【新智元导读】新的一年，PyTorch也迎来了重大更新，PyTorch 2.2集成了FlashAttention-2和AOTInductor等新特性，计算性能翻倍。
新的一年，PyTorch也迎来了重大更新！
继去年十月份的PyTorch大会发布了2.1版本之后，全世界各地的521位开发者贡献了3628个提交，由此形成了最新的PyTorch 2.2版本。
新的版本集成了FlashAttention-2，使得scaled_dot_product_attention （SDPA）相较于之前的版本有了约2倍的性能提升。
PyTorch 2.2还引入了一个新的TorchInductor提前扩展，称为 AOTInductor，旨在为非python服务器端编译和部署PyTorch程序。
PyTorch中的torch.distributed支持了一个叫做device_mesh的新抽象，用于初始化和表示ProcessGroups。
另外，PyTorch 2.2提供了一个标准化的、可配置的日志记录机制，------TORCH_LOGS。
PyTorch 2.2还对torch.compile做了许多改进，包括改进了对编译优化器的支持，以及TorchInductor融合和布局优化。
最后值得注意的是，PyTorch将放弃对macOS x86的支持，PyTorch 2.2.x是支持macOS x64的最后一个版本。
PyTorch 2.2新特性
首先请注意，如果从源代码构建PyTorch 2.2，需要GCC 9.4或更高版本，PyTorch 代码库已从C++ 14迁移到C++ 17。
FlashAttention-2
FlashAttention-2通过优化GPU上不同线程块和warps之间的工作分区，来解决占用率低或不必要的共享内存读写。
FlashAttention-2调整了算法以减少非matmul的计算量，同时提升了Attention计算的并行性（即使是单个头，也可以跨不同的线程块，以增加占用率），在每个线程块中，优化warps之间的工作分配，以减少通过共享内存的通信。
PyTorch 2.2将FlashAttention内核更新到了v2版本，不过需要注意的是，之前的Flash Attention内核具有Windows实现，Windows用户可以强制使用sdp_kernel，仅启用Flash Attention的上下文管理器。
而在2.2中，如果必须使用 sdp_kernel 上下文管理器，请使用memory efficient或math内核（在Windows上）。
在FlashAttention-2的加持之下，torch.nn.functional.scaled_dot_product_attention的速度提升了大约2倍，在A100 GPU上达到了理论计算峰值的50%-73%。
AOTInductor
AOTInductor是TorchInductor的扩展，用于处理导出的PyTorch模型，对其进行优化，并生成共享库以及其他相关工件。
这些编译的工件可以部署在非Python环境中，经常用于服务器端的推理。
下面的示例演示了如何调用 aot_compile 将模型转换为共享库。
AOTInductor支持与Inductor相同的后端，包括CUDA、ROCm和CPU。
TORCH_LOGS
PyTorch 2.2提供了一个标准化的、可配置的日志记录机制，可用于分析各种子系统的状态，例如编译和分布式操作
可以通过TORCH_LOGS环境变量启用日志。比如通过在命令行中修改环境变量：
将TorchDynamo的日志级别设置为logging.ERROR，将TorchInductor的日志级别设置为logging.DEBUG。
当然也可以在代码中以API的形式使用：
torch.distributed.device_mesh
PyTorch 2.2引入了一个新的抽象，用于表示分布式并行中涉及的 ProcessGroups，称为torch.distributed.device_mesh。
为分布式训练设置分布式通信器（NCCL）是一件麻烦的事情。用户需要编写不同并行度的工作负载，并为每个并行度手动设置和管理NCCL通信器（ProcessGroup ）。
这个过程可能很复杂，容易出错。而DeviceMesh 可以简化此过程，使其更易于管理。
DeviceMesh 是管理 ProcessGroup 的更高级别的抽象。它允许用户毫不费力地创建节点间和节点内进程组，而不必担心如何为不同的子进程组正确设置等级。
例如，数组的其中一个维度可以表示FSDP中的数据并行（data parallelism），而另一个维度可以表示FSDP中的张量并行（tensor parallelism）。
用户还可以通过 DeviceMesh 轻松管理底层process_groups，以实现多维并行。
DeviceMesh在处理多维并行性（如3D并行）时很有用。如上图所示，当你的并行解决方案需要跨主机和每个主机内部进行通信时，可以创建一个2D网格，用于连接每个主机中的设备，并以同构设置将每个设备与其他主机上的对应设备连接起来。
借助 init_device_mesh() ，我们可以在短短两行内完成上面这个2D设置：
而如果不使用DeviceMesh，我们大概需要自己写下面这一堆代码：
当然，如果需要，我们仍然可以访问底层 ProcessGroup：
优化器的改进
大概有以下几点：
编译优化器在所有基准测试中都提高了性能：HuggingFace +18%、TorchBench +19%、TIMM +8% E2E；
编译的优化器增加对cudagraphs的支持；
对测试套件中所有模型进行平均，每个测试套件的基准测试平均编译时间增加约40秒；正在进行的优化可能会将其降低到30秒以下。
用于多张量优化器编译的inductor中缺少的主要功能是foreach算子的高效编码生成。
在调度器内部，将所有在下放过程中注册的缓冲区列表凝聚到ForeachKernelSchedulerNodes中（FusedSchedulerNode的子类）。
为了检查融合是否合法，每个内部 SchedulerNode 执行的写操作必须与消费SchedulerNode在同一列表索引处的读操作相匹配。
此外，正常的垂直融合规则必须允许在消费者和生产者SchedulerNode列表的每个索引处进行融合。
如果满足了这些条件，ForeachKernelSchedulerNode将垂直融合成一个 ForeachKernelSchedulerNode，其中每个列表上的相应点操作都将被融合。
通过实现这种融合，可以将一系列 foreach 运算融合到单个内核中，从而实现多张量优化器的完全融合。
性能改进
TorchInductor中添加了许多性能优化，包括对torch.concat的水平融合支持、改进的卷积布局优化、以及改进scaled_dot_product_attention模式匹配。
PyTorch 2.2还包括aarch64的许多性能增强，包括对mkldnn权重预打包的支持、改进的ideep基元缓存，以及通过对OneDNN的固定格式内核改进，来提高推理速度。
参考资料：