本文共 3746 字,大约阅读时间需要 12 分钟。
本文主体内容转载自,因为我的C语言不熟悉,所以本篇大体还是借鉴于罗神的文章。不过相比罗神,我比较侥幸成为了PyTorch官方的contributor,一共也没改多少代码…
首先我们需要了解什么是多重派发,直观来说就是根据一些条件(函数签名)在运行时分发相关的函数。PyTorch中使用了这个方法,就使得CPU上可以根据环境变量,硬件指令实现等条件选择SIMD加速的backend。首先我们用一个C的demo来展示如何在C语言中模拟多重派发。
我们这个demo的目标是根据C语言的内置类型对不同函数进行分发,具体来说就是现在有(以下是伪代码)
func_1(int32, int64)func_2(int32, float32)...
他们都是根据不同类型实现的类似功能的函数,我们希望在调用一个入口函数func的时候自动根据输入变量的类型进行方法的派发。
首先我们需要创建一个枚举类型来标记一下
typedef enum { tagInt32 = 0, tagInt64, tagFloat32, tagFloat64, ntypes, // 这个在后面的函数调用列表中有意义} Tag;
这里,tagInt64 = 1; tagFloat32 = 2; tagFloat64 = 3; ntypes = 4;
然后定义一个结构体作为类型
typedef struct{ void *data; size_t size; Tag tag; // tag的类型用int也ok //int tag; 与Tag tag效果一样。} Type;
之后我们需要对不同的类型定义一些工厂函数来产生相对应的实例,所以这里定义一个宏来批量产生函数定义
#define MAKE_TYPE(NAME, CTYPE) \ Type *make_##NAME(CTYPE data) \ { \ Type *type; \ type = (Type *)malloc(sizeof(Type)); \ type->size = sizeof(CTYPE); \ type->data = (void *)malloc(sizeof(CTYPE)); \ type->tag = tag##NAME; \ CTYPE *temp_ptr = (CTYPE *)type->data; \ *temp_ptr = data; \ return type; \ }MAKE_TYPE(Int32, int32_t)MAKE_TYPE(Int64, int64_t)MAKE_TYPE(Float32, float)MAKE_TYPE(Float64, double)
这一步是生成
make_Int32
,make_Int64
,make_Float32
,make_Float64
这4个宏函数,方式类似于Python中的装饰器(decorator)。##
在宏定义中的连接的意思:比如define torch##7
就是torch7
。
然后定义函数类型,我们这里的函数都是输入参数为2(可变参数的话,看情况换成指针的指针之类的方案)
typedef int (*FuncType)(Type *a, Type *b);
关于C/C++函数指针的内容,请参考
然后我们有一些函数在不同类型上的实现
// int32 float32int Func_0x001(Type *a, Type *b){ int32_t *a_data = a->data; float *b_data = b->data; printf("input: int32 %d, float32 %f", *a_data, *b_data); return 0;}// int32 float64int Func_0x002(Type *a, Type *b){ int32_t *a_data = a->data; double *b_data = b->data; printf("input: int32 %d, float64 %lf", *a_data, *b_data); return 0;}
然后别忘了让没有相关实现的类型fall back到错误处理或者默认方法上去(PyTorch中是回退到一般的没有SIMD指令的实现上去)
int fallback(){ printf("Error: MethodError: No method match input type\n"); exit(-1); return 0;}
接下来定义一个函数调用表,表的各个维度就是表示各个类型
FuncType FUNC_CALL_LIST[ntypes][ntypes] = { { NULL, // int32 int32 NULL, // int32 int64 &Func_0x001, // int32 float32 &Func_0x002, // int32 float64 }, { NULL, // int64 int32 NULL, // int64 int64 NULL, // int64 float32 NULL, // int64 float64 }, { NULL, // float32 int32 NULL, // float32 int64 NULL, // float64 int32 NULL, // float64 int64 },};
然后定义函数入口
int FuncEntry(Type *a, Type *b){ FuncType func_ptr = FUNC_CALL_LIST[a->tag][b->tag]; if (func_ptr != NULL) { (*func_ptr)(a, b); } else { return fallback(); }}
最后提供用来释放(析构)的函数
void type_free(Type *type){ free(type->data); free(type);}
int main(){ Type *a = make_Int32(2); // a -> tag = 0 Type *b = make_Float32(1.5); // b -> tag = 2 // 调用的是函数Func_0x001 FuncEntry(a, b); type_free(a); type_free(b); printf("\n"); return 0;}
编译一下gcc main.c -o main
,就可以看到效果,程序会在运行时分发对应的方法,然后输出结果,如果没有对应的方法就回退到默认实现上去。
然后需要头文件
#include#include #include
PyTorch中的TH库的实现机制是类似的,但是没有类型判断而是根据支持的SIMD指令和环境变量来分发方法。
类似在demo里使用的,每个SIMD实现都是
THVector_(name_EXT)
的形式,其中 相关的信息会记录在 FunctionDescription
这个结构体中,然后最后根据对应的条件进行派发。如果有新的实现只需要插入到generic/THVectorDispatch.cpp
中即可,不需要管其它部分,当硬件和环境变量的相关条件满足的时候会自动分配过去,这是运行时分配的,因为是直接访问地址,所以复杂度也是O(1),不需要进行重新编译。