0x0. 前言

本文解析一下mlc-llm（https://github.com/mlc-ai/mlc-llm）對(duì)大模型推理的流程以及使用的圖優(yōu)化，算子優(yōu)化策略。mlc-llm的模型部署流程可以查看官方文檔：https://mlc.ai/mlc-llm/docs/ ，也可以參考我前段時(shí)間寫(xiě)的這篇MLC-LLM 部署RWKV World系列模型實(shí)戰(zhàn)（3B模型Mac M2解碼可達(dá)26tokens/s） 。

此外，閱讀mlc-llm的代碼還需要理解一些TVM Unify的一些基礎(chǔ)概念，可以參考TVM 學(xué)習(xí)指南（個(gè)人版） ，Relax: TVM 的下一代圖層級(jí) IR，新一代深度學(xué)習(xí)編譯技術(shù)變革和展望等等。從 https://github.com/BBuf/tvm_mlir_learn 這里可以查看更多相關(guān)博客和資料。

在 MLC-LLM 部署RWKV World系列模型實(shí)戰(zhàn)（3B模型Mac M2解碼可達(dá)26tokens/s） 中提到要使用mlc-llm部署模型首先需要一個(gè)編譯過(guò)程，將原始的基于Realx搭建的模型比如RWKV和給定的device信息一起編譯為T(mén)VM中的runtime.Module（在linux上編譯的產(chǎn)物就是.so文件）提供mlc-llm的c++推理接口調(diào)用 。我們就從這里看起：

由于mlc-llm上游更新很快，為了準(zhǔn)確標(biāo)定代碼位置我fork了一份2023年9月17號(hào)的mlc-llm代碼 ：https://github.com/BBuf/mlc-llm-code-analysis ，本文的注釋以及指出的代碼位置均以這個(gè)fork倉(cāng)庫(kù)為準(zhǔn)。

0x1. 編譯流程解析

編譯的入口在：https://github.com/BBuf/mlc-llm-code-analysis/blob/main/mlc_llm/build.py 。

這個(gè)腳本構(gòu)建了一個(gè)模型build的入口，可以通過(guò)傳入不同的參數(shù)來(lái)構(gòu)建不同配置的模型。參數(shù)解析和模型編譯都在 https://github.com/BBuf/mlc-llm-code-analysis/blob/main/mlc_llm/core.py 中實(shí)現(xiàn)，模型編譯準(zhǔn)備（mod_transform_before_build函數(shù)）和編譯（build函數(shù)）兩個(gè)階段。在模型編譯準(zhǔn)備階段，包含準(zhǔn)備需要優(yōu)化的算子，執(zhí)行一些基礎(chǔ)的圖變換，針對(duì)cuda做進(jìn)一步優(yōu)化，做算子fuse等優(yōu)化，詳細(xì)的解釋清閱讀這里的注釋?zhuān)篽ttps://github.com/BBuf/mlc-llm-code-analysis/blob/main/mlc_llm/core.py#L378 。

在這之后會(huì)執(zhí)行編譯過(guò)程：https://github.com/BBuf/mlc-llm-code-analysis/blob/main/mlc_llm/core.py#L378 。從這里我們可以看到，對(duì)于GPU來(lái)說(shuō)使用的是默認(rèn)的schedule模板，并沒(méi)有使用AutoTVM/Ansor等等調(diào)優(yōu)工具，這一點(diǎn)是很友好的，個(gè)人猜測(cè)也是因?yàn)門(mén)ransformer架構(gòu)的模型是很固定的，然后優(yōu)化方法也比較統(tǒng)一。

上面的編譯前準(zhǔn)備和編譯都是針對(duì)IRModule來(lái)說(shuō)的，那么這個(gè)IRModule是怎么來(lái)的呢？以及量化是在哪里做的？這兩個(gè)問(wèn)題都是在 build_model_from_args 函數(shù)： https://github.com/BBuf/mlc-llm-code-analysis/blob/main/mlc_llm/core.py#L627 處理的，發(fā)生在 mod_transform_before_build 函數(shù)調(diào)用之前。以 RWKV 模型為例，通過(guò)這行 mod, param_manager, params, model_config = rwkv.get_model(args, config) 代碼完成了從原始的 huggingface 模型到初始的 IRModule 的轉(zhuǎn)換，在這個(gè)過(guò)程中也包含了量化。

0x2. 模型搭建解析

0x2.1 模型組件搭建

首先在 https://github.com/BBuf/mlc-llm-code-analysis/blob/main/mlc_llm/relax_model/modules.py 這里基于Relax的內(nèi)部接口（relax.Expr，relax.testing.nn.Module，relax.op.xxx等等）定義了搭建LLM模型需要的一些組件比如 ModuleList，Linear，Embedding，LayerNorm，RotaryEmbedding等等。這個(gè)地方我添加了一些解釋?zhuān)?qǐng)點(diǎn)上面的源碼鏈接查看。然后這個(gè)地方需要注意2個(gè)特殊的op，第一個(gè)是來(lái)自 https://github.com/mlc-ai/relax/blob/ceaf7b0156524d30537a3de5fa30764eaff4edb8/python/tvm/relax/op/index.py#L28 的：

def?take(x:?Expr,?indices:?Expr,?axis:?Optional[int]?=?None)?->?Expr:
????return?_ffi_api.take(x,?indices,?axis)??#?type:?ignore

這個(gè)函數(shù)，實(shí)現(xiàn)了take的核心功能，與numpy和pytorch的take語(yǔ)義類(lèi)似,都可以通過(guò)指定indices來(lái)從輸入張量中抽取值。主要調(diào)用了_ffi_api.take進(jìn)行取值操作, 這個(gè)_ffi_api是relax底層實(shí)現(xiàn), take操作的實(shí)際計(jì)算會(huì)在這里進(jìn)行。這個(gè)函數(shù)被用于Embedding組件的搭建中。

另外nn.emit這個(gè)接口的作用是將一個(gè)relax.Expr表達(dá)式轉(zhuǎn)化為relax.Var變量，并保存該變量。

最后我們注意到這里搭建的Relax模塊風(fēng)格和PyTorch的模塊風(fēng)格基本一致，也可以看出Relax前端是不斷靠近動(dòng)態(tài)圖風(fēng)格，追求更佳的易用性。

0x2.2 模型搭建

首先看一些準(zhǔn)備工作：

#?@dataclass：這個(gè)裝飾器用于指示RWKVConfig類(lèi)是一個(gè)數(shù)據(jù)類(lèi)。用于存儲(chǔ)RWKVModel的配置信息。
@dataclass
class?RWKVConfig:
????"""The?configuration?class?to?store?the?configuration?of?a?`RWKVModel`."""

????num_hidden_layers:?int?#?類(lèi)中的一個(gè)屬性，用于存儲(chǔ)隱藏層的數(shù)量，類(lèi)型為整數(shù)。
????vocab_size:?int?#?類(lèi)中的一個(gè)屬性，用于存儲(chǔ)詞匯表的大小，類(lèi)型為整數(shù)。
????hidden_size:?int?#?類(lèi)中的一個(gè)屬性，用于存儲(chǔ)隱藏層的大小，類(lèi)型為整數(shù)。
????intermediate_size:?int?#?類(lèi)中的一個(gè)屬性，用于存儲(chǔ)中間層的大小，類(lèi)型為整數(shù)。
????rescale_every:?int?=?0?#?類(lèi)中的一個(gè)屬性，默認(rèn)值為0，用于存儲(chǔ)重新縮放的頻率，類(lèi)型為整數(shù)。
????layer_norm_epsilon:?float?=?1e-5?#?類(lèi)中的一個(gè)屬性，默認(rèn)值為1e-5，用于存儲(chǔ)層歸一化的epsilon值，類(lèi)型為浮點(diǎn)數(shù)。
????max_sequence_length:?int?=?1024?#?類(lèi)中的一個(gè)屬性，默認(rèn)值為1024，用于存儲(chǔ)最大序列長(zhǎng)度，類(lèi)型為整數(shù)。
????dtype:?str?=?"float32"?#?類(lèi)中的一個(gè)屬性，默認(rèn)值為"float32"，用于存儲(chǔ)數(shù)據(jù)類(lèi)型，類(lèi)型為字符串。

????def?__init__(
????????self,
????????num_hidden_layers:?int,
????????vocab_size:?int,
????????hidden_size:?int,
????????intermediate_size:?int,
????????rescale_every:?int?=?0,
????????layer_norm_epsilon:?float?=?1e-5,
????????context_length:?int?=?1024,
????????dtype:?str?=?"float32",
????????**kwargs,
????)?->?None:
????????self.num_hidden_layers?=?num_hidden_layers
????????self.vocab_size?=?vocab_size
????????self.hidden_size?=?hidden_size
????????self.intermediate_size?=?intermediate_size
????????self.rescale_every?=?rescale_every
????????self.layer_norm_epsilon?=?layer_norm_epsilon
????????self.max_sequence_length?=?context_length
????????self.dtype?=?dtype
????????self.kwargs?=?kwargs

#?用來(lái)索引RWKV的Attention和FFN部分存儲(chǔ)的狀態(tài)或者叫Cache。
#?python代碼可以參考：?https://github.com/BlinkDL/ChatRWKV/blob/main/rwkv_pip_package/src/rwkv/model.py#L858-L867
class?State:
????ATT_X?=?0
????ATT_A?=?1
????ATT_B?=?2
????ATT_P?=?3
????FFN_X?=?4

這里的State是用來(lái)索引RWKV的Attention和FFN部分存儲(chǔ)的狀態(tài)或者叫Cache，每一個(gè)Layer有5個(gè)不同的State，并且每個(gè)State的shape都是[1, hidden_size]，這里的1代表的應(yīng)該是batch緯度。

