[Bug] [Relax][CUDA] Wrong result for a K=1 matmul chain after AdjustMatmulOrder

Đang mở
  • Có gì không ổn?
#20,825 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

Chưa có ai nhận issue này.

Đánh giá

Độ khó
4/5
Thời gian dự kiến
3-5 ngày
Mức phù hợp với người mới
48/100
Loại issue
Lỗi
Độ rõ ràng
Khá rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
python
Lĩnh vực
compilers, machine-learning

Hướng nghiên cứu

Start by reading the AdjustMatmulOrder transform and the DLight reverse_compute_inline path mentioned in the report, then run the supplied reproducer on a CUDA-enabled TVM build. Compare the scheduled TIR for the original and transformed modules, especially where the clipped exp chain appears in reduction initialization and update. Done means both compiled variants match the NumPy result for the K=1 matmul chain.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

needs-triage type: bug
Expected behavior

The original module and the module after AdjustMatmulOrder should return the same values. Both should match the NumPy calculation in the script below.

Actual behavior

I ran into this with a chain of two matmuls followed by two clipped exp operations. The first matmul has a reduction dimension of 1. Both versions compile and run, but the transformed version returns different values:

OFF first = 0.6067528 max abs error = 0.0
OFF allclose = True
ON first = 0.7993563 max abs error = 0.19286269
ON allclose = False

The OFF result matches NumPy. The ON result does not: all 30 output values fail rtol=0.02, atol=0.002. I can also reproduce this with a different random input.

In the scheduled ON TIR, the exp chain is in both the reduction initialization and update after DLight's reverse_compute_inline. It should run once on the completed matmul result.

Environment
  • Apache TVM 0.26.dev0+source.8f328e8 (source build)
  • Linux 6.8.0-52-generic, x86-64; Python 3.11.16
  • NVIDIA RTX A6000, driver 550.120, CUDA toolkit 12.4, target sm_86
  • Relax default CUDA compilation pipeline
Steps to reproduce

Save as repro_k1_matmul_exp.py and run python repro_k1_matmul_exp.py on a CUDA-enabled TVM build:

import numpy as np
import tvm
from tvm import relax as R
from tvm.script import ir as I, relax as S, tirx as T

@I.ir_module
class Before:
    @S.function
    def main(
        a: S.Tensor((1, 10), "float16"),
        b: S.Tensor((20, 1), "float16"),
        c: S.Tensor((20, 3), "float16"),
    ) -> S.Tensor((10, 3), "float32"):
        with S.dataflow():
            outer = S.matmul(b, a, out_dtype=None)
            transposed = S.permute_dims(outer, axes=None)
            matmul = S.matmul(transposed, c, out_dtype="float32")
            first = S.exp(
                S.subtract(
                    S.clip(matmul, T.float64(-0.25), T.float64(0.25)),
                    S.multiply(
                        S.clip(matmul, T.float64(-0.25), T.float64(2.0)),
                        S.const(0.5, "float32"),
                    ),
                )
            )
            second = S.exp(
                S.subtract(
                    S.clip(matmul, T.float64(-0.25), T.float64(0.25)),
                    S.multiply(
                        S.clip(first, T.float64(-0.25), T.float64(2.0)),
                        S.const(0.5, "float32"),
                    ),
                )
            )
            S.output(second)
        return second

dev = tvm.cuda(0)
target = tvm.target.Target({
    "kind": "cuda",
    "arch": "sm_" + dev.compute_version.replace(".", ""),
    "host": {"kind": "llvm", "mcpu": "generic"},
})
with tvm.transform.PassContext(opt_level=2):
    After = R.transform.AdjustMatmulOrder()(Before)

rng = np.random.default_rng(710000)
a, b, c = [
    ((rng.integers(0, 2, size=shape, dtype="int32") * 2 - 1) / 16).astype("float16")
    for shape in ((1, 10), (20, 1), (20, 3))
]
outer = (b @ a).astype("float16")
matmul = outer.T.astype("float32") @ c.astype("float32")
expected = matmul.copy()
for _ in range(2):
    expected = np.exp(
        np.clip(matmul, -0.25, 0.25)
        - 0.5 * np.clip(expected, -0.25, 2.0)
    )

# Freeze both branches before compiling either one.
frozen = {"OFF": tvm.ir.save_json(Before), "ON": tvm.ir.save_json(After)}
for name, serialized in frozen.items():
    with target, tvm.transform.PassContext(
        opt_level=2, disabled_pass=["AdjustMatmulOrder"]
    ):
        ex = tvm.compile(
            tvm.ir.load_json(serialized),
            target=target,
            relax_pipeline="default",
            tir_pipeline="default",
        )
    vm = R.VirtualMachine(ex, dev)
    output = vm["main"](*[
        tvm.runtime.tensor(x.copy(), dev) for x in (a, b, c)
    ]).numpy()
    print(name, "first =", output.flat[0],
          "max abs error =", np.max(np.abs(output - expected)))
    print(name, "allclose =", np.allclose(
        output, expected, rtol=0.02, atol=0.002
    ))
Triage
  • needs-triage
  • type: bug
  • backend:cuda
Ngôn ngữ chính
Python
Star
13.9k
Fork
4k
Merge trung bình
8 giờ 2 phút
Pull request đã merge (30 ngày)
180

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của apache/tvm

Tất cả issue của apache/tvm

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.