cache_compile

功能说明

开启模型编译缓存功能能时需调用该接口实现编译缓存，降低成图编译耗时。

函数原型

cache_compile(func, *, config: Optional[CompilerConfig] = None, backend: Optional[Any] = None, dynamic: bool = True, cache_dir: Optional[str] = None, global_rank: Optional[int] = None, tp_rank: Optional[int] = None, pp_rank: Optional[int] = None, ge_cache: bool = False, **kwargs) -> Callable

参数说明

参数	输入/输出	说明
func	输入	模型编译缓存的函数。
config	输入	图编译配置，CompilerConfig类的实例化，默认情况下采用TorchAir自动生成的配置。
backend	输入	后端选择，默认值为"None"，通过torchair.get_npu_backend()获取。当同时传入config和backend时，会校验config和backend里的config是否一致，不一致报错。若只传入backend，则会将backend里的config取出赋值给入参config，然后传递下去，后续流程不变。
dynamic	输入	是否按照输入动态trace，bool类型。该参数继承了PyTorch原有特性，详细介绍请参考LINK。默认True，进行动态trace。
cache_dir	输入	缓存文件保存的根目录，支持绝对路径和相对路径。若cache_dir指定路径，且为绝对路径，则缓存文件路径为${cache_dir}/${model_info}/${func}。若cache_dir指定路径，且为相对路径，则缓存文件路径为${work_dir}/${cache_dir}/${model_info}/${func}。${cache_dir}默认为“.torchair_cache”（若无会新建），${work_dir}为当前工作目录，${model_info}为模型信息，${func}为封装的func函数。
global_rank	输入	分布式训练时的rank，int类型。取值范围为[0, world_size-1]，其中world_size是参与分布式训练的总进程数。一般情况下TorchAir会自动通过torch.distributed.get_rank()获取默认值。
tp_rank	输入	指张量模型并行rank，int类型，取值是global_rank中划分为TP域的rank id。
pp_rank	输入	指流水线并行rank，int类型，取值是global_rank中划分为PP域的rank id。
ge_cache	输入	是否缓存Ascend IR图编译结果，bool类型。除了优化Dynamo编译耗时，还支持优化Ascend IR图编译耗时。 True：开启缓存Ascend IR编译结果。生成的缓存路径是cache_dir指定的目录。如`/home/workspace/.torchair_cache/${model_info}/prompt/ge_cache_${时间戳}.om`。 False（默认值）：关闭缓存Ascend IR图编译结果。该功能受CANN包版本变更影响，用户根据实际情况手动开启。
**kwargs	输入	预留参数项，用于后续功能扩展。当前版本支持指定模型运行时使用的decomposition（将较大算子操作分解为小算子实现），通过custom_decompositions配置项实现。您可以参考调用示例的Add算子分解样例。

返回值说明

返回一个Callable对象。

约束说明

如果图中包含依赖随机数生成器（RNG）的算子（例如randn、bernoulli、dropout等），不支持使用本功能。
本功能与torch.compile原始方案相比多了如下限制：
- 缓存要与执行计算图一一对应，若重编译则缓存失效。
- Guards阶段被跳过且不会触发JIT编译，要求生成模型的脚本和加载缓存的脚本一致。
- CANN包跨版本缓存无法保证兼容性，如果版本升级，需要清理缓存目录并重新进行Ascend IR计算图编译生成缓存。
cache_dir参数使用约束：
- 请确保该参数指定的路径确实存在，并且运行用户具有读、写操作权限。
- 若编译缓存的模型涉及多机多卡，缓存路径包含集合通信相关的world_size以及global_rank信息，缓存文件路径为{work_dir}/{cache_dir}/{model_info}/world{world_size}global_rank{global_rank}/{func}/。
- {model_info}里会自动增加aclgraphcache关键词。
ge_cache参数使用约束：
- 仅GE图模式场景（max-autotune）支持ge_cache参数。
- 默认情况下，ge_cache=False（功能不开启），因受CANN包版本变更影响，用户需根据实际情况手动开启该功能。
- CANN包跨版本的缓存无法保证兼容性，如果版本升级，需要清理缓存目录并重新GE编译生成缓存。
- 在单算子和图混跑场景下，开启该功能会增加通信域资源开销，有额外显存消耗。

调用示例

Ascend IR编译缓存

Add算子custom_decompositions简单示例：

# 注册算子分解函数
import torch, torch_npu, torchair
from torch._decomp import get_decompositions, register_decomposition
@register_decomposition(torch.ops.aten.add.default)
def test_add_decomp(t1, t2):
    return t1 + t2

class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        # 将被分解算子的列表通过custom_decompositions传入
        self.cached = torchair.inference.cache_compile(self.inner_forward,
            custom_decompositions=get_decompositions([torch.ops.aten.add.default]))

    def inner_forward(self, t1, t2):
        return torch.ops.aten.add(t1, t2)

    def forward(self, t1, t2):
        return self.cached(t1, t2)

# ...