#?義了一個(gè)名為_(kāi)load_state的函數(shù)，它接受一個(gè)名為state的參數(shù)，類(lèi)型為Expr，一個(gè)名為hidden_size的參數(shù)，類(lèi)型為整數(shù)，
#?一個(gè)名為dtype的參數(shù)，類(lèi)型為字符串。函數(shù)的返回類(lèi)型為Expr。
def?_load_state(state:?Expr,?hidden_size:?int,?dtype:?str)?->?Expr:
????#?Reuse?`attention_kv_cache_view`
????#?將外部函數(shù)vm.builtin.attention_kv_cache_view賦值給變量f_load_cache。relax.extern是一個(gè)外部函數(shù)調(diào)用的語(yǔ)法，
????#?它指示編譯器在編譯時(shí)將該函數(shù)調(diào)用轉(zhuǎn)換為相應(yīng)的外部函數(shù)調(diào)用。
????f_load_cache?=?relax.extern("vm.builtin.attention_kv_cache_view")
????#?使用nn.emit方法生成一個(gè)表達(dá)式對(duì)象，該表達(dá)式表示對(duì)外部函數(shù)f_load_cache的調(diào)用。
????#?調(diào)用的參數(shù)是一個(gè)列表，包含state和R.shape([1,?hidden_size])，以及sinfo_args參數(shù)指定的一個(gè)R.Tensor對(duì)象。
????cache?=?nn.emit(
????????relax.Call(
????????????f_load_cache,
????????????[state,?R.shape([1,?hidden_size])],
????????????sinfo_args=[R.Tensor((1,?hidden_size),?dtype)],
????????)
????)
????return?cache

#?定義了一個(gè)名為_(kāi)store_state的函數(shù)，它接受一個(gè)名為state的參數(shù)，類(lèi)型為Expr，一個(gè)名為value的參數(shù)，類(lèi)型為Expr。
def?_store_state(state:?Expr,?value:?Expr):
????#?Reuse?`attention_kv_cache_update`
????#?將外部函數(shù)vm.builtin.attention_kv_cache_update賦值給變量f_store_cache。
????#?relax.extern是一個(gè)外部函數(shù)調(diào)用的語(yǔ)法，它指示編譯器在編譯時(shí)將該函數(shù)調(diào)用轉(zhuǎn)換為相應(yīng)的外部函數(shù)調(diào)用。
????f_store_cache?=?relax.extern("vm.builtin.attention_kv_cache_update")

????#?使用nn.emit方法生成一個(gè)表達(dá)式對(duì)象，該表達(dá)式表示對(duì)外部函數(shù)f_store_cache的調(diào)用。
????#?調(diào)用的參數(shù)是一個(gè)列表，包含state和value，以及sinfo_args參數(shù)指定的一個(gè)R.Object()對(duì)象。
????return?nn.emit(
????????relax.Call(
????????????f_store_cache,
????????????[state,?value],
????????????sinfo_args=[R.Object()],
????????)
????)

這兩個(gè)函數(shù)用來(lái)加載和存儲(chǔ)RWKV模型的State。接下來(lái)看一下對(duì)應(yīng) https://github.com/BlinkDL/ChatRWKV/blob/main/rwkv_pip_package/src/rwkv/model.py#L741 這里的torch.ops.rwkv.wkv_forward(1, T, C, w, u, k, v, y, aa, bb, pp) 的Relax實(shí)現(xiàn)，為了方便對(duì)照先貼一下原始的wkv forward cuda kernel：

?

?

template?
__global__?void?kernel_wkv_forward(const?int?B,?const?int?T,?const?int?C,
???????????????????????????????const?float?*__restrict__?const?_w,?const?float?*__restrict__?const?_u,?const?F?*__restrict__?const?_k,?const?F?*__restrict__?const?_v,
???????????????????????????????F?*__restrict__?const?_y,?float?*__restrict__?const?_aa,?float?*__restrict__?const?_bb,?float?*__restrict__?const?_pp)?{
????const?int?idx?=?blockIdx.x?*?blockDim.x?+?threadIdx.x;
????const?int?_b?=?idx?/?C;
????const?int?_c?=?idx?%?C;
????const?int?_offset?=?_b?*?T?*?C?+?_c;
????const?int?_state_offset?=?_b?*?C?+?_c;

????float?u?=?_u[_c];
????float?w?=?_w[_c];
????const?F?*__restrict__?const?k?=?_k?+?_offset;
????const?F?*__restrict__?const?v?=?_v?+?_offset;
????F?*__restrict__?const?y?=?_y?+?_offset;

????float?aa?=?_aa[_state_offset];
????float?bb?=?_bb[_state_offset];
????float?pp?=?_pp[_state_offset];
????for?(int?i?=?0;?i?
void?cuda_wkv_forward(int?B,?int?T,?int?C,?float?*w,?float?*u,?F?*k,?F?*v,?F?*y,?float?*aa,?float?*bb,?float?*pp)?{
????dim3?threadsPerBlock(?min(C,?32)?);
????assert(B?*?C?%?threadsPerBlock.x?==?0);
????dim3?numBlocks(B?*?C?/?threadsPerBlock.x);
????kernel_wkv_forward<<>>(B,?T,?C,?w,?u,?k,?v,?y,?aa,?bb,?pp);
}

這個(gè)cuda kernel里面，B表示batch_size，在mlc-llm的實(shí)現(xiàn)默認(rèn)為1。然后T表示序列長(zhǎng)度，C表示隱藏層緯度。然后我們就可以對(duì)應(yīng)來(lái)看mlc-llm的wkv實(shí)現(xiàn)了。

#?定義了一個(gè)名為create_wkv_func的函數(shù)，它接受一個(gè)名為hidden_size的參數(shù)，
#?類(lèi)型為整數(shù)，一個(gè)名為dtype的參數(shù)，類(lèi)型為字符串，一個(gè)名為out_dtype的參數(shù)，類(lèi)型為字符串。
def?create_wkv_func(hidden_size:?int,?dtype:?str,?out_dtype:?str):
????@T.prim_func
????def?wkv_func(
????????k:?T.handle,
????????v:?T.handle,
????????time_decay:?T.handle,
????????time_first:?T.handle,
????????saved_a:?T.handle,
????????saved_b:?T.handle,
????????saved_p:?T.handle,
????????wkv:?T.handle,
????????out_a:?T.handle,
????????out_b:?T.handle,
????????out_p:?T.handle,
????):
????????#?設(shè)置TIR函數(shù)的屬性。這里設(shè)置了三個(gè)屬性，包括op_pattern、tir.noalias和tir.is_scheduled。
????????T.func_attr({"op_pattern":?8,?"tir.noalias":?True,?"tir.is_scheduled":?1})
????????#?聲明一個(gè)名為context_length的變量，類(lèi)型為T(mén).int64()，用于存儲(chǔ)上下文長(zhǎng)度。
????????context_length?=?T.int64()
????????#?創(chuàng)建一個(gè)名為K的匹配緩沖區(qū)，通過(guò)T.match_buffer方法匹配參數(shù)k的形狀和數(shù)據(jù)類(lèi)型。
????????#?K的形狀在原始的ChatRWKV中為B，T，C，只不過(guò)這里B=1
????????#?這里的k就是上面cuda?kernel的_k
????????K?=?T.match_buffer(k,?(context_length,?hidden_size),?dtype=dtype)
????????#?創(chuàng)建一個(gè)名為V的匹配緩沖區(qū)，通過(guò)T.match_buffer方法匹配參數(shù)v的形狀和數(shù)據(jù)類(lèi)型。
????????#?這里的v就是上面cuda?kernel的_v
????????V?=?T.match_buffer(v,?(context_length,?hidden_size),?dtype=dtype)
????????#?創(chuàng)建一個(gè)名為T(mén)imeDecay的匹配緩沖區(qū)，通過(guò)T.match_buffer方法匹配參數(shù)time_decay的形狀和數(shù)據(jù)類(lèi)型。
????????#?這里的TimeDecay就是上面的w
????????TimeDecay?=?T.match_buffer(time_decay,?(hidden_size,),?dtype=dtype)
????????#?創(chuàng)建一個(gè)名為T(mén)imeFirst的匹配緩沖區(qū)，通過(guò)T.match_buffer方法匹配參數(shù)time_first的形狀和數(shù)據(jù)類(lèi)型。
????????#?這里的TimeFirst對(duì)應(yīng)上面的u
????????TimeFirst?=?T.match_buffer(time_first,?(hidden_size,),?dtype=dtype)
????????#?對(duì)應(yīng)kernel里面的_aa的上一個(gè)token的狀態(tài)
????????SavedA?=?T.match_buffer(saved_a,?(1,?hidden_size),?dtype=dtype)
????????#?對(duì)應(yīng)kernel里面的_bb的上一個(gè)token的狀態(tài)
????????SavedB?=?T.match_buffer(saved_b,?(1,?hidden_size),?dtype=dtype)
????????#?對(duì)應(yīng)kernel里面的_pp的上一個(gè)token的狀態(tài)
????????SavedP?=?T.match_buffer(saved_p,?(1,?hidden_size),?dtype=dtype)
????????#?對(duì)應(yīng)_aa的當(dāng)前token狀態(tài)
????????OutA?=?T.match_buffer(out_a,?(1,?hidden_size),?dtype=dtype)
????????#?對(duì)應(yīng)_bb的當(dāng)前token狀態(tài)
????????OutB?=?T.match_buffer(out_b,?(1,?hidden_size),?dtype=dtype)
????????#?對(duì)應(yīng)_pp的當(dāng)前token狀態(tài)
????????OutP?=?T.match_buffer(out_p,?(1,?hidden_size),?dtype=dtype)

