GE 架构文档
【免费下载链接】geGE（Graph Engine）是面向昇腾的图编译器和执行器，提供了计算图优化、多流并行、内存复用和模型下沉等技术手段，加速模型执行效率，减少模型内存占用。 GE 提供对 PyTorch、TensorFlow 前端的友好接入能力，并同时支持 onnx、pb 等主流模型格式的解析与编译。项目地址: https://gitcode.com/cann/ge
本文档集从不同维度介绍 GE (Graph Engine) 的架构设计，面向希望为 GE 贡献代码的开发者，帮助快速理解项目整体结构、核心设计决策和各模块的实现细节。
排除测试后约79 万行有效代码，8千余个源文件：
| 模块 | 占比 | 职责 |
|---|---|---|
| compiler | 34% | 图编译（优化、分区、构建） |
| runtime | 20% | 图执行（加载、执行、Hybrid） |
| graph_metadef | 12% | IR 定义、算子注册 |
| dflow | 11% | 分布式流框架 |
| base | 7% | 基础设施 |
| inc | 6% | 公共头文件 |
| api | 4% | API 接口 |
| parser | 3% | 模型解析 |
架构总览
| 文档 | 说明 |
|---|---|
| GE 架构介绍 | 系统架构总览、AscendIR 介绍、编译优化、插件扩展机制 |
模块架构文档
| 文档 | 说明 |
|---|---|
| AscendIR | AscendIR 图中间表示的详细设计 |
| 编译器 | GE Compiler 的编译流程、优化 Pass、引擎分区、构建阶段 |
| 运行时 | GE Executor 的模型加载、Sink 模式、Hybrid 执行、v2 架构 |
特性设计文档
以下文档描述跨模块的特性设计：
| 文档 | 说明 |
|---|---|
| Dump 模块 | Dump 模块整体设计：架构分层、RT1.0/RT2.0 适配、HCCL 处理、动态开关 |
| 外置权重 | FileConstant 特性：权重从 OM 分离存储、编译期 Const→FileConstant 转换、RT V1/V2 加载流程、内存管理、全局权重管理器 |
| 常量折叠 | 常量折叠优化：编译期常量表达式求值、维度计算、空张量替换、延迟生效机制、多编译阶段流水线 |
| 动态分档 | 动态分档特性：动态 Batch / 动态分辨率 / ND 任意维度三种模式、档位枚举、静态子图生成与运行时分发 |
| 内存冲突处理 | 内存冲突防护体系：语义读写冲突、内存布局冲突、子图地址隔离、Inplace 复用冲突、多流并发管理 |
| 模型缓存 | 编译结果持久化机制：图编译缓存、JIT 编译缓存、算子模型缓存三级体系、缓存命中与失效策略 |
| Profiling | 性能采集与可观测性：分层采集架构（API/Host/Device）、按需使能、msprof 统一上报 |
| SO in OM | 算子自包含打包：将依赖的算子 .so 按需打包进 OM 文件、消除运行时对 OPP 算子包的依赖 |
| TensorMove 消除 | TensorMove 冗余节点消除优化：识别并删除冗余内存拷贝节点、O3 优化级别 |
| 变量管理 | 变量生命周期管理：注册、内存分配、格式转换、逻辑地址映射、序列化/反序列化全流程 |
| 零拷贝 | 零拷贝特性：输入零拷贝（消除 H2D）、输出零拷贝（消除 D2H/D2D）、编译期规划与运行时执行 |
| Concat No Task | Concat 连续内存优化：编译期识别输入连续的 Concat 算子，标记为虚拟算子跳过 Task 生成和内存搬运 |
| GE Local 算子 | GE Local 引擎：承载非计算型节点（Data、Constant、控制流、形状变换等）的专用引擎，运行期零计算开销 |
| 引擎 | Engine 引擎体系：插件化引擎架构、优先级驱动自动选择、编译期引擎注册与分区、运行时分发 |
| Tiling 下沉 | Tiling 下沉特性：将 Tiling 计算从 Host 搬到 Device AICPU 执行，消除 Host-Device 同步开销 |
| 图拆分 | 图拆分特性：动静 Shape 拆分、引擎级拆分、流水线阶段拆分、JIT 增量拆分 |
| 静态执行器 | 静态子图执行器：Task Sink 预分发、DavinciModel 加载/执行、混合执行模式地址刷新 |
| 动态执行器 | RT2.0 动态 Shape 执行器：Lowering 机制、ExecuteGraph、ModelV2Executor、三子图生命周期、Kernel 注册系统 |
| Stream Allocator | 流分配特性：逻辑流分配、同步事件管理、物理流拆分、流激活机制 |
| InferShape | Shape 推导：OriginShape/StorageShape 双体系、编译期 InferShapePass、运行时推导节点、符号化推导 |
| Format 推导 | 格式推导：OriginFormat 锚点扩散推导、StorageFormat 自动选择、TransData 插入优化 |
模块关键设计原则与软件约束
以下文档记录特性的关键设计约束和开发规范：
| 文档 | 说明 |
|---|---|
| 内存模块软件约束 | 静态/动态内存复用、Allocator 线程模型、内存释放时序、进程退出清理 |
| RT2 运行时设计原则 | RT2 动态 Shape 模块设计原则：加载/执行规则、性能、兼容性、并发、可调试性 |
| 图拆分模块设计原则 | 图拆分模块设计原则：职责边界、拆分依据、多线程并发、维测日志、兼容性、评审检查清单 |
| 流分配模块设计原则 | 静态/动态 Shape 流分配设计：Pass 架构、流复用、Event 同步、流激活机制 |
| 静态 Shape 运行时设计原则 | 静态 Shape 模块设计原则：性能优化、ArgsFormat、地址刷新策略、内存管理 |
| 图基础结构设计原则 | 图编译公共基础结构设计原则：独立性、兼容性、可观测性、并发模型、跨平台一致性 |
【免费下载链接】geGE（Graph Engine）是面向昇腾的图编译器和执行器，提供了计算图优化、多流并行、内存复用和模型下沉等技术手段，加速模型执行效率，减少模型内存占用。 GE 提供对 PyTorch、TensorFlow 前端的友好接入能力，并同时支持 onnx、pb 等主流模型格式的解析与编译。项目地址: https://gitcode.com/cann/ge
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
