来源：CSDN博客
作者｜郑建华
(资料图)
1
不同Tensor类型的存储管理方式
Lazy Tensor 的存储是由 Runtime 和 Actor 等对象管理的。静态图完成编译后，需要多少个对象、多少存储空间都是确定的，Runtime 等在初始化时会分配存储，在退出时回收资源。
Eager 模式下，Global Tensor 可以视为对 Local Tensor 的分布式封装，EagerGlobalTensorImpl 在本地的数据是一个
EagerLocalTensorImpl 对象。可以通过考察 EagerLocalTensorImpl 来理解 eager 模式下 tensor 的存储管理。
参考的示例代码如下：
import numpy as np import oneflow as flow a = np.random.randn(1, 4) flow.tensor(a, device=flow.device("cpu"), dtype=flow.float)
2
Tensor 存储相关类的关系
EagerLocalTensorImpl 的存储相关的类关系如下。
后续会顺着示例代码的执行过程，看看图中的对象都是在何时、如何构造的，存储被谁持有、如何分配并释放。
3
通过虚拟机指令为 Tensor 分配存储
tensor 的构造函数通过 Python C API 注册为 PyTensorObject_init，由 functional::_legacy_tensor_ctor
根据签名进行转发。
示例代码对应的是 TensorWithDataFunctor
，调用 MakeLocalTensorFromData 构造 tensor，在这个函数中通过调用 functional::Empty以及 EmptyFunctor分配存储。在 EmptyFunctor 中把相关属性都存到 attrs，然后调用 OpInterpUtil::Dispatch在 vm 指令的执行准备过程中分配存储。
EmptyFunctor 返回的 tensor 是一个只有存储空间、不含数据的对象。数据拷贝在后面由 CopyLocalTensorFromUntypedArray
完成。
3.1 存储相关对象的构造
因为是 eager 模式下的 local tensor，OpInterpUtil::Dispatch 会被转发到 NaiveInterpret执行。对于示例代码，这个函数的输入参数如下：
inputs 是一个空数组
outputs 只有一个元素、且是空指针
因为 outputs 中的 tensor 指针都是空的，所以需要创建一个 EagerLocalTensorImpl 对象，其 one::TensorStorage 成员变量是空指针。
因为 output_eager_blob_objects 中的元素尚未初始化，会调用 tensor_impl->InitEagerBlobObject
进行初始化。因为 tensor_storage_ 还是空的，这个过程会执行如下操作：
创建 vm::TensorStorage 对象
创建 EagerBlobObject 对象
set_eager_blob_object
UpdateTensorStorage
创建 one::TensorStorage 对象
设置 tensor 存储释放的回调函数
上述对象的创建，都只是记录相关信息，还不涉及 tensor 的存储分配。
需要注意的是，注册到 one::TensorStorage 的回调函数被赋值给了成员变量 releaser_hook_，这个函数会通过虚拟机指令释放 tensor。
3.2 在指令执行过程中分配 tensor 存储
分配 tensor 存储的过程如下：
vm::Instruction::Compute
vm::InstructionPolicy::ComputeIf
vm::OpCallInstructionPolicy::Compute
OpCallInstructionUtil::Compute
获取内存分配器
OpCallInstructionUtil::AllocateOutputBlobsMemory
blob_object->TryAllocateBlobBodyMemory
allocator->Allocate
在 EagerBlobObject::TryAllocateBlobBodyMemory 中，allocator 分配的存储地址会赋值给 dptr，存储地址 dptr 和 Free 函数一起构造一个智能指针，并赋值给 vm::TensorStorage 的 blob_dptr_ 变量。
4
通过虚拟机指令释放 Tensor 存储
在前面的 3.1 节提到，EagerLocalTensorImpl 在初始化 EagerBlobObject、创建 one::TensorStorage 的同时，会设置一个释放 tensor 的回调函数，回调函数保存在变量 releaser_hook_ 中
，one::TensorStorage 析构时调用这个回调函数。把这些信息综合整理一下，one::TensorStorage 析构时会执行如下操作：