????????#?對(duì)應(yīng)kernel里面的p
????????P?=?T.alloc_buffer((hidden_size,),?dtype=dtype,?scope="local")
????????#?對(duì)應(yīng)kernel里面的e1
????????E1?=?T.alloc_buffer((hidden_size,),?dtype=dtype,?scope="local")
????????#?對(duì)應(yīng)kernel里面的e2
????????E2?=?T.alloc_buffer((hidden_size,),?dtype=dtype,?scope="local")
????????#?對(duì)應(yīng)kernel里面的aa
????????A_local?=?T.alloc_buffer((hidden_size,),?dtype=dtype,?scope="local")
????????#?對(duì)應(yīng)kernel里面的bb
????????B_local?=?T.alloc_buffer((hidden_size,),?dtype=dtype,?scope="local")
????????#?對(duì)應(yīng)kernel里面的cc
????????P_local?=?T.alloc_buffer((hidden_size,),?dtype=dtype,?scope="local")

????????#?迭代hidden_size?//?32次，使用T.thread_binding方法進(jìn)行線(xiàn)程綁定，其中hidden_size?//?32是塊索引的范圍。
????????#?這里的線(xiàn)程塊劃分和rwkv?kernel里面保持一致：即每個(gè)block?32個(gè)線(xiàn)程，一共((B=1)*C)/32個(gè)blcok
????????for?bx?in?T.thread_binding(hidden_size?//?32,?thread="blockIdx.x"):
????????????#?迭代32次，使用T.thread_binding方法進(jìn)行線(xiàn)程綁定，其中32是線(xiàn)程索引的范圍。
????????????for?tx?in?T.thread_binding(32,?thread="threadIdx.x"):
????????????????#?創(chuàng)建一個(gè)名為"init"的塊，用于初始化局部變量。
????????????????with?T.block("init"):
????????????????????#?對(duì)應(yīng)?const?int?_state_offset?=?_b?*?C?+?_c;
????????????????????vi?=?T.axis.S(hidden_size,?bx?*?32?+?tx)
????????????????????#?對(duì)應(yīng)?float?aa?=?_aa[_state_offset];
????????????????????A_local[vi]?=?SavedA[0,?vi]
????????????????????#?對(duì)應(yīng)?float?bb?=?_bb[_state_offset];
????????????????????B_local[vi]?=?SavedB[0,?vi]
????????????????????#?對(duì)應(yīng)?float?pp?=?_pp[_state_offset];
????????????????????P_local[vi]?=?SavedP[0,?vi]
????????????????for?j?in?range(context_length):?#?對(duì)應(yīng)?for?(int?i?=?0;?i?

	我們可以看到mlc-llm里面的wkv forward實(shí)現(xiàn)基本就是用基于Relax的api將cuda函數(shù)翻譯成了TIR。注釋里面給了一些下標(biāo)的推導(dǎo)以及每一行Relax的代碼是如何對(duì)應(yīng)到原始的cuda kernel。
#?定義了一個(gè)名為_(kāi)te_concat_saved_x的函數(shù)，它接受兩個(gè)參數(shù)saved_x和x，都是te.Tensor類(lèi)型的張量。
#?使用TVM的te.compute函數(shù)計(jì)算一個(gè)新的張量，該張量的形狀與x相同，元素根據(jù)條件判斷進(jìn)行選擇。如果i等于0，
#?則選擇saved_x[0,?j]作為元素值，否則選擇x[i?-?1,?j]作為元素值。其中i和j是迭代變量。
def?_te_concat_saved_x(saved_x:?te.Tensor,?x:?te.Tensor):
????return?te.compute(
????????x.shape,
????????lambda?i,?j:?tir.if_then_else(i?==?0,?saved_x[0,?j],?x[i?-?1,?j]),
????)

#?定義了一個(gè)名為_(kāi)te_get_last_x的函數(shù)，它接受一個(gè)參數(shù)x，是一個(gè)te.Tensor類(lèi)型的張量。
#?a.?seq_len,?hidden_size?=?x.shape：獲取x張量的形狀，其中seq_len表示序列長(zhǎng)度，hidden_size表示隱藏大小。
#?b.?return?te.compute(...)：使用TVM的te.compute函數(shù)計(jì)算一個(gè)新的張量，該張量的形狀為(1,?hidden_size)，
#?元素值為x[seq_len?-?1,?j]，其中j是迭代變量。
def?_te_get_last_x(x:?te.Tensor):
????seq_len,?hidden_size?=?x.shape
????return?te.compute((1,?hidden_size),?lambda?_,?j:?x[seq_len?-?1,?j])


	這兩個(gè)函數(shù)應(yīng)該對(duì)應(yīng)了 https://github.com/BlinkDL/ChatRWKV/blob/main/rwkv_pip_package/src/rwkv/model.py#L455 這里代碼里面的sx = torch.cat((sx.unsqueeze(0), xx[:-1,:]))和xx[-1, :]：
@MyFunction
????def?ffn_seq(self,?x,?sx,?ln_w,?ln_b,?k_mix,?r_mix,?kw,?vw,?rw,?kmx,?krx,?kmy,?kry,?vmx,?vrx,?vmy,?vry,?rmx,?rrx,?rmy,?rry):
????????xx?=?F.layer_norm(x,?(x.shape[-1],),?weight=ln_w,?bias=ln_b)
????????sx?=?torch.cat((sx.unsqueeze(0),?xx[:-1,:]))
????????kx?=?xx?*?k_mix?+?sx?*?(1?-?k_mix)
????????rx?=?xx?*?r_mix?+?sx?*?(1?-?r_mix)

????????r?=?torch.sigmoid(gemm(rx,?rw))
????????vx?=?torch.square(torch.relu(gemm(kx,?kw)))
????????out?=?r?*?gemm(vx,?vw)
????????return?x?+?out,?xx[-1,:]


	接著對(duì)Embedding函數(shù)進(jìn)行解析：
#?定義了一個(gè)名為RWKV_Embedding的PyTorch模塊。
class?RWKV_Embedding(nn.Module):
????#?定義了RWKV_Embedding類(lèi)的構(gòu)造函數(shù)，接受三個(gè)參數(shù)num_embeddings、embedding_dim和dtype。
????def?__init__(self,?num_embeddings,?embedding_dim,?dtype):
????????self.num_embeddings?=?num_embeddings?#?將num_embeddings賦值給類(lèi)成員變量self.num_embeddings。
????????self.embedding_dim?=?embedding_dim?#?將embedding_dim賦值給類(lèi)成員變量self.embedding_dim。
????????#?創(chuàng)建一個(gè)名為weight的Parameter，形狀為(num_embeddings,?embedding_dim)，
????????#?數(shù)據(jù)類(lèi)型為dtype，并將其賦值給類(lèi)成員變量self.weight。
????????self.weight?=?nn.Parameter(
????????????(num_embeddings,?embedding_dim),?dtype=dtype,?name="weight"
????????)

????def?forward(self,?x:?relax.Expr)?->?relax.Var:
????????#?調(diào)用op.reshape函數(shù)將輸入張量x進(jìn)行reshape，將其展平為一維張量，并將結(jié)果重新賦值給x。
????????#?nn.emit是將一個(gè)relax.Expr表達(dá)式轉(zhuǎn)化為relax.Var變量，并保存該變量。
????????x?=?nn.emit(op.reshape(x,?shape=[-1]))
????????#?使用op.take操作從self.weight中按照索引x提取對(duì)應(yīng)的嵌入向量，并返回結(jié)果。這里的axis=0表示在第一個(gè)維度上進(jìn)行索引操作。
????????return?nn.emit(op.take(self.weight,?x,?axis=0))


	以及LayerNorm：
#?這段代碼定義了一個(gè)名為RWKV_LayerNorm的PyTorch模塊，它實(shí)現(xiàn)了一個(gè)Layer?Normalization層。
class?RWKV_LayerNorm(nn.Module):
????#?定義了RWKV_LayerNorm類(lèi)的構(gòu)造函數(shù)，接受四個(gè)參數(shù)intermediate_size、dtype、eps和name_prefix。
????def?__init__(self,?intermediate_size,?dtype,?eps=1e-5,?name_prefix=""):
????????super().__init__()
????????self.eps?=?eps
????????self.weight?=?nn.Parameter(
????????????(intermediate_size,),?dtype=dtype,?name=f"{name_prefix}_ln_weight"
????????)
????????self.bias?=?nn.Parameter(
????????????(intermediate_size,),?dtype=dtype,?name=f"{name_prefix}_ln_bias"
????????)

????def?forward(self,?x:?relax.Expr)?->?relax.Var:
????????#?使用op.nn.layer_norm操作對(duì)輸入張量x進(jìn)行Layer?Normalization，其中使用Parameter?self.weight作為縮放參數(shù)（gamma），
????????#?使用可學(xué)習(xí)參數(shù)self.bias作為偏移參數(shù)（beta），在最后一個(gè)維度（axes=-1）上進(jìn)行標(biāo)準(zhǔn)化操作，
????????#?并設(shè)置小數(shù)值修正項(xiàng)為self.eps。將標(biāo)準(zhǔn)化后的結(jié)果重新賦值給x。
????????x?=?nn.emit(
????????????op.nn.layer_norm(
????????????????x,
????????????????gamma=self.weight,
????????????????beta=self.bias,
????????????????axes=-1,
????????????????epsilon=self.eps,
????????????)
????????)
????????return?x


