好久不见！OneFlow 1.0全新版本上线

AIGC 0

080069ffaddb8f1e4e1d4acf62ca9b58.png

好久不见。今天是 OneFlow 开源的第 1320 天。

与 OneFlow 框架的创作者们一样，过去一年，它也经历了过山车般的命运。好在，即使在下坡潜伏期依然被社区用户关注和使用，作为它的创作者，我们为此感到欣慰——这也是它还在更迭的价值和意义所在。

终于，OneFlow 迎来了一个新的里程碑。距离上一次版本发布一年后，我们很高兴发布全新的 OneFlow v1.0.0 版本。

本次更新共 447 个 commits，包括新特性 80+ 项，功能改进与问题修复共 130+ 项。性能方面，无论是深度学习编译后使用 Graph 模式运行，还是 Eager 模式运行，在典型模型上 OneFlow 相比 PyTorch 都有明显的领先优势。

我们希望，新版本不仅仅是一个数字上的里程碑，更成为用户在模型的生产和应用中的价值高地。

欢迎体验新版本，期待你的反馈。完整更新列表及性能详情请查看：https://github.com/Oneflow-Inc/oneflow/releases/tag/v1.0.0icon-default.png?t=N7T8https://github.com/Oneflow-Inc/oneflow/releases/tag/v1.0.0

OneFlow v1.0.0 主要包括以下新增亮点特性、功能和优化：

  1. PyTorch兼容性：新接口 compile_from_torch

compile_from_torch接口在共享参数显存的情况下，将 PyTorch 的 Module 实例转化成 OneFlow 的 Module 实例，支持直接 Eager 运行或者转化为静态图 nn.Graph 并进一步使用 MLIR 编译加速。

该接口仍在快速演进中，目前支持了动态形状编译并在ResNet50、Faster RCNN、Stable Diffusion三个典型模型上做了验证。

接口签名及参数介绍：

compile_from_torch(torch_module: torch.nn.Module, /*, use_graph=True, options={})* torch_module：需要被转换的 Torch Module 实例。* use_graph：是否转化为静态图 nn.Graph 并使用 MLIR 编译加速，默认为 True。* options：  * size: 使用静态图 nn.Graph 后会根据输入的 shape 计算 hash 值缓存相应的 graph ，size 表示静态图缓存的最大容量，超过最大容量会根据 LRU 策略对 graph 进行清理，默认值为 9。  * dynamic：对于动态 shape 的输入第一次会完整编译 graph，之后的对于不同 shape 的输入当 dynamic 为 True 时会启用共享图进行编译加速，dynamic 为 False 时每次都会重新进行编译，默认为 True。  * debug：调试模式和日志级别设置，-1 禁用调试模式，0 输出警告和静态图构建信息，1 额外输出每个子模块的构图信息，2 额外输出每个算子的进度，3 输出更详细的算子信息，默认为 -1。

使用示例：

import torchfrom torchvision import modelsimport oneflowfrom oneflow.framework.infer_compiler import compile_from_torchDEVICE = torch.device("cuda")WEIGHT = models.ResNet50_Weights.DEFAULTmodel = models.resnet50(weights=WEIGHT).to(DEVICE)compile_model = compile_from_torch(model, options={"dynamic": True})

  1. Eager 运行时优化与重构

对 Eager 运行时做了一系列优化与重构，包括统一系统内存池、对接 CUDA 原生接口、优化指令调度机制、引入指令融合机制、优化 Autograd 构图速度、优化 Op 推导过程、解耦 Instruction 与 Stream 等。

用户可以通过一些环境变量设定 Eager 运行时行为：

6390556446542b7e1e5c5ccd3c3d4f2a.png

  1. 分离编译

静态图分布式物理执行计划支持分离编译功能，每个进程独立编译自己所需的执行计划，使得编译时间不再随 GPU 规模线性增长。分离编译功能支持 3D 混合并行（数据并行+模型并行+流水并行）场景，可与大规模模型训练开源工具箱 LiBai 一同使用，打开方式为：export ONEFLOW_ENABLE_LAZY_SEPARATE_COMPILE=1。

以下是在 128 卡 A100-PCIE-40GB 设备上，配合 LiBai 在 GPT2 模型上的测试结果：

4659fba454fc8e16eaa5d94fe3bf461c.png

  1. 性能优化

OneFlow compile_from_torch VS PyTorch compile

相对 PyTorch compile 接口的编译时间，使用 OneFlow compile_from_torch 接口的编译时间更短，另外得益于 OneFlow 框架中极致的算子优化，在 Stable Diffusion 模型上有更优的执行性能（github.com/siliconflow/onediff）。

具体而言，对 ResNet50 模型和 Faster RCNN 模型的 backbone 部分使用 OneFlow compile_from_torch 和 PyTorch compile 接口进行编译并执行，测试不同形状输入时的编译时间，结果如下表：

（注：测试使用 GPU 型号为 3090，PyTorch 版本为 v2.1.2，CUDA 版本为 12.2。）

b2e75a2db79ccdc2e76dab4a7cf738ec.png

7bb552161a959046121e6019b989fa8d.png

对 Stable Diffusion 模型的 unet 部分使用 OneFlow compile_from_torch 和 PyTorch compile 接口进行编译并执行，测试不同形状输出时的编译时间与执行时间，结果如下表：

