor执行。

需要注意的是，这里整个链路的分析，最关键的是模版参数的梳理和推导。模版参数确定后，整个逻辑还是比较清楚的。

4.3 小结

• 同一个名字可能对应多个Functor。所以不能只用名字作为Functor的key，需要结合签名。

• FunctionLibrary负责管理所有的Functor。但是单例不适合作为模版类，所以通过内嵌的PackedFuncCreatorMap保存签名各异的Functor。

• 每种签名都会特化一个PackedFuncCreatorMap模版类，再通过名字区分不同的Functor。

那么，PackedFunctor类的作用是什么？或者换个角度，如果没有这个类，能否实现需求？答案是不能。

• 首先，yaml生成的2个cpp文件，都没有Functor信息，只有Relu这个名字、以及Functor的签名信息。Functor是在各个模块根据名字注册的。yaml与FunctionLibrary通过名字和签名进行交互。

• 其次，FunctionLibrary::find返回的PackedFunctor是带模版参数的（参数就是Functor签名）。find能否直接返回Functor对象呢？主要是map不便存储不同类型的Functor。即使Functor都有共同的虚基类、map的value存储指针，但不能要求所有Functor的执行接口是一致的，虚函数不满足这个场景的需求。所以find不能直接返回Functor对象。

• PackedFunctor的作用就在于，它把真正的Functor包在自己的结构里面；它的模版参数与Functor的调用接口一致；它的call方法将Op的所有入参通过lambda转发给Functor。

• Functor能直接作为PackedFunctor的成员变量吗？应该是可以的。PackedFunctorMaker::make的模版参数也包含Functor。但是这样每个Functor都要特化一个PackedFunctor，编译后的可执行程序容易膨胀。而现在的实现，PackedFunctor只根据Functor执行函数签名特化，代价是要做一次调用转发（编译器有优化空间？）。

参考资料：

• 从Python到C++调用过程分析

• https://github.com/Oneflow-Inc/oneflow/tree/release/0.7.0

（本文经授权后发布，原文：https://segmentfault.com/a/1190000041843994）

其他人都在看

• 深度学习概述

• 一个算子在深度学习框架中的旅程

• 手把手推导分布式矩阵乘的最优并行策略

• 训练千亿参数大模型，离不开四种并行策略

• 解读Pathways（二）：向前一步是OneFlow

• 关于并发和并行，Go和Erlang之父都弄错了？

• OneFlow v0.7.0发布：
  全新分布式接口，LiBai、Serving等一应俱全

欢迎下载体验 OneFlow v0.7.0 最新版本：

https://github.com/Oneflow-Inc/oneflow/