	接著對(duì)FFN層做一個(gè)詳細(xì)的解析：
#?這段代碼定義了一個(gè)名為RWKV_FFN的PyTorch模塊，它實(shí)現(xiàn)了Feed-Forward?Network（FFN）。
class?RWKV_FFN(nn.Module):
????#?定義了RWKV_FFN類(lèi)的構(gòu)造函數(shù)，接受兩個(gè)參數(shù)RWKVConfig和index。
????def?__init__(self,?config:?RWKVConfig,?index:?int)?->?None:
????????super().__init__()
????????#?將config.hidden_size賦值給類(lèi)成員變量self.hidden_size，表示隱藏大小。
????????self.hidden_size?=?config.hidden_size
????????#?將config.dtype賦值給類(lèi)成員變量self.dtype，表示數(shù)據(jù)類(lèi)型。
????????self.dtype?=?config.dtype
????????#?將index賦值給類(lèi)成員變
????????self.index?=?index
????????#?建一個(gè)名為time_mix_key的可學(xué)習(xí)參數(shù)，形狀為(self.hidden_size,)，
????????#?數(shù)據(jù)類(lèi)型為config.dtype，命名為"ffn_{index}_time_mix_k"，并將其賦值給類(lèi)成員變量self.time_mix_key。
????????self.time_mix_key?=?nn.Parameter(
????????????(self.hidden_size,),?dtype=config.dtype,?name=f"ffn_{index}_time_mix_k"
????????)
????????#?創(chuàng)建一個(gè)名為time_mix_receptance的可學(xué)習(xí)參數(shù)，形狀為(self.hidden_size,)，數(shù)據(jù)類(lèi)型為config.dtype，
????????#?命名為"ffn_{index}_time_mix_r"，并將其賦值給類(lèi)成員變量self.time_mix_receptance。
????????self.time_mix_receptance?=?nn.Parameter(
????????????(self.hidden_size,),?dtype=config.dtype,?name=f"ffn_{index}_time_mix_r"
????????)
????????#?創(chuàng)建一個(gè)線(xiàn)性層，輸入大小為self.hidden_size，輸出大小為config.intermediate_size，
????????#?數(shù)據(jù)類(lèi)型為config.dtype，沒(méi)有偏置項(xiàng)，并將其賦值給類(lèi)成員變量self.key。
????????self.key?=?Linear(
????????????self.hidden_size,?config.intermediate_size,?dtype=config.dtype,?bias=False
????????)
????????#?創(chuàng)建一個(gè)線(xiàn)性層，輸入大小為self.hidden_size，輸出大小為self.hidden_size，數(shù)據(jù)類(lèi)型為config.dtype，
????????#?沒(méi)有偏置項(xiàng)，并將其賦值給類(lèi)成員變量self.receptance。
????????self.receptance?=?Linear(
????????????self.hidden_size,?self.hidden_size,?dtype=config.dtype,?bias=False
????????)
????????self.value?=?Linear(
????????????config.intermediate_size,?self.hidden_size,?dtype=config.dtype,?bias=False
????????)

????def?forward(self,?x:?Expr,?state:?Expr)?->?Expr:
????????#?計(jì)算偏移量，用于在state中獲取對(duì)應(yīng)的保存狀態(tài)。
????????offset?=?self.index?*?5?+?State.FFN_X
????????#?獲取x的shape[0]表示上下文長(zhǎng)度。
????????context_length?=?x.struct_info.shape[0]
????????#?獲取隱藏層大小。
????????hidden_size?=?self.hidden_size

????????#?調(diào)用_load_state函數(shù)從state中加載保存的狀態(tài)state[offset]，并將結(jié)果賦值給saved_x。
????????saved_x?=?_load_state(state[offset],?hidden_size,?self.dtype)
????????#?如果上下文長(zhǎng)度不為1，則執(zhí)行下面的操作。
????????if?not?is_one(context_length):
????????????#?調(diào)用nn.emit_te函數(shù)，將saved_x和x作為參數(shù)傳遞給
????????????#?_te_concat_saved_x函數(shù)進(jìn)行計(jì)算，并將結(jié)果重新賦值給saved_x。
????????????#?類(lèi)似于transformer?里面的KV?Cache的，但是這里的concat是緯度不變的
????????????#?對(duì)應(yīng)?sx?=?torch.cat((sx.unsqueeze(0),?xx[:-1,:]))?這行代碼
????????????saved_x?=?nn.emit_te(_te_concat_saved_x,?saved_x,?x)
????????#?創(chuàng)建一個(gè)全為1的張量，形狀為(hidden_size,)，數(shù)據(jù)類(lèi)型為self.dtype，并將其賦值給ones。
????????ones?=?nn.emit(relax.op.ones((hidden_size,),?self.dtype))
????????#?計(jì)算xk，根據(jù)時(shí)間混合參數(shù)self.time_mix_key和保存的狀態(tài)saved_x，使用加權(quán)求和的方式得到。
????????#?其中，x和saved_x分別乘以self.time_mix_key和(ones?-?self.time_mix_key)，然后相加。將計(jì)算結(jié)果賦值給xk。
????????#?對(duì)應(yīng)?kx?=?xx?*?k_mix?+?sx?*?(1?-?k_mix)?這行代碼
????????xk?=?nn.emit(x?*?self.time_mix_key?+?saved_x?*?(ones?-?self.time_mix_key))
????????#?計(jì)算xr，根據(jù)時(shí)間混合參數(shù)self.time_mix_receptance和保存的狀態(tài)saved_x，使用加權(quán)求和的方式得到。
????????#?其中，x和saved_x分別乘以self.time_mix_receptance和(ones?-?self.time_mix_receptance)，然后相加。
????????#?將計(jì)算結(jié)果賦值給xr。
????????#?對(duì)應(yīng)?rx?=?xx?*?r_mix?+?sx?*?(1?-?r_mix)
????????xr?=?nn.emit(
????????????x?*?self.time_mix_receptance?+?saved_x?*?(ones?-?self.time_mix_receptance)
????????)
????????#?#?如果上下文長(zhǎng)度不為1，則執(zhí)行下面的操作。
????????if?not?is_one(context_length):
????????????#?調(diào)用nn.emit_te函數(shù)，使用_te_get_last_x函數(shù)從x中獲取最后一個(gè)token對(duì)應(yīng)的tensor，并將結(jié)果重新賦值給x。
????????????#?對(duì)應(yīng)?xx[-1,:]
????????????x?=?nn.emit_te(_te_get_last_x,?x)
????????#?斷言x的結(jié)構(gòu)信息（shape）的第一個(gè)維度為1。
????????assert?is_one(x.struct_info.shape[0])
????????#?調(diào)用_store_state函數(shù)，將x保存到state[offset]中，并將結(jié)果重新賦值給saved_x。
????????#?對(duì)應(yīng)：https://github.com/BlinkDL/ChatRWKV/blob/main/rwkv_pip_package/src/rwkv/model.py#L921
????????saved_x?=?_store_state(state[offset],?x)

????????#?將xr作為輸入，經(jīng)過(guò)sigmoid激活函數(shù)計(jì)算得到r。對(duì)應(yīng)：r?=?torch.sigmoid(gemm(rx,?rw))
????????r?=?nn.emit(op.sigmoid(self.receptance(xr)))
????????#?對(duì)應(yīng)?vx?=?torch.square(torch.relu(gemm(kx,?kw)))
????????xv?=?nn.emit(op.square(op.nn.relu(self.key(xk))))

????????return?nn.emit(r?*?self.value(xv)),?[saved_x]


	接下來(lái)對(duì)Attention部分的實(shí)現(xiàn)進(jìn)行解析，注意這部分對(duì)應(yīng)的代碼在 https://github.com/BlinkDL/ChatRWKV/blob/main/rwkv_pip_package/src/rwkv/model.py#L728-L747 。貼一下python代碼防止看錯(cuò)位置產(chǎn)生疑問(wèn)：
if?os.environ["RWKV_CUDA_ON"]?==?'1':
????????@MyFunction
????????def?cuda_att_seq(self,?x,?sx,?aa,?bb,?pp,?ln_w,?ln_b,?k_mix,?v_mix,?r_mix,?t_decay,?t_first,?kw,?vw,?rw,?ow,?kmx,?krx,?kmy,?kry,?vmx,?vrx,?vmy,?vry,?rmx,?rrx,?rmy,?rry,?omx,?orx,?omy,?ory):
????????????T,?C?=?x.shape
????????????xx?=?F.layer_norm(x,?(C,),?weight=ln_w,?bias=ln_b)
????????????sx?=?torch.cat((sx.unsqueeze(0),?xx[:-1,:]))
????????????kx?=?xx?*?k_mix?+?sx?*?(1?-?k_mix)
????????????vx?=?xx?*?v_mix?+?sx?*?(1?-?v_mix)
????????????rx?=?xx?*?r_mix?+?sx?*?(1?-?r_mix)

????????????r?=?torch.sigmoid(gemm(rx,?rw))
????????????k?=?gemm(kx,?kw,?output_dtype=torch.float32)
????????????v?=?gemm(vx,?vw,?output_dtype=torch.float32)
????????????y,?aa,?bb,?pp?=?cuda_wkv(T,?aa.shape[0],?t_decay,?t_first,?k,?v,?aa,?bb,?pp)
????????????
????????????out?=?gemm(r?*?y.to(x.dtype),?ow)
????????????return?x?+?out,?xx[-1,:],?aa,?bb,?pp


	對(duì)應(yīng)mlc-llm RWKV Attention的代碼解析為：
#?實(shí)現(xiàn)RWKV?Attention，對(duì)應(yīng)?https://github.com/BlinkDL/ChatRWKV/blob/main/rwkv_pip_package/src/rwkv/model.py#L479
class?RWKV_Attention(nn.Module):
????#?初始化函數(shù)，接受一個(gè)config對(duì)象和一個(gè)整數(shù)index作為參數(shù)。其中config是一個(gè)RWKVConfig類(lèi)型的對(duì)象，index表示當(dāng)前層的索引。
????def?__init__(self,?config:?RWKVConfig,?index:?int)?->?None:
????????super().__init__()
????????self.index?=?index
????????self.dtype?=?config.dtype
????????self.hidden_size?=?config.hidden_size
????????#?創(chuàng)建一些可學(xué)習(xí)的參數(shù)，如time_decay、time_first、time_mix_key等，這些參數(shù)會(huì)在模型的前向傳播中使用。
????????self.time_decay?=?nn.Parameter(
????????????(self.hidden_size,),?dtype="float32",?name=f"att_{index}_time_decay"
????????)
????????self.time_first?=?nn.Parameter(
????????????(self.hidden_size,),?dtype="float32",?name=f"att_{index}_time_first"
????????)
????????self.time_mix_key?=?nn.Parameter(
????????????(self.hidden_size,),?dtype=config.dtype,?name=f"att_{index}_time_mix_k"
????????)
????????self.time_mix_value?=?nn.Parameter(
????????????(self.hidden_size,),?dtype=config.dtype,?name=f"att_{index}_time_mix_v"
????????)
????????self.time_mix_receptance?=?nn.Parameter(
????????????(self.hidden_size,),?dtype=config.dtype,?name=f"att_{index}_time_mix_r"
????????)
????????#?前向傳播用到的線(xiàn)性層
????????self.key?=?Linear(
????????????self.hidden_size,?self.hidden_size,?dtype=config.dtype,?bias=False
????????)
????????self.value?=?Linear(
????????????self.hidden_size,?self.hidden_size,?dtype=config.dtype,?bias=False
????????)
????????self.receptance?=?Linear(
????????????self.hidden_size,?self.hidden_size,?dtype=config.dtype,?bias=False
????????)
????????self.output?=?Linear(
????????????self.hidden_size,?self.hidden_size,?dtype=config.dtype,?bias=False
????????)

