OneFlow v0.8.0正式发布

今天是 OneFlow 开源的 717 天，OneFlow v0.8.0 正式发布。本次更新包含523个commit，完整更新列表请查看链接：https://github.com/Oneflow-Inc/oneflow/releases/tag/v0.8.0，欢迎下载体验新版本，期待你的反馈。

OneFlow v0.8.0 主要包括以下新增亮点功能和优化：

1.兼容性

PyTorch compatible API 更加完善。新增一系列与 PyTorch 1.10.0 兼容的功能和接口，包括新增与 PyTorch 对齐的 68 个 API， 修复了 84 个算子与接口兼容性 bug，支持用户将更多 PyTorch 模型一键迁移为 OneFlow。

2.Global 算子支持

所有算子对 Global Tensor 的支持更加完备且高效。修复了 28 个 Global Tensor 相关的 bug，新增 180 个 Global 算子单测，用户可以更加简单且高效地用 Global Tensor 进行分布式模型开发。

3.性能

Graph 高级特性的性能更加成熟完善：

除原本的 ZeRO-DP 以外，ZeRO 零冗余优化器可以与 MP，2-D，3-D 并行搭配使用，进一步节省显存开销。

Graph 提出了新的流水并行 API，在简化流水并行配置的同时加速流水并行与 3-D 并行的性能。

为了进一步提升 Graph.debug 调试效率，新增关于逻辑图、light plan 物理图、内存分析、Python 栈信息等多维度的调试功能。

基于 OneFlow v0.8.0 和 LiBai v0.2.0 ， GPT 和 BERT 3-D 并行下的速度优化明显，在多个维度上的速度表现都超越相同配置下的 Megatron-LM（数据详见：https://libai.readthedocs.io/en/latest/tutorials/get_started/Benchmark.html）。

4.OneEmbedding组件

OneEmbedding 是一款专门为大规模推荐系统设计的拓展组件，具备高性能、可拓展、灵活度高等特点。其具备以下特性：

支持分层存储，动态扩容的 Embedding，用户可以以较低成本扩展 Embedding 容量

混合并行策略，能够轻松地将模型横向拓展到多机多卡的场景

通信量化压缩功能，在并行场景下，对通信的数据进行量化压缩，以减少通信量，提升训练速度

高效的数据流水线，将模型中没有数据依赖的部分提前执行，在时间上进行重叠

支持自动混合精度训练，模型训练过程中将部分计算转换为 FP16 数据类型计算，在减少显存占用的同时提升训练速度，并能保证模型收敛精度

针对推荐系统模型的常用操作提供一系列高性能 CUDA 算子

支持灵活的模型构建

API 文档：

https://docs.oneflow.org/master/cookies/one_embedding.html

5.多设备适配

OneFlow 提供简洁高效易扩展的硬件抽象层 EP（Execution Provider），以应对适配不同硬件的复杂性。引入硬件抽象层之后，用户无需关注底层硬件和框架的具体实现细节，框架的各个模块无需改动便可以适配新的硬件设备，同时，用户只需按照硬件抽象接口的约定和硬件设备的实际情况，实现一系列接口，便可以完成硬件的适配工作。

EP 还定义了一组基础计算接口 Primitive，基于 Primitive 接口重新实现了 Kernel。相比 EP 提供的运行时接口，Primitive 提供的接口更加灵活，不同接口之间相互独立，每一个接口表示了某种硬件设备可以提供的特定的计算能力。

6.调试工具栈

新增调试工具栈 OneFlow-Profiler 与 AutoProf。

OneFlow-Profiler 用来在框架执行流程中收集各种性能相关信息的工具。该工具可以统计算子或系统组件的执行时间，内存显存的分配情况，同时可以记录算子对应的的输入和参数信息，这些信息可供开发者分析框架执行中开销最大的部分，以实现针对性优化（https://github.com/Oneflow-Inc/oneflow/pull/8047）。

AutoProf 是一个测试 OneFlow 和 PyTorch 算子性能的框架，为 OneFlow 提供优雅、高效地检测 OneFlow API 与 PyTorch API 是否对齐的方法，让用户可以自动比较 OneFlow API 与 PyTorch API 的性能结果（https://github.com/Oneflow-Inc/oneflow/pull/8207）。

7.异常报错处理

大幅完善 OneFlow API 中的异常处理流程，完善 API 在异常情况下的报错提示信息。

8.API文档

完善 OneFlow API 文档内容共20余处，按照功能对 API 文档进行模块重构。除通用的算子 API 外，详细说明 OneFlow oneflow.nn.graph、oneflow.embedding、oneflow.autograd 等模块及环境变量。

查看OneFlow v0.8.0完整更新内容，请点击“阅读原文”。

其他人都在看

OneFlow源码一览：GDB编译调试

解读Pathways：向前一步是OneFlow

OneFlow源码解析：算子签名的自动推断

Hinton：我的五十年深度学习生涯与研究心法

LLVM之父：为什么我们要重建AI基础设施软件

并行计算的量化模型及其在深度学习引擎的应用

大模型训练难？效率超群、易用的“李白”模型库来了

欢迎体验 OneFlow v0.8.0:

https://github.com/Oneflow-Inc/oneflow/

https://www.oschina.net/action/GoToLink?url=https%3A%2F%2Fgithub.com%2FOneflow-Inc%2Foneflow%2F

————————————————

版权声明：本文为CSDN博主「OneFlow深度学习框架」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/OneFlow_Official/article/details/125884183

