pytorch 学习笔记之编写 C 扩展

pytorch利用 CFFI 进行 C 语言扩展。包括两个基本的步骤(docs):

  1. 编写 C 代码;
  2. python 调用 C 代码,实现相应的 Function 或 Module。

在之前的文章中,我们已经了解了如何自定义 Module。至于 [py]torch 的 C 代码库的结构,我们留待之后讨论; 这里,重点关注,如何在 pytorch C 代码库高层接口的基础上,编写 C 代码,以及如何调用自己编写的 C 代码。

官方示例了如何定义一个加法运算(见 repo)。这里我们定义ReLU函数(见 repo)。

1. C 代码

pytorch C 的基本数据结构是 THTensor(THFloatTensor、THByteTensor等)。我们以简单的 ReLU 函数为例,示例编写 C 。

y=ReLU(x)=max(x,0)

Function 需要定义前向和后向两个方向的操作,因此,C 代码要实现相应的功能。

1.1 头文件声明

/* ext_lib.h */
int relu_forward(THFloatTensor *input, THFloatTensor *output);
int relu_backward(THFloatTensor *grad_output, THFloatTensor *input, THFloatTensor *grad_input);

1.2 函数实现

TH/TH.h 包括了 pytorch C 代码数据结构和函数的声明,这是唯一需要添加的 include 依赖。

/* ext_lib.c */

#include <TH/TH.h>

int relu_forward(THFloatTensor *input, THFloatTensor *output)
{
  THFloatTensor_resizeAs(output, input);
  THFloatTensor_clamp(output, input, 0, INFINITY);
  return 1;
}

int relu_backward(THFloatTensor *grad_output, THFloatTensor *input, THFloatTensor *grad_input)
{
  THFloatTensor_resizeAs(grad_input, grad_output);
  THFloatTensor_zero(grad_input);

  THLongStorage* size = THFloatTensor_newSizeOf(grad_output);
  THLongStorage *stride = THFloatTensor_newStrideOf(grad_output);
  THByteTensor *mask = THByteTensor_newWithSize(size, stride);

  THFloatTensor_geValue(mask, input, 0);
  THFloatTensor_maskedCopy(grad_input, mask, grad_output);
  return 1;
}

2. 编译代码

2.1 依赖

由于 pytorch 的代码是纯 C 的,因此没有过多的依赖,只需要安装:

  • pytorch - 安装方法见官网
  • cffi - pip install cffi

编译文件非常简单,主要是添加头文件和实现文件,以及相关的宏定义; 同时文件还指定了编译后的调用位置(此外为_ext.ext_lib):

# build.py
import os
import torch
from torch.utils.ffi import create_extension


sources = ['src/ext_lib.c']
headers = ['src/ext_lib.h']
defines = []
with_cuda = False

if torch.cuda.is_available():
    print('Including CUDA code.')
    sources += ['src/ext_lib_cuda.c']
    headers += ['src/ext_lib_cuda.h']
    defines += [('WITH_CUDA', None)]
    with_cuda = True

ffi = create_extension(
    '_ext.ext_lib',
    headers=headers,
    sources=sources,
    define_macros=defines,
    relative_to=__file__,
    with_cuda=with_cuda
)

if __name__ == '__main__':
    ffi.build()
python build.py

3. python 调用

3.1 编写配置文件

python 的调用非常简单——pytorch 的 tensor 对象,对应 C 代码的 THTensor 对象,以此作参数进行调用即可。配置文件如下:

import torch
from torch.autograd import Function
from _ext import ext_lib

class ReLUF(Function):
    def forward(self, input):
        self.save_for_backward(input)

        output = input.new()
        if not input.is_cuda:
            ext_lib.relu_forward(input, output)
        else:
            raise Exception, "No CUDA Implementation"
        return output

    def backward(self, grad_output):
        input, = self.saved_tensors

        grad_input = grad_output.new()
        if not grad_output.is_cuda:
            ext_lib.relu_backward(grad_output, input, grad_input)
        else:
            raise Exception, "No CUDA Implementation"
        return grad_input

3.2 测试

此处省略 Module 的定义。下面测试下新定义的基于 C 的 ReLU 函数。

import torch
import torch.nn as nn
from torch.autograd import Variable

from modules.relu import ReLUM

torch.manual_seed(1111)

class MyNetwork(nn.Module):
    def __init__(self):
        super(MyNetwork, self).__init__()
        self.relu = ReLUM()

    def forward(self, input):
        return self.relu(input)

model = MyNetwork()
x = torch.randn(1, 25).view(5, 5)
input = Variable(x, requires_grad=True)
output = model(input)
print(output)
print(input.clamp(min=0))

output.backward(torch.ones(input.size()))
print(input.grad.data)

输出结果如下:

Variable containing:
 0.8749  0.5990  0.6844  0.0000  0.0000
 0.6516  0.0000  1.5117  0.5734  0.0072
 0.1286  1.4171  0.0796  1.0355  0.0000
 0.0000  0.0000  0.0312  0.0999  0.0000
 1.0401  1.0599  0.0000  0.0000  0.0000
[torch.FloatTensor of size 5x5]

Variable containing:
 0.8749  0.5990  0.6844  0.0000  0.0000
 0.6516  0.0000  1.5117  0.5734  0.0072
 0.1286  1.4171  0.0796  1.0355  0.0000
 0.0000  0.0000  0.0312  0.0999  0.0000
 1.0401  1.0599  0.0000  0.0000  0.0000
[torch.FloatTensor of size 5x5]


 1  1  1  0  0
 1  0  1  1  1
 1  1  1  1  0
 0  0  1  1  0
 1  1  0  0  0

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏为数不多的Android技巧

一种绕过Android P对非SDK接口限制的简单方法

众所周知,Android P 引入了针对非 SDK 接口(俗称为隐藏API)的使用限制。这是继 Android N上针对 NDK 中私有库的链接限制之后的又一次...

2272
来自专栏Adam笔记

KSCrash源码分析

710
来自专栏大内老A

ASP.NET Core的配置(4):多样性的配置来源[中篇]

我们在本篇文章中会介绍三种针对物理文件的ConfiguationProvider,它们分别是针对JSON文件的JsonConfiguationProvider,...

1808
来自专栏友弟技术工作室

golang之Struct什么是结构体struct?

最近在复习golang,学习的东西,如果不使用,很快就会忘记。所以,准备复习完golang,做一个练手的小项目,加深对golang的学习。今天开始公司,进入封闭...

4616
来自专栏ShaoYL

预处理指令(文件的包含)

3009
来自专栏Android常用基础

Dagger2-从入门到精通(上)

最近在做项目中,用到了Dagger2,所以找了一些博客和其他的一些学习资源,算是知道如何使用了,但是对其理解还相差很远。所以这篇文章重点针对与使用,和使用中常见...

891
来自专栏高性能服务器开发

windows完成端口(一)

系列目录 windows完成端口(一) windows完成端口(二) windows完成端口(三) windows完成端口(四) windows完成端口(五) ...

3735
来自专栏全栈之路

golang教程

这里有两个关键点。 - 其一是defer关键字。defer语句的含义是不管程序是否出现异常,均 在函数退出时自动执行相关代码。 - 其二是Go语言的函数允许返回...

2112
来自专栏一个会写诗的程序员的博客

Kotlin 函数式编程之 Lambda 与 高阶函数《Kotlin 极简教程》Kotlin 开发者社区

893
来自专栏高性能服务器开发

windows完成端口(四)

系列目录 windows完成端口(一) windows完成端口(二) windows完成端口(三) windows完成端口(四) windows完成端口(五) ...

3636

扫码关注云+社区