????#?前向傳播函數(shù)，接受輸入張量x和狀態(tài)張量state作為參數(shù)，并返回輸出張量
????def?forward(self,?x:?Expr,?state:?Expr)?->?Expr:
????????#?Load?current?state
????????#?定義了一些局部變量，如ones、index、hidden_size、context_length等。
????????ones?=?nn.emit(relax.op.ones((self.hidden_size,),?self.dtype))
????????index?=?self.index
????????hidden_size?=?self.hidden_size
????????context_length?=?x.struct_info.shape[0]
????????bb?=?relax.BlockBuilder.current()

????????#?_load_state函數(shù)從state中加載保存的狀態(tài)，賦值給saved_a、saved_b、saved_p和saved_x。
????????saved_a?=?_load_state(state[index?*?5?+?State.ATT_A],?hidden_size,?"float32")
????????saved_b?=?_load_state(state[index?*?5?+?State.ATT_B],?hidden_size,?"float32")
????????saved_p?=?_load_state(state[index?*?5?+?State.ATT_P],?hidden_size,?"float32")
????????saved_x?=?_load_state(state[index?*?5?+?State.ATT_X],?hidden_size,?self.dtype)
????????
????????#?調(diào)用nn.emit_te函數(shù)，將saved_x和x作為參數(shù)傳遞給
????????#?_te_concat_saved_x函數(shù)進(jìn)行計(jì)算，并將結(jié)果重新賦值給saved_x。
????????#?對(duì)應(yīng)?sx?=?torch.cat((sx.unsqueeze(0),?xx[:-1,:]))
????????if?not?is_one(context_length):
????????????saved_x?=?nn.emit_te(_te_concat_saved_x,?saved_x,?x)

????????#?對(duì)應(yīng)?kx?=?xx?*?k_mix?+?sx?*?(1?-?k_mix)
????????xk?=?nn.emit(x?*?self.time_mix_key?+?saved_x?*?(ones?-?self.time_mix_key))
????????#?對(duì)應(yīng)?vx?=?xx?*?v_mix?+?sx?*?(1?-?v_mix)
????????xv?=?nn.emit(x?*?self.time_mix_value?+?saved_x?*?(ones?-?self.time_mix_value))
????????#?對(duì)應(yīng)?rx?=?xx?*?r_mix?+?sx?*?(1?-?r_mix)
????????xr?=?nn.emit(
????????????x?*?self.time_mix_receptance?+?saved_x?*?(ones?-?self.time_mix_receptance)
????????)

????????#?對(duì)應(yīng)?r?=?torch.sigmoid(gemm(rx,?rw))
????????r?=?nn.emit(op.sigmoid(self.receptance(xr)))
????????#?對(duì)應(yīng)?k?=?gemm(kx,?kw,?output_dtype=torch.float32)
????????k?=?nn.emit(op.astype(self.key(xk),?"float32"))
????????#?對(duì)應(yīng)?v?=?gemm(vx,?vw,?output_dtype=torch.float32)
????????v?=?nn.emit(op.astype(self.value(xv),?"float32"))

????????#?這部分對(duì)應(yīng)?y,?aa,?bb,?pp?=?cuda_wkv(T,?aa.shape[0],?t_decay,?t_first,?k,?v,?aa,?bb,?pp)
????????#?這里的?create_wkv_func?在上面已經(jīng)解析了
????????gv?=?bb.add_func(create_wkv_func(hidden_size,?"float32",?self.dtype),?"wkv")
????????ret?=?nn.emit(
????????????relax.call_tir(
????????????????gv,
????????????????[k,?v,?self.time_decay,?self.time_first,?saved_a,?saved_b,?saved_p],
????????????????[
????????????????????R.Tensor((context_length,?hidden_size),?self.dtype),?#?對(duì)應(yīng)wkv
????????????????????R.Tensor((1,?hidden_size),?"float32"),?#?對(duì)應(yīng)out_a
????????????????????R.Tensor((1,?hidden_size),?"float32"),?#?對(duì)應(yīng)out_b
????????????????????R.Tensor((1,?hidden_size),?"float32"),?#?對(duì)應(yīng)out_p
????????????????],
????????????)
????????)
????????if?not?is_one(context_length):
????????????#?對(duì)應(yīng)?xx[-1,:]
????????????x?=?nn.emit_te(_te_get_last_x,?x)

????????assert?is_one(x.struct_info.shape[0])
????????saved_x?=?_store_state(state[self.index?*?5?+?State.ATT_X],?x)
????????saved_a?=?_store_state(state[self.index?*?5?+?State.ATT_A],?ret[1])
????????saved_b?=?_store_state(state[self.index?*?5?+?State.ATT_B],?ret[2])
????????saved_p?=?_store_state(state[self.index?*?5?+?State.ATT_P],?ret[3])

????????#?需要注意一下，python代碼里面的?return?x?+?out,?xx[-1,:],?aa,?bb,?pp
????????#?這里的?x?+?out被放在attention外面做了，因?yàn)檫@里的x已經(jīng)是被修改之后好的結(jié)果而不是原始的x
????????return?nn.emit(self.output(r?*?ret[0])),?[
????????????saved_x,
????????????saved_a,
????????????saved_b,
????????????saved_p,
????????]


	接著解析一下RWKVLayer的實(shí)現(xiàn)，請(qǐng)注意下面的最后一行代碼的解釋?zhuān)?/span>
class?RWKVLayer(nn.Module):
????#?初始化函數(shù)，接受一個(gè)config對(duì)象和一個(gè)整數(shù)index作為參數(shù)。其中config是一個(gè)RWKVConfig類(lèi)型的對(duì)象，index表示層的索引。
????def?__init__(self,?config:?RWKVConfig,?index:?int)?->?None:
????????super().__init__()
????????#?如果index為0，創(chuàng)建一個(gè)RWKV_LayerNorm對(duì)象pre_ln，用于對(duì)輸入進(jìn)行Layer?Normalization操作。
????????if?index?==?0:
????????????self.pre_ln?=?RWKV_LayerNorm(
????????????????config.hidden_size,
????????????????config.dtype,
????????????????eps=config.layer_norm_epsilon,
????????????????name_prefix="pre_ln",
????????????)
????????#?創(chuàng)建兩個(gè)RWKV_LayerNorm對(duì)象，分別命名為ln1和ln2，
????????#?用于對(duì)注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行Layer?Normalization操作。
????????self.ln1?=?RWKV_LayerNorm(
????????????config.hidden_size,
????????????config.dtype,
????????????eps=config.layer_norm_epsilon,
????????????name_prefix=f"att_{index}",
????????)
????????self.ln2?=?RWKV_LayerNorm(
????????????config.hidden_size,
????????????config.dtype,
????????????eps=config.layer_norm_epsilon,
????????????name_prefix=f"ffn_{index}",
????????)
????????#?創(chuàng)建一個(gè)RWKV_Attention對(duì)象attention，用于實(shí)現(xiàn)注意力機(jī)制。
????????self.attention?=?RWKV_Attention(config,?index)
????????#?創(chuàng)建一個(gè)RWKV_FFN對(duì)象feed_forward，用于實(shí)現(xiàn)前饋神經(jīng)網(wǎng)絡(luò)。
????????self.feed_forward?=?RWKV_FFN(config,?index)
????????self.rescale_every?=?config.rescale_every
????????self.dtype?=?config.dtype
????????self.index?=?index

????#?前向傳播函數(shù)，接受輸入張量x和狀態(tài)張量state作為參數(shù)，并返回輸出張量和更新后的狀態(tài)列表。
????def?forward(self,?x:?Expr,?state:?Expr)?->?Tuple[Expr,?List[Expr]]:
????????#?如果index為0，則將輸入張量x傳入pre_ln進(jìn)行Layer?Normalization操作。
????????if?self.index?==?0:
????????????x?=?self.pre_ln(x)
????????#?將經(jīng)過(guò)ln1的輸入張量x和狀態(tài)張量state傳入attention進(jìn)行計(jì)算，得到注意力機(jī)制的輸出att和更新后的狀態(tài)列表att_state。
????????att,?att_state?=?self.attention(self.ln1(x),?state)
????????#?將輸入張量x和注意力機(jī)制的輸出att相加，并將結(jié)果賦值給x。
????????x?=?nn.emit(x?+?att)
????????#?將經(jīng)過(guò)ln2的輸入張量x和狀態(tài)張量state傳入feed_forward進(jìn)行計(jì)算，得到前饋神經(jīng)網(wǎng)絡(luò)的輸出ffn和更新后的狀態(tài)列表ffn_state。
????????ffn,?ffn_state?=?self.feed_forward(self.ln2(x),?state)
????????#?將輸入張量x和前饋神經(jīng)網(wǎng)絡(luò)的輸出ffn相加，并將結(jié)果賦值給x。
????????x?=?nn.emit(x?+?ffn)
????????#?如果滿(mǎn)足self.rescale_every?>?0且(self.index?+?1)?%?self.rescale_every?==?0，則對(duì)輸入張量x進(jìn)行縮放操作。
????????if?self.rescale_every?>?0?and?(self.index?+?1)?%?self.rescale_every?==?0:
????????????x?=?nn.emit(x?/?relax.const(2,?dtype=self.dtype))
????????#?返回輸出張量x和注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)的更新后的狀態(tài)列表的拼接。
????????return?x,?att_state?+?ffn_state


