MIT开源高性能自动微分框架Enzyme：速度提升4.5倍

作者｜泽南、亚洲

 来源｜机器之心

麻省理工学院（MIT）提出的自动微分框架 Enzyme 在 NeurIPS 2020 大会上引起过不少人的兴趣，现在人们已经可以尝试使用这套工具了。

当前，PyTorch、TensorFlow 等机器学习框架已经成为了人们开发的重要工具。计算反向传播、贝叶斯推理、不确定性量化和概率编程等算法的梯度时，我们需要把所有的代码以微分型写入框架内。这对于将机器学习引入新领域带来了问题：在物理模拟、游戏引擎、气候模型中，原领域组件不是由机器学习框架的特定领域语言（DSL）编写的。因此在将机器学习引入科学计算时，重写需求成为了一个挑战。

为了解决这一问题，现在的发展趋势包含构建新的 DSL，让重写过程变得简单，或者在编程时直接进行构建。这些方法可以让我们获得有效的梯度，但是仍然需要使用 DSL 或可微分的编程语言进行重写。

开发者们自然会希望使用机器学习框架以外的代码重用已有工具，或在一种语言里写好损失函数，然后为其用例提供更简单的抽象。尽管目前已经出现了一些针对不同语言的反向自动微分框架（AD），但我们很难在 ML 框架外的代码上自动使用它们，因为其仍需要重写，且对于跨语言 AD 和库的支持有限。

为了方便开发者，来自 MIT 的研究者开源了 Enzyme，一种用于 LLVM 编译器框架的高性能自动微分（AD）编译器插件。该插件能够合成以 LLVM 中间表示（IR）表示的静态可分析程序的梯度。Enzyme 能够合成任何以面向 LLVM IR 编译器为语言编写的程序的梯度，包括 C、C ++、Fortran、Julia、Rust、Swift、MLIR 等，从而提供这些语言的本机 AD 功能。

据作者介绍，与传统的源到源和 operator-overloading 工具不同，Enzyme 在优化的 IR 上执行 AD。

在包括微软 ADBench 在内的以机器学习为重点的基准套件上，经过优化的 IR 上的 AD 的几何平均速度比未经过优化的 IR 上 AD 的几何平均速度提高了 4.5 倍，这使得 Enzyme 达到了最高的性能。

此外，Enzyme 方便使用，在 PyTorch 和 TensorFlow 上都有程序包，可让开发者便捷访问具有最新性能的外来代码梯度，从而使外来代码可直接合并到现有的机器学习工作流程中。

论文标题：

Instead of Rewriting Foreign Code for Machine Learning, Automatically Synthesize Fast Gradient

论文链接：

https://arxiv.org/abs/2010.01709

项目网页：

https://enzyme.mit.edu/

项目地址：

https://github.com/wsmoses/Enzyme

作者表示，Enzyme 可提供这些工具和能力：

• Enzyme，一种用于 LLVM 的编译器插件，可以合成可静态微分的 LLVM IR 的快速梯度。包括 C、C ++、Fortran、Rust、Swift 等编译器前端生成的中间表示（IR）。

• PyTorch-Enzyme/TensorFlow-Enzyme，一个外部功能接口，允许机器学习研究者使用 PyTorch 和 TensorFlow 使用以 LLVM 编译语言编写的外部代码。

• Enzyme.jl，一个 Julia 包，通过动态高级语言编写的代码，仅使用低层信息获得梯度。

• 通过链接时优化（LTO）支持了多来源 AD 和静态库支持。

• 研究表明优化后运行 AD，在标准机器学习基准测试上可获得显著性能提升，并达到 SOTA 水平。

上图为 relu(pow(x,3)) 的梯度合成示例。左侧为 LLVM IR 上的原始计算。左侧注释中展示了将添加到前向传递中的活动变量的影子分配。右侧则是 Enzyme 将生成的反向传递。完整的合成梯度函数将结合使用这些函数（添加影子分配），将 if.end 中的返回替换为 reverse_if.end 的分支。

Enzyme 项目概述

Enzyme 项目是一个用于可静态分析 LLVM IR 的反向模式自动微分（AD）工具。它允许开发者可以自动创建基于源代码的梯度，而无需更多额外工作。

double foo(double);




double grad_foo(double x) {
return __enzyme_autodiff(foo, x);
}

通过优化微分后的代码，Enzyme 可以比现有的优化工具提供更快的微分速度：

组件

Enzyme 工具主要由四部分组成：

• 可选的预处理阶段，该阶段执行对 AD 有用的较小转换。

• 一种新的过程间类型分析，可推断出内存位置的基础类型。

• 活动分析，确定哪些指令或值会影响导数计算（在现有 AD 系统中很常见）。

• 优化遍历可创建任何必需的派生函数，用生成的函数替换对__enzyme_autodiff 的调用。

更多详细介绍，可查看 MIT 研究者们提交的 NeurIPS 2020 论文。

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。