TVM项目中RemoveUnusedOutputs优化器的异常行为分析
在深度学习编译器TVM的使用过程中,我们发现了一个关于RemoveUnusedOutputs优化器的异常行为,以及一个与结构相等性检查相关的bug。本文将详细分析这两个问题的技术细节及其解决方案。
RemoveUnusedOutputs优化器的问题
RemoveUnusedOutputs是TVM中的一个Relax优化器,其主要功能是移除未被使用的函数输出。但在实际使用中,该优化器在某些情况下会产生不符合预期的结果。
以一个具体案例为例,原始IR模块包含多个TIR原语函数和一个返回三个张量的Relax函数。经过RemoveUnusedOutputs优化后,原本应该保留的张量输出被替换成了NaN值,这显然不是预期的优化行为。
深入分析发现,问题的根源在于优化器在确定哪些输出被使用时,仅收集了通过TupleGetItem显式访问元组元素的情况。如果整个元组被直接使用(如作为函数返回值),优化器会错误地认为所有元素都未被使用,从而用NaN占位符替换它们。
结构相等性检查的NaN问题
另一个相关问题是TVM的结构相等性检查(assert_structural_equal)在处理NaN值时的不一致性。测试发现,即使两个完全相同的IR模块,如果包含NaN值,结构相等性检查也会错误地判定它们不相等。
这是由于TVM内部对浮点数的比较采用了相对误差方法(abs(lhs-rhs) < 1e9),而NaN值与任何值(包括它自己)的比较结果都是false。这种实现方式导致包含NaN的IR模块无法正确通过结构相等性验证。
解决方案
针对这两个问题,TVM社区已经提出了相应的修复方案:
-
对于RemoveUnusedOutputs优化器,修复方案改进了使用情况收集逻辑,确保能够正确识别所有元组元素的使用情况,避免错误地用NaN替换实际使用的输出。
-
对于结构相等性检查,修复方案增加了对NaN值的特殊处理,确保两个NaN值能够被正确识别为相等。
技术启示
这个案例给我们带来几个重要的技术启示:
-
编译器优化器的实现需要考虑所有可能的使用场景,特别是边界情况。
-
浮点数的特殊值(如NaN)在编译器内部处理时需要格外小心,常规的比较逻辑可能不适用。
-
测试用例应当覆盖各种边界情况,包括特殊值和非常规使用模式。
TVM作为深度学习编译器,其正确性对下游应用至关重要。这类问题的发现和修复有助于提高编译器的稳定性和可靠性,为深度学习模型的部署提供更坚实的基础设施支持。
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0288Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选