	注意這里的attn_state是[saved_x,saved_a,saved_b,saved_p,] ，然后ffn_state是[saved_x]，注意這兩個(gè)x是不一樣的，這5個(gè)狀態(tài)也和本節(jié)開(kāi)頭的class State的成員定義一致。

	接下來(lái)對(duì)RWKV模型定義進(jìn)行了解析：
#?該代碼是一個(gè)自定義的PyTorch模型類(lèi)RWKVModel，繼承自nn.Module
class?RWKVModel(nn.Module):
????#?初始化函數(shù)，接受一個(gè)config對(duì)象作為參數(shù)。其中config是一個(gè)RWKVConfig類(lèi)型的對(duì)象。
????def?__init__(self,?config:?RWKVConfig)?->?None:
????????super().__init__()
????????#?創(chuàng)建一個(gè)RWKV_Embedding對(duì)象embeddings，用于實(shí)現(xiàn)輸入的嵌入操作。
????????self.embeddings?=?RWKV_Embedding(
????????????num_embeddings=config.vocab_size,
????????????embedding_dim=config.hidden_size,
????????????dtype=config.dtype,
????????)
????????#?創(chuàng)建一個(gè)ModuleList對(duì)象blocks，其中包含了config.num_hidden_layers個(gè)RWKVLayer對(duì)象，
????????#?每個(gè)對(duì)象的索引從0到config.num_hidden_layers-1。
????????self.blocks?=?ModuleList(
????????????[RWKVLayer(config,?i)?for?i?in?range(config.num_hidden_layers)]
????????)
????????#?創(chuàng)建一個(gè)RWKV_LayerNorm對(duì)象ln_out，用于對(duì)輸出進(jìn)行Layer?Normalization操作。
????????self.ln_out?=?RWKV_LayerNorm(
????????????config.hidden_size,
????????????config.dtype,
????????????eps=config.layer_norm_epsilon,
????????????name_prefix="out_ln",
????????)
????????self.hidden_size?=?config.hidden_size
????????self.dtype?=?config.dtype

????#?前向傳播函數(shù)，接受輸入張量input_ids和狀態(tài)張量state作為參數(shù)，并返回輸出張量和更新后的狀態(tài)列表。
????def?forward(self,?input_ids:?Expr,?state:?Expr)?->?Tuple[Expr,?List[Expr]]:
????????#?將輸入張量input_ids傳入embeddings進(jìn)行嵌入操作，得到隱藏狀態(tài)張量hidden_states。
????????hidden_states?=?self.embeddings(input_ids)
????????#?創(chuàng)建一個(gè)空列表states，用于存儲(chǔ)每個(gè)RWKVLayer對(duì)象的更新后的狀態(tài)列表。
????????states?=?[]
????????#?遍歷blocks中的每個(gè)RWKVLayer對(duì)象，將隱藏狀態(tài)張量hidden_states和狀態(tài)張量state傳入
????????#?每個(gè)RWKVLayer對(duì)象的前向傳播函數(shù)進(jìn)行計(jì)算，得到更新后的隱藏狀態(tài)張量和更新后的狀態(tài)列表，
????????#?并將更新后的狀態(tài)列表添加到states中。
????????for?_,?layer?in?enumerate(self.blocks):
????????????hidden_states,?layer_states?=?layer(hidden_states,?state)
????????????states?+=?layer_states
????????#?獲取隱藏狀態(tài)張量的上下文長(zhǎng)度context_length。
????????context_length?=?hidden_states.struct_info.shape[0]
????????#?如果context_length不為1，則調(diào)用_te_get_last_x函數(shù)獲取最后一個(gè)token對(duì)應(yīng)的張量。
????????if?not?is_one(context_length):
????????????hidden_states?=?nn.emit_te(_te_get_last_x,?hidden_states)
????????#?將隱藏狀態(tài)張量傳入ln_out進(jìn)行Layer?Normalization操作。
????????hidden_states?=?self.ln_out(hidden_states)
????????#?返回輸出隱藏狀態(tài)張量和所有RWKVLayer對(duì)象的更新后的狀態(tài)列表。
????????return?hidden_states,?states

#?該代碼是一個(gè)自定義的PyTorch模型類(lèi)RWKVForCausalLM，繼承自nn.Module。
class?RWKVForCausalLM(nn.Module):
????#?初始化函數(shù)，接受一個(gè)config對(duì)象作為參數(shù)。其中config是一個(gè)RWKVConfig類(lèi)型的對(duì)象。
????def?__init__(self,?config:?RWKVConfig):
????????#?創(chuàng)建一個(gè)RWKVModel對(duì)象rwkv，用于實(shí)現(xiàn)序列模型的計(jì)算。
????????self.rwkv?=?RWKVModel(config)
????????#?創(chuàng)建一個(gè)Linear對(duì)象head，用于將隱藏狀態(tài)映射到詞匯表大小的輸出空間。
????????self.head?=?Linear(
????????????config.hidden_size,?config.vocab_size,?dtype=config.dtype,?bias=False
????????)
????????self.vocab_size?=?config.vocab_size
????????############?End?############

????#?前向傳播函數(shù)，接受輸入張量input_ids和狀態(tài)張量state作為參數(shù)，并返回預(yù)測(cè)的logits和更新后的kv?cache。
????def?forward(
????????self,
????????input_ids:?relax.Expr,
????????state:?relax.Expr,
????):
????????#?將輸入張量input_ids和狀態(tài)張量state傳入rwkv對(duì)象的前向傳播函數(shù)進(jìn)行計(jì)算，
????????#?得到更新后的隱藏狀態(tài)張量hidden_states和key-value緩存key_value_cache。
????????hidden_states,?key_value_cache?=?self.rwkv(input_ids,?state)
????????#?將隱藏狀態(tài)張量hidden_states傳入head進(jìn)行線(xiàn)性映射操作，得到logits。
????????logits?=?nn.emit(self.head(hidden_states))
????????#?對(duì)logits進(jìn)行形狀重塑，將其reshape為形狀為(1,?1,?self.vocab_size)的張量。
????????logits?=?nn.emit(op.reshape(logits,?(1,?1,?self.vocab_size)))
????????#?如果logits的數(shù)據(jù)類(lèi)型不是float32，則將其轉(zhuǎn)換為float32類(lèi)型。
????????if?logits.struct_info.dtype?!=?"float32":
????????????logits?=?nn.emit(relax.op.astype(logits,?"float32"))

????????return?logits,?key_value_cache


	解下是一個(gè)根據(jù)參數(shù)的名字確定量化參數(shù)類(lèi)型的函數(shù)：
#?該代碼定義了一個(gè)函數(shù)get_param_quant_kind，用于根據(jù)參數(shù)名稱(chēng)和參數(shù)信息確定參數(shù)的量化類(lèi)型。
def?get_param_quant_kind(
????name:?str,?param_info:?relax.TensorStructInfo
)?->?ParamQuantKind:
????#?如果參數(shù)名稱(chēng)以"embeddings.weight"結(jié)尾，返回ParamQuantKind.embedding_table表示該參數(shù)是嵌入表的權(quán)重。
????if?name.endswith("embeddings.weight"):
????????return?ParamQuantKind.embedding_table
????#?如果參數(shù)名稱(chēng)為"head.weight"，返回ParamQuantKind.final_fc_weight表示該參數(shù)是最后一個(gè)全連接層的權(quán)重。
????elif?name?==?"head.weight":
????????return?ParamQuantKind.final_fc_weight
????#?如果參數(shù)的維度為2且名稱(chēng)以".weight"結(jié)尾，返回ParamQuantKind.linear_weight表示該參數(shù)是線(xiàn)性層的權(quán)重。
????elif?param_info.ndim?==?2?and?name.endswith(".weight"):
????????return?ParamQuantKind.linear_weight
????else:
????????return?ParamQuantKind.others


	上面已經(jīng)完成了RWKV模型的定義，接下來(lái)是定義幾個(gè)相關(guān)的TIR函數(shù)并定義一個(gè)最終的TIR模型獲取函數(shù)。這里對(duì)創(chuàng)建prefill和decode的create_func函數(shù)以及最終的TIR模型獲取函數(shù)get_model進(jìn)行解析：

	由于字?jǐn)?shù)被公眾號(hào)限制了，請(qǐng)?jiān)谥跷恼虏榭催@部分，https://zhuanlan.zhihu.com/p/658354795

	自此，我們基本就有了搭建RWKV模型的全部流程，說(shuō)白了就是用TVM的Relax語(yǔ)言手動(dòng)一對(duì)一的把PyTorch實(shí)現(xiàn)翻譯過(guò)去。

	0x3. Transform舉例

	在mlc-llm有一些圖層的優(yōu)化，在 https://github.com/BBuf/mlc-llm-code-analysis/tree/main/mlc_llm/transform 這個(gè)文件里面，我們對(duì)其中的一些優(yōu)化Pass做一下解析。

	0x3.1 rewrite attention

	代碼如下：
#?導(dǎo)入了TVM的relax模塊中的一些函數(shù)和類(lèi)，以及TVM的script模塊中的relax別名。
from?tvm.relax.dpl?import?PatternContext,?is_const,?is_op,?rewrite_call,?wildcard
from?tvm.script?import?relax?as?R

#?定義了一個(gè)名為rewrite_attention的函數(shù)，接收一個(gè)參數(shù)f。
def?rewrite_attention(f):
????#?使用wildcard()創(chuàng)建了三個(gè)通配符，分別賦值給Q、K和V。
????Q?=?wildcard()
????K?=?wildcard()
????V?=?wildcard()