今天是 OneFlow 开源的 717 天，OneFlow v0.8.0 正式发布。本次更新包含523个commit，完整更新列表请查看链接：https://github.com/Oneflow-Inc/oneflow/releases/tag/v0.8.0，欢迎下载体验新版本，期待你的反馈。

OneFlow v0.8.0 主要包括以下新增亮点功能和优化：

1.兼容性

PyTorch compatible API 更加完善。新增一系列与 PyTorch 1.10.0 兼容的功能和接口，包括新增与 PyTorch 对齐的 68 个 API， 修复了 84 个算子与接口兼容性 bug，支持用户将更多 PyTorch 模型一键迁移为 OneFlow。

2.Global 算子支持

所有算子对 Global Tensor 的支持更加完备且高效。修复了 28 个 Global Tensor 相关的 bug，新增 180 个 Global 算子单测，用户可以更加简单且高效地用 Global Tensor 进行分布式模型开发。

3.性能

Graph 高级特性的性能更加成熟完善：

除原本的 ZeRO-DP 以外，ZeRO 零冗余优化器可以与 MP，2-D，3-D 并行搭配使用，进一步节省显存开销。

Graph 提出了新的流水并行 API，在简化流水并行配置的同时加速流水并行与 3-D 并行的性能。

为了进一步提升 Graph.debug 调试效率，新增关于逻辑图、light plan 物理图、内存分析、Python 栈信息等多维度的调试功能。

基于 OneFlow v0.8.0 和 LiBai v0.2.0 ， GPT 和 BERT 3-D 并行下的速度优化明显，在多个维度上的速度表现都超越相同配置下的 Megatron-LM（数据详见：https://libai.readthedocs.io/en/latest/tutorials/get_started/Benchmark.html）。

4.OneEmbedding组件

OneEmbedding 是一款专门为大规模推荐系统设计的拓展组件，具备高性能、可拓展、灵活度高等特点。其具备以下特性：

支持分层存储，动态扩容的 Embedding，用户可以以较低成本扩展 Embedding 容量

混合并行策略，能够轻松地将模型横向拓展到多机多卡的场景

通信量化压缩功能，在并行场景下，对通信的数据进行量化压缩，以减少通信量，提升训练速度

高效的数据流水线，将模型中没有数据依赖的部分提前执行，在时间上进行重叠

支持自动混合精度训练，模型训练过程中将部分计算转换为 FP16 数据类型计算，在减少显存占用的同时提升训练速度，并能保证模型收敛精度

针对推荐系统模型的常用操作提供一系列高性能 CUDA 算子

支持灵活的模型构建

API 文档：

https://docs.oneflow.org/master/cookies/one_embedding.html

5.多设备适配

OneFlow 提供简洁高效易扩展的硬件抽象层 EP（Execution Provider），以应对适配不同硬件的复杂性。引入硬件抽象层之后，用户无需关注底层硬件和框架的具体实现细节，框架的各个模块无需改动便可以适配新的硬件设备，同时，用户只需按照硬件抽象接口的约定和硬件设备的实际情况，实现一系列接口，便可以完成硬件的适配工作。

EP 还定义了一组基础计算接口 Primitive，基于 Primitive 接口重新实现了 Kernel。相比 EP 提供的运行时接口，Primitive 提供的接口更加灵活，不同接口之间相互独立，每一个接口表示了某种硬件设备可以提供的特定的计算能力。

6.调试工具栈

新增调试工具栈 OneFlow-Profiler 与 AutoProf。

OneFlow-Profiler 用来在框架执行流程中收集各种性能相关信息的工具。该工具可以统计算子或系统组件的执行时间，内存显存的分配情况，同时可以记录算子对应的的输入和参数信息，这些信息可供开发者分析框架执行中开销最大的部分，以实现针对性优化（https://github.com/Oneflow-Inc/oneflow/pull/8047）。

AutoProf 是一个测试 OneFlow 和 PyTorch 算子性能的框架，为 OneFlow 提供优雅、高效地检测 OneFlow API 与 PyTorch API 是否对齐的方法，让用户可以自动比较 OneFlow API 与 PyTorch API 的性能结果（https://github.com/Oneflow-Inc/oneflow/pull/8207）。

7.异常报错处理

大幅完善 OneFlow API 中的异常处理流程，完善 API 在异常情况下的报错提示信息。

8.API文档

完善 OneFlow API 文档内容共20余处，按照功能对 API 文档进行模块重构。除通用的算子 API 外，详细说明 OneFlow oneflow.nn.graph、oneflow.embedding、oneflow.autograd 等模块及环境变量。

查看OneFlow v0.8.0完整更新内容，请点击“阅读原文”。

其他人都在看

OneFlow源码一览：GDB编译调试

解读Pathways：向前一步是OneFlow

OneFlow源码解析：算子签名的自动推断

Hinton：我的五十年深度学习生涯与研究心法

LLVM之父：为什么我们要重建AI基础设施软件

并行计算的量化模型及其在深度学习引擎的应用

大模型训练难？效率超群、易用的“李白”模型库来了

欢迎体验 OneFlow v0.8.0:

https://github.com/Oneflow-Inc/oneflow/

https://www.oschina.net/action/GoToLink?url=https%3A%2F%2Fgithub.com%2FOneflow-Inc%2Foneflow%2F

————————————————

版权声明：本文为CSDN博主「OneFlow深度学习框架」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/OneFlow_Official/article/details/125884183