PyTorch CPU 线程和 TorchScript 推断
原文： https://pytorch.org/docs/stable/notes/cpu_threading_torchscript_inference.html
PyTorch 允许在 TorchScript 模型推断期间使用多个 CPU 线程。 下图显示了在典型应用程序中可以找到的不同级别的并行性：
一个或多个推理线程在给定的输入上执行模型的前向传递。 每个推理线程都调用一个 JIT 解释器，该解释器逐一执行内联模型的操作。 模型可以利用fork TorchScript 原语来启动异步任务。 一次分叉多个操作将导致并行执行任务。 fork运算符返回一个future对象，该对象可用于以后进行同步，例如：
@torch.jit.script
def compute_z(x):
return torch.mm(x, self.w_z)
@torch.jit.script
def forward(x):
# launch compute_z asynchronously:
fut = torch.jit._fork(compute_z, x)
# execute the next operation in parallel to compute_z:
y = torch.mm(x, self.w_y)
# wait for the result of compute_z:
z = torch.jit._wait(fut)
return y + zPyTorch 使用单个线程池实现操作间的并行性，该线程池由应用程序过程中分叉的所有推理任务共享。
除了操作间并行性之外，PyTorch 还可以在操作内部利用多个线程(<cite>操作内并行性</cite>）。 在许多情况下，这可能很有用，包括大张量上的元素操作，卷积，GEMM，嵌入查找等。
构建选项
PyTorch 使用内部的 ATen 库来实现操作。 除此之外，PyTorch 还可以通过支持 MKL 和 MKL-DNN 等外部库来构建，以加快 CPU 的计算速度。
ATen，MKL 和 MKL-DNN 支持操作内并行，并依靠以下并行库来实现它：
过去，OpenMP 已被许多库使用。 以相对容易使用和支持基于循环的并行性和其他原语而闻名。 同时，OpenMP 与该应用程序使用的其他线程库之间的良好互操作性并不为人所知。 特别是，OpenMP 不保证在应用程序中将使用单个每个进程的内部操作线程池。 相反，两个不同的互操作线程将可能使用不同的 OpenMP 线程池进行互操作。 这可能会导致应用程序使用大量线程。
TBB 在外部库中使用的程度较小，但同时针对并发环境进行了优化。 PyTorch 的 TBB 后端保证了应用程序中运行的所有操作都使用一个单独的，按进程的单个进程内线程池。
根据使用情况，可能会发现一个或另一个并行化库在其应用程序中是更好的选择。
PyTorch 允许通过以下构建选项来选择构建时 ATen 和其他库使用的并行化后端：
|
图书馆
|
构建选项
|
价值观
|
笔记
| | --- | --- | --- | --- | | en | ATEN_THREADING | OMP(默认），TBB | | | MKL | MKL_THREADING | (相同） | 要启用 MKL，请使用BLAS=MKL | | MKL-DNN | MKLDNN_THREADING |
(same) | 要启用 MKL-DNN，请使用USE_MKLDNN=1 |
强烈建议不要在一个内部版本中混用 OpenMP 和 TBB。
以上任何TBB值都需要USE_TBB=1构建设置(默认值：OFF）。 OpenMP 并行性需要单独的设置USE_OPENMP=1(默认值：ON）。
运行时 API
以下 API 用于控制线程设置：
|
并行类型
|
设定值
|
Notes
| | --- | --- | --- | | 互操作并行 | at::set_num_interop_threads和at::get_num_interop_threads(C ++）set_num_interop_threads和get_num_interop_threads(Python， torch 模块）
| set*功能只能在启动期间，实际操作员运行之前被调用一次；默认线程数：CPU 内核数。 | | 帧内并行 | at::set_num_threads，at::get_num_threads(C ++）set_num_threads，get_num_threads(Python， torch 模块）环境变量：OMP_NUM_THREADS和MKL_NUM_THREADS |
对于操作内并行设置，at::set_num_threads，torch.set_num_threads始终优先于环境变量，MKL_NUM_THREADS变量优先于OMP_NUM_THREADS。
注意
parallel_info实用程序可打印有关线程设置的信息，并可用于调试。 在 Python 中，也可以通过torch.__config__.parallel_info()调用获得类似的输出。
更多建议：