????#?使用is_op()函數(shù)創(chuàng)建了三個(gè)操作模式，分別對(duì)應(yīng)Q、K和V的維度重排操作，并將結(jié)果分別賦值給Q_BNSH、K_BNSH和V_BNSH。
????Q_BNSH?=?is_op("relax.permute_dims")(Q)
????K_BNSH?=?is_op("relax.permute_dims")(K)
????V_BNSH?=?is_op("relax.permute_dims")(V)

????#?使用is_op()函數(shù)創(chuàng)建了一個(gè)操作模式，對(duì)應(yīng)K_BNSH的維度重排操作，并將結(jié)果賦值給K_BNSH_T。
????K_BNSH_T?=?is_op("relax.permute_dims")(K_BNSH)

????#?使用is_op()函數(shù)創(chuàng)建了一系列操作模式，對(duì)應(yīng)矩陣乘法、除法、最大值、最小值、softmax以及另一個(gè)矩陣乘法操作。
????#?這些操作模式（Attention）根據(jù)之前定義的通配符和常數(shù)匹配不同的計(jì)算圖節(jié)點(diǎn)。
????matmul1?=?is_op("relax.matmul")(Q_BNSH,?K_BNSH_T)
????divide?=?is_op("relax.divide")(matmul1,?is_const())
????max?=?is_op("relax.maximum")(divide,?is_const())
????min?=?is_op("relax.minimum")(max,?wildcard())
????softmax?=?is_op("relax.nn.softmax")(is_op("relax.astype")(min))
????matmul2?=?is_op("relax.matmul")(is_op("relax.astype")(softmax),?V_BNSH)

????#?使用is_op()函數(shù)創(chuàng)建了一個(gè)操作模式，對(duì)應(yīng)matmul2的維度重排操作，并將結(jié)果賦值給pattern。
????pattern?=?is_op("relax.permute_dims")(matmul2)

????#?定義了一個(gè)名為callback的回調(diào)函數(shù)，接收兩個(gè)參數(shù)_和matchings。
????#?該回調(diào)函數(shù)使用R.nn.attention函數(shù)構(gòu)建一個(gè)新的計(jì)算圖節(jié)點(diǎn)，并使用matchings字典中的匹配結(jié)果來(lái)填充該節(jié)點(diǎn)的參數(shù)。
????def?callback(_,?matchings):
????????return?R.nn.attention(
????????????matchings[Q],?matchings[K],?matchings[V],?causal_mask="BottomRight"
????????)

????#?使用rewrite_call函數(shù)將pattern、callback和輸入的計(jì)算圖f傳遞給它，以便在計(jì)算圖中應(yīng)用模式匹配和重寫(xiě)。
????#?最后，將重寫(xiě)后的計(jì)算圖返回。
????return?rewrite_call(pattern,?callback,?f)


	雖然沒(méi)有完全看懂這里的操作比如max和min的含義，但是從后面的callback_可以猜測(cè)出這里的Pass就是把打散的Self Attention模塊融合為一個(gè)relax.nn.attention操作。在cuda后端，如果支持了cutlass，那么relax.nn.attention操作就對(duì)應(yīng)了Flash Attention。

	0x3.2 Transpose MatMul

	代碼實(shí)現(xiàn)解析如下：
#?這段代碼定義了一個(gè)名為T(mén)ransposeMatmulCodeGenerator的類(lèi)，該類(lèi)繼承自relax.PyExprMutator。
#?通過(guò)@relax.expr_functor.mutator裝飾器將該類(lèi)聲明為一個(gè)表達(dá)式重寫(xiě)器。
@relax.expr_functor.mutator
class?TransposeMatmulCodeGenerator(relax.PyExprMutator):
????def?__init__(self,?mod):
????????super().__init__(mod)

????@staticmethod
????def?pattern():
????????#?定義了靜態(tài)方法pattern()，該方法返回一個(gè)描述模式的元組。
????????#?通過(guò)使用通配符(wildcard())和操作模式(is_op())來(lái)匹配計(jì)算圖中的特定模式。
????????#?在這個(gè)例子中，模式匹配了一個(gè)矩陣乘法操作中矩陣w的維度重排操作，并將匹配的結(jié)果保存在字典annotations中。
????????w?=?wildcard()
????????x?=?wildcard()
????????wT?=?is_op("relax.permute_dims")(w)
????????o?=?is_op("relax.matmul")(x,?wT)
????????annotations?=?{"o":?o,?"w":?w,?"x":?x,?"wT":?wT}

????????#?定義了內(nèi)部函數(shù)_check()，用于檢查模式匹配的結(jié)果是否滿(mǎn)足特定的條件。
????????#?在這個(gè)例子中，檢查了維度重排操作的維度數(shù)和軸的順序是否正確。
????????def?_check(context:?relax.transform.PatternCheckContext)?->?bool:
????????????transpose_call?=?context.annotated_expr["wT"]
????????????ndim?=?transpose_call.args[0].struct_info.ndim
????????????if?ndim?==?-1:
????????????????return?False
????????????if?ndim?==?2?and?transpose_call.attrs.axes?is?None:
????????????????return?True
????????????axes?=?list(range(ndim))
????????????axes[-1],?axes[-2]?=?axes[-2],?axes[-1]
????????????return?list(transpose_call.attrs.axes)?==?axes

????????#?將匹配的計(jì)算圖節(jié)點(diǎn)、注解和檢查函數(shù)作為元組返回。
????????return?o,?annotations,?_check

????#?重寫(xiě)了父類(lèi)的visit_call_()方法，用于處理特定類(lèi)型的計(jì)算圖節(jié)點(diǎn)。
????def?visit_call_(self,?call:?relax.Call)?->?relax.Expr:
????????#?定義了一個(gè)變量out_dtype，用于保存輸出的數(shù)據(jù)類(lèi)型。
????????out_dtype?=?None

????????#?定義了一個(gè)內(nèi)部函數(shù)te_transposed_matmul()，該函數(shù)實(shí)現(xiàn)了矩陣乘法的計(jì)算邏輯。
????????def?te_transposed_matmul(a:?te.Tensor,?b:?te.Tensor)?->?te.Tensor:
????????????nonlocal?out_dtype
????????????#?將輸入張量?a?和?b?的形狀轉(zhuǎn)換為列表形式，分別保存在變量?a_shape?和?b_shape?中。
????????????a_shape?=?list(a.shape)
????????????b_shape?=?list(b.shape)
????????????#?定義了兩個(gè)布爾變量?a_prepended?和?b_appended，用于標(biāo)記是否在相應(yīng)的形狀的前面或后面添加了維度。
????????????a_prepended?=?False
????????????b_appended?=?False
????????????#?如果輸入張量?a?的形狀為一維，則在其前面添加一個(gè)維度，將其形狀修改為?(1,?original_shape)。
????????????#?同樣地，如果輸入張量?b?的形狀為一維，則在其后面添加一個(gè)維度，將其形狀修改為?(original_shape,?1)。
????????????if?len(a_shape)?==?1:
????????????????a_prepended?=?True
????????????????a_shape.insert(0,?1)
????????????if?len(b_shape)?==?1:
????????????????b_appended?=?True
????????????????b_shape.append(1)

????????????#?比較?a_shape?和?b_shape?的長(zhǎng)度，將結(jié)果保存在布爾變量?is_a_larger?中。
????????????#?offset?表示兩個(gè)形狀長(zhǎng)度之差，用于后續(xù)處理。
????????????is_a_larger?=?len(a_shape)?>?len(b_shape)
????????????offset?=?(
????????????????len(a_shape)?-?len(b_shape)
????????????????if?is_a_larger
????????????????else?len(b_shape)?-?len(a_shape)
????????????)

????????????#?創(chuàng)建兩個(gè)?relax.Var?對(duì)象?a_relax?和?bT_relax，用于表示張量?a?和轉(zhuǎn)置后的張量?bT?的結(jié)構(gòu)信息。
????????????#?a_relax?的形狀和?a?的形狀相同，bT_relax?的形狀是?b?的形狀經(jīng)過(guò)維度互換后的結(jié)果。
????????????a_relax?=?relax.Var("a",?relax.TensorStructInfo(a.shape))
????????????bT_shape?=?list(b.shape)
????????????bT_shape[-1],?bT_shape[-2]?=?bT_shape[-2],?bT_shape[-1]
????????????bT_relax?=?relax.Var("b",?relax.TensorStructInfo(bT_shape))
????????????#?使用?relax.op.matmul()?方法對(duì)?a_relax?和?bT_relax?進(jìn)行矩陣乘法運(yùn)算。
????????????#?然后，通過(guò)?self.builder_.normalize()?方法對(duì)結(jié)果進(jìn)行歸一化處理，并獲取最終的輸出形狀。
????????????output_shape?=?self.builder_.normalize(
????????????????relax.op.matmul(a_relax,?bT_relax)
????????????).struct_info.shape

????????????#?該函數(shù)接受可變數(shù)量的空間索引參數(shù)?idx_spatial，
????????????def?matmul_compute(*idx_spatial):
????????????????#?并定義了一個(gè)名為?k?的規(guī)約軸（reduce?axis），其范圍為?0?到?a_shape[-1]。
????????????????k?=?te.reduce_axis((0,?a_shape[-1]),?name="k")

????????????????#?定義了一個(gè)名為?multiply_compute?的內(nèi)部函數(shù)，用于計(jì)算乘法操作時(shí)的索引。
????????????????def?multiply_compute(idx_reduce):
????????????????????a_indices?=?[]
????????????????????b_indices?=?[]