vm::InstructionList instruction_list; InstructionsBuilder instructions_builder(&instruction_list); // JUST(Build(&instructions_builder)); if (eager_blob_object->producer_stream().has_value()) { JUST(instructions_builder->ReleaseTensor(eager_blob_object)); } JUST(vm::Run(instructions_builder.mut_instruction_list()));
在 InstructionsBuilder::ReleaseTensor 中，如果有其它 stream 最近使用了 eager_blob_object，会通过 SoftSyncStreamBetween 进行同步。通过这种方式解决存储的依赖问题。
一般情况下，通过 tensor 的 producer_stream 释放存储，根据这个对象获取对应的 vm::Stream 对象，并据此构造指令 instruction（包含 eager_blob_object 和 vm_stream），示例代码对应的指令类型是 FastReleaseTensorInstructionPolicy，其 Compute 方法执行具体的存储释放逻辑，过程如下：
ReleaseTensorInstructionPolicy::Release()
eager_blob_object->DeallocateBlobDataPtr()
tensor_storage_->Release()
tensor_storage_->_Release()
blob_dptr_.reset()
智能指针重置，调用分配存储时指定的 Free 方法
5
reshape 等场景的存储管理
在 reshape、slice、transpose 等场景中，调用的 EagerLocalTensorImpl 构造函数的参数包括 input 的 tensor_storage，所以这个 tensor 的 tensor_storage_ 变量不是空的，在执行 InitEagerBlobObject 时，只创建 EagerBlobObject以提供 shape、stride等信息；但不会再创建 one::TensorStorage，而是复用 input 的存储。
6
两个 TensorStorage 类型可以合并吗？
为什么在 one::TensorStorage 析构时、由它保存的回调函数来触发释放 vm::TensorStorage 中的存储呢？
one::TensorStorage 只多了一个 releaser，这两个 Storage 类型是否可以合并呢？
在当前的设计下，这两个类型不能合并。因为 one::TensorStorage::releaser_hook_ 中持有 EagerBlobObject 的智能指针，EagerBlobObject 中也持有 vm::TensorStorage 的智能指针。如果两个 Storage 类型合并为一个，就会出现循环引用、对象无法析构而导致内存泄漏。
所以，vm::TensorStorage 只是单纯的存储，可以在多个 tensor 之间共享。EagerBlobObject 既包括存储、也包括 shape、stride、data_type 等独特的对象信息。而 one::TensorStorage 是为了避免循环引用而引入的、专门负责释放存储的角色。
7
附录
GDB 断点示例
break oneflow::one::MakeLocalTensorFromData break oneflow::one::NaiveInterpret break oneflow::vm::VirtualMachineEngine::DispatchInstruction break oneflow::vm::OpCallInstructionUtil::Compute break oneflow::vm::OpCallInstructionUtil::AllocateOutputBlobsMemory break oneflow::vm::EagerBlobObject::TryAllocateBlobBodyMemory break oneflow::vm::ReleaseTensorInstructionPolicy::Release break oneflow/core/eager/eager_blob_object.cpp:107
参考资料
OneFlow（https://github.com/Oneflow-Inc/oneflow/tree/b51cb72430619f6088e47bbb8b8226f37299573a）
OneFlow源码解析：Tensor类型体系与Local Tensor
其他人都在看
“ChatGPT们”的淘金时代
推演语言模型的大小与计算开销
狂追ChatGPT：开源社区的“平替”热潮
谷歌科学家：ChatGPT秘密武器的演进与局限
比快更快，开源Stable Diffusion刷新作图速度
OneEmbedding:单卡训练TB级推荐模型不是梦
GLM训练加速：性能最高提升3倍，显存节省1/3
欢迎Star、试用OneFlow: github.com/Oneflow-Inc/oneflow/http://github.com/Oneflow-Inc/oneflow/
标签：
