Inductor - Post-grad FX passes

PyTorch Developer Podcast

Контент предоставлен PyTorch, Edward Yang, and Team PyTorch. Весь контент подкастов, включая эпизоды, графику и описания подкастов, загружается и предоставляется непосредственно компанией PyTorch, Edward Yang, and Team PyTorch или ее партнером по платформе подкастов. Если вы считаете, что кто-то использует вашу работу, защищенную авторским правом, без вашего разрешения, вы можете выполнить процедуру, описанную здесь https://ru.player.fm/legal.

7M ago 24:07

MP3•Главная эпизода

The post-grad FX passes in Inductor run after AOTAutograd has functionalized and normalized the input program into separate forward/backward graphs. As such, they generally can assume that the graph in question is functionalized, except for some mutations to inputs at the end of the graph. At the end of post-grad passes, there are special passes that reintroduce mutation into the graph before going into the rest of Inductor lowering which is generally aware of passes. The post-grad FX passes are varied but are typically domain specific passes making local changes to specific parts of the graph.

83 эпизодов

#Tech #PyTorch #Edward Yang #Team PyTorch #Deep Learning #Machine Learning