????????????????????#?根據(jù)?is_a_larger?的值，將?idx_spatial?中的索引分配給?a_indices?或?b_indices，用于處理形狀長(zhǎng)度差異的維度。
????????????????????for?i?in?range(offset):
????????????????????????if?is_a_larger:
????????????????????????????a_indices.append(idx_spatial[i])
????????????????????????else:
????????????????????????????b_indices.append(idx_spatial[i])
????????????????????for?i?in?range(
????????????????????????offset,?len(output_shape)?-?(2?-?a_prepended?-?b_appended)
????????????????????):
????????????????????????#?根據(jù)維度的相等性，將適當(dāng)?shù)乃饕砑拥?a_indices?和?b_indices?中。
????????????????????????#?如果維度不相等或無(wú)法確定是否相等，則將索引設(shè)為?0?或保持不變。
????????????????????????a_dim?=?a_shape[i?if?is_a_larger?else?i?-?offset]
????????????????????????b_dim?=?b_shape[i?if?not?is_a_larger?else?i?-?offset]
????????????????????????dim_equal?=?a_dim?==?b_dim
????????????????????????if?not?isinstance(dim_equal,?tir.IntImm)?or?dim_equal?==?0:
????????????????????????????a_dim_is_one?=?isinstance(a_dim,?tir.IntImm)?and?a_dim?==?1
????????????????????????????b_dim_is_one?=?isinstance(b_dim,?tir.IntImm)?and?b_dim?==?1
????????????????????????????a_indices.append(0?if?a_dim_is_one?else?idx_spatial[i])
????????????????????????????b_indices.append(0?if?b_dim_is_one?else?idx_spatial[i])
????????????????????????else:
????????????????????????????a_indices.append(idx_spatial[i])
????????????????????????????b_indices.append(idx_spatial[i])

????????????????????#?在乘法操作的索引中添加規(guī)約軸?idx_reduce，并根據(jù)?a_prepended?和?b_appended?的值，
????????????????????#?將適當(dāng)?shù)乃饕砑拥?a_indices?和?b_indices?中。
????????????????????if?not?a_prepended:
????????????????????????a_indices.append(idx_spatial[-2?+?b_appended])
????????????????????a_indices.append(idx_reduce)
????????????????????if?not?b_appended:
????????????????????????b_indices.append(idx_spatial[-1])
????????????????????b_indices.append(idx_reduce)

????????????????????#?根據(jù)?out_dtype?的值，選擇是否進(jìn)行數(shù)據(jù)類(lèi)型轉(zhuǎn)換，并返回乘法操作的結(jié)果。
????????????????????dtype?=?out_dtype
????????????????????if?dtype?!=?"":
????????????????????????return?a(*a_indices).astype(dtype)?*?b(*b_indices).astype(dtype)
????????????????????return?a(*a_indices)?*?b(*b_indices)

????????????????#?在縮減軸?k?上對(duì)?multiply_compute?的結(jié)果進(jìn)行求和操作。
????????????????return?te.sum(multiply_compute(k),?axis=k)

????????????#?使用?te.compute()?函數(shù)計(jì)算最終的輸出，其中使用一個(gè)?lambda?函數(shù)將輸入索引傳遞給?matmul_compute?函數(shù)，
????????????#?并將結(jié)果命名為?"NT_matmul"。整個(gè)計(jì)算過(guò)程將根據(jù)?output_shape?進(jìn)行執(zhí)行。
????????????return?te.compute(
????????????????output_shape,
????????????????lambda?*idx:?matmul_compute(*idx),??#?pylint:?disable=unnecessary-lambda
????????????????name="NT_matmul",
????????????)

????????#?首先，檢查函數(shù)調(diào)用的操作符?call.op?是否是?relax.GlobalVar?類(lèi)型。如果是，獲取與該操作符對(duì)應(yīng)的函數(shù)對(duì)象，
????????#?并檢查函數(shù)的屬性中是否包含鍵?"Composite"，且其值為?"transpose_matmul_fuse"。
????????if?isinstance(call.op,?relax.GlobalVar):
????????????function?=?self.builder_.get()[call.op]
????????????if?(
????????????????"Composite"?in?function.attrs
????????????????and?function.attrs["Composite"]?==?"transpose_matmul_fuse"
????????????):
????????????????#?將函數(shù)的返回類(lèi)型?function.ret_struct_info.dtype?賦值給變量?out_dtype
????????????????out_dtype?=?function.ret_struct_info.dtype
????????????????#?然后調(diào)用?self.builder_.call_te()?方法，傳遞?te_transposed_matmul?函數(shù)作為參數(shù)，
????????????????#?以及調(diào)用的參數(shù)?call.args[1]?和?call.args[0]，并指定?primfunc_name_hint?為?"NT_matmul"。
????????????????return?self.builder_.call_te(
????????????????????te_transposed_matmul,
????????????????????call.args[1],
????????????????????call.args[0],
????????????????????primfunc_name_hint="NT_matmul",
????????????????)

????????return?super().visit_call_(call)

#?使用?@tvm.transform.module_pass?裝飾器定義了一個(gè)名為?FuseTransposeMatmul?的類(lèi)，
#?并指定了優(yōu)化級(jí)別?opt_level=0?和?pass?的名稱(chēng)為?"FuseTransposeMatmul"。
@tvm.transform.module_pass(opt_level=0,?name="FuseTransposeMatmul")
class?FuseTransposeMatmul:
????#?定義了?transform_module?方法，接受一個(gè)名為?mod?的?IRModule?對(duì)象和
????#?tvm.transform.PassContext?對(duì)象作為參數(shù)，并返回一個(gè)?IRModule?對(duì)象。
????def?transform_module(
????????self,?mod:?IRModule,?ctx:?tvm.transform.PassContext
????)?->?IRModule:
????????#?通過(guò)調(diào)用?relax.transform.FuseOpsByPattern?并傳遞一個(gè)包含單個(gè)模式元組的列表，
????????#?對(duì)模塊?mod?進(jìn)行融合的轉(zhuǎn)置矩陣乘法操作。
????????mod?=?relax.transform.FuseOpsByPattern(
????????????[("transpose_matmul_fuse",?*TransposeMatmulCodeGenerator.pattern())]
????????)(mod)

????????#?創(chuàng)建一個(gè)名為?transpose_matmul_codegen?的?TransposeMatmulCodeGenerator?對(duì)象，
????????#?并對(duì)模塊中的每個(gè)函數(shù)進(jìn)行遍歷。如果函數(shù)是?relax.Function?類(lèi)型，則調(diào)用?transpose_matmul_codegen.visit_expr?
????????#?方法對(duì)函數(shù)進(jìn)行轉(zhuǎn)置矩陣乘法代碼生成，并通過(guò)?transpose_matmul_codegen.builder_.update_func?方法更新函數(shù)。
????????transpose_matmul_codegen?=?TransposeMatmulCodeGenerator(mod)
????????for?gv?in?mod.functions:
????????????func?=?mod[gv]
????????????if?not?isinstance(func,?relax.Function):
????????????????continue
????????????func?=?transpose_matmul_codegen.visit_expr(func)
????????????transpose_matmul_codegen.builder_.update_func(gv,?func)

????????#?返回轉(zhuǎn)置矩陣乘法代碼生成器的?builder?對(duì)象中的模塊。
????????return?transpose_matmul_codegen.builder_.get()


	?

	?

	這個(gè)Pass將Transpose算子和一個(gè)MatMul算子替換為一個(gè)TE表達(dá)式的實(shí)現(xiàn)來(lái)達(dá)到融合算子的目的。

	除了上面2種Pass，MLC-LLM還有不少的圖變換Pass，這篇文章就不一一去解析了，大多數(shù)優(yōu)化的目的都是匹配某種Pattern然后用更優(yōu)秀的算子去完成計(jì)算。

	量化策略這一塊就不在這篇文章解析了。

	0x4. MLC-LLM優(yōu)缺點(diǎn)個(gè)人評(píng)價(jià)和期待

	0x4.1 優(yōu)點(diǎn)

	Tune Free。mlc-llm不需要用TVM的AutoTVM/Ansor等等程序去執(zhí)行算子搜索過(guò)程，對(duì)跨平臺(tái)部署是比原始的TVM搭建的模型更清真的。

	TIR的語(yǔ)法很大程度靠近了PyTorch的API，使得用戶(hù)在模型搭建部分不會(huì)很困難。

	文檔寫(xiě)得不錯(cuò)，跟隨教程基本可以完成大多數(shù)平臺(tái)的模型部署，并且單Batch下的吞吐和延遲表現(xiàn)都是不錯(cuò)的。

	0x4.2 缺點(diǎn)

	不支持從onnx或者h(yuǎn)uggingface模型直接轉(zhuǎn)換出TIR，手工實(shí)現(xiàn)模型的時(shí)候需要相當(dāng)多的先驗(yàn)知識(shí)，比如在上面的RWKV模型中如果有自定義的cuda kernel，那么這個(gè)模型的實(shí)現(xiàn)可能只能全權(quán)委托給mlc-ai社區(qū)的核心開(kāi)發(fā)人員了。

	KV Cache開(kāi)的是max_sequence_length這么長(zhǎng)，顯然會(huì)有顯存的浪費(fèi)，Serving的時(shí)候極限情況下可以服務(wù)的用戶(hù)數(shù)量應(yīng)該比VLLM/TGI等要小？

	CUDA后端Decoding的Attention我看起來(lái)好像還是會(huì)用Flash Attention？也許是我看錯(cuò)了，這條暫時(shí)存疑。

	在RWKV模型實(shí)現(xiàn)里，看到Batch維度寫(xiě)死為1了，應(yīng)該不支持動(dòng)態(tài)Batch？這樣對(duì)于啟真實(shí)服務(wù)來(lái)說(shuō)會(huì)有一些限制。

	0x4.3 期待

	如果短期內(nèi)能讓一個(gè)對(duì)TVM只有輕度依賴(lài)的社區(qū)開(kāi)發(fā)者新增一個(gè)新的模型。

	如果模型存在自定義CUDA Kernel，需要一個(gè)詳細(xì)的教程來(lái)指引。

	模型逐層打印來(lái)debug精度缺一個(gè)教程。

	Paged Attention類(lèi)似策略的引入。

	動(dòng)態(tài)Batch的支持。

	暫時(shí)就想到這些，歡迎斧正。

	編輯：黃飛

	?