3bf4c4a21c8a3e62ec512606b7c50fed.png

401a2acf28837a5dfacf270930d86837.png

（注：测试使用 GPU 型号为 3090，PyTorch 版本为 v2.1.2，CUDA 版本为 12.2。）

OneFlow Eager vs PyTorch Eager

在 ResNet50 和 Bert 模型的小 batch 场景下，OneFlow Eager 相对于 PyTorch Eager 有明显性能优势。

ffd8824f3186e657d32402dc28ef3493.png

89cfc5deadae5d6d9915e3ec8ce9507c.png

f8143e48c7f1ec7601a9ec0158a49897.png

ed67066a2ae0046e64a6af00b6828bae.png

（注：测试使用 PyTorch 版本为 v2.1.0，CUDA 版本为 12.1）

  1. 新增函数式自动微分接口

新增一系列函数式自动微分相关接口支持，包括 jvp、vjp、hvp、vhp、jacobian、hessian。（github.com/Oneflow-Inc/oneflow/pull/10412；github.com/Oneflow-Inc/oneflow/pull/10428）

使用示例：

import oneflow as flow# jacobian exampledef exp_reducer(x):    return x.exp().sum(dim=1)input = flow.rand(2, 2)jac_rslt = flow.autograd.functional.jacobian(exp_reducer, input)# vhp exampledef pow_reducer(x):    return x.pow(3).sum()input = flow.rand(2, 2)v = flow.ones(2, 2)vhp_rslt = flow.autograd.functional.vhp(pow_reducer, input, v)

  1. 新增Insight模块

Insight 模块支持可视化地展示埋点区间内 kernel 调用、执行时间、速度等信息。（github.com/Oneflow-Inc/oneflow/pull/10370）

使用方法如下：

  • 步骤一：使用 OneFlow Profiler 模块在代码中设置埋点区间。

  • 步骤二：运行代码并使用 NVIDIA Nsight Systems 生成 sqlite 后缀文件。

  • 步骤三：使用 OneFlow Insight 模块生成 json 文件。

  • 步骤四：在网址 chrome://tracing/ 或 edge://tracing/ 中打开 json 文件得到可视化界面。

更详细的介绍可参考：https://github.com/Oneflow-Inc/oneflow/tree/master/python/oneflow/utils/insight#usage

  1. LiBai v0.3.0 版本更新

大规模模型训练开源工具箱 LiBai v0.3.0 新版本发布 ，原生支持大语言模型 Llama2 和 ChatGLM2 的 finetune 和分布式推理，支持 full finetune、adapter finetune、lora finetune，可使用 lm-eval-harness 对语言模型进行评测验证。

ChatGLM 和 Llama2 的分布式训练和推理支持情况如下：

536ce1f43f42ee8af25d9a84fdd5b789.png

使用示例：

  
# full finetunebash tools/train.sh projects/Llama/train_net.py projects/Llama/configs/llama_sft.py 8# adapter finetunebash tools/train.sh projects/Llama/adapter/train_net.py projects/Llama/adapter/adapter_sft.py 8# inferencebash tools/infer.sh projects/Llama/pipeline.py 8# evalpython projects/Llama/utils/eval_adapter.py
  
  1.  
    OneFlow Serving功能升级
     
  
OneFlow Serving 功能升级，在原有支持 OneFlow Cpp 后端的基础上，新增支持 OneFlow Python 后端和 OneFlow Lite 后端。
  
  •  
    使用 OneFlow Cpp 后端可以在脱离 Python 的环境中部署以达到最高的性能。
     
  •  
    使用 OneFLow Lite 后端可以实现在端侧设备上的部署。
     
  •  
    使用 OneFlow Python 后端可以以极小的迁移代价完成复杂模型的部署。
     
  
使用方法参考：
  
https://github.com/Oneflow-Inc/serving/blob/main/README.md
  
感谢以下贡献者：
  
@10170309，@BBuf，@Flowingsun007，@L-Xiafeng，@MARD1NO，@MarioLulab，@ShawnXuan，@Yipeng1994，@akeeei，@ccssu，@chengtbf，@clackhan，@crazy-JiangDongHua，@daquexian，@doombeaker，@fpzh2011，@hanwen-sun，@haoyang9804，@hjchen2，@hu-1996，@jackalcooper，@leaves-zwx，@levi131，@lihuizhao，@linzs148，@liujuncheng，@lixiang007666，@loxs123，@lucky9-cyou，@marigoold，@mosout，@ofhwei，@ouyangyu，@pingzhuu，@shangguanshiyuan，@strint，@wyg1997，@xiezipeng-ML
  
==招贤纳士==
  
  
AGI时代，有能力、激情和抱负的工程师不会停留在风平浪静的海滩，而是会选择去新的潮头迎风搏击，驶向新的未知。
  
如果你是这样的工程师，欢迎加入我们这艘航船。简历投递地址：talent@oneflow.org
  
0fe381ff64fb07f27d0e8542f11ba077.png
         

        
        
        
 
        


        

        

        
        
        
        

          
也许您对下面的内容还感兴趣：