【Hackathon No.50】为 Paddle lerp 算子实现 float16 数据类型支持 #50925
Conversation
|
你的PR提交成功，感谢你对开源项目的贡献! |
|
|
|
|
| y = np.full(600, 1.0).astype(np.float16).reshape([50, 2, 2, 3]) | ||
| w = np.random.random([3]).astype(np.float16) | ||
| self.inputs = {'X': x, 'Y': y, 'Weight': w} | ||
| self.outputs = {'Out': x + w * (y - x)} |
There was a problem hiding this comment.
- 这3个单测可以保留1个就可以，因为不同的shape在Kernel实现上并没有区分处理。
- 代码可以简化：因为继承了TestLerp，这里只需要为fp16的case实现 init_dtype和init_shape就可以
There was a problem hiding this comment.
您好
- 这三个单测我保留了两个，这两个单侧在反向的kernel中实现是不同的。
- 测试代码已经按照要求简化。
There was a problem hiding this comment.
上面的5个case和TestLerpWithFp16BroadWToXY 除了shape不同好像没有其他差异？x和y都是相同的shape，w.shape=[1]，测试内容有些重复。上述5个case和TestLerpWithFp16BroadWToXY保留一个就可以。
另外，TestLerpWihFp16BroadXY和TestLerpWithFp16BroadWToXY也可以直接重写init_shape和init_dtype简化吧？
There was a problem hiding this comment.
老师，上面五个case的和TestLerpWithFp16BroadWToXY是不同的。因为TestLerpWithFp16BroadWToXY的w.shape=[3]，会走到broadcast w的反向分支。而上面五个case的w.shape=[1]，会走到w为scalar的分支。
另外，TestLerpWihFp16BroadXY和TestLerpWithFp16BroadWToXY重写init_shape和init_dtype也比较麻烦，因为TestLerpWihFp16BroadXY中X与Y的shape并不相同，然后TestLerpWithFp16BroadWToXY中w是random的shape=[3]的向量。不是基类中w.shape=[1]的标量。所以选择直接重写setup函数，不知道可不可以。
There was a problem hiding this comment.
明白了，那TestLerpWihFp16BroadXY和TestLerpWithFp16BroadWToXY可以保留。
其实还是可以继承已有的TestLerpOp，但是可以给init_shape增加一个设置w的shape的功能，对TestLerpOp稍作修改，这样会更通用，代码也能得到简化。
There was a problem hiding this comment.
单测或许可以只保留3个case，TestLerpWihFp16BroadXY和TestLerpWithFp16BroadWToXY，以及x和y相同shape，w.shape=[1]的？
There was a problem hiding this comment.
好的老师，已经按照相关说明更改。在基类中增加了init_wshape、init_xyshape。其中init_xyshape用来对x、y shape不相等时初始化。并且简化了原来FP32的TestLerpBroadXY、TestLerpBroadWToXY。
|
记得提交中文文档修改，并在PR描述中引用 |
|
@denglianbin 可以优先处理下这个PR的问题 |
| self.shape = [2, 1, 2, 5, 1, 5] | ||
|
|
||
| def init_dtype(self): | ||
| self.dtype = np.float16 |
There was a problem hiding this comment.
上面这5个case除了维度不同在调用的kernel上应该并没有区别。x、y的shape都一样，甚至元素数量都是100，从测试覆盖情况来看相同的测试内容保留一个规模最大的即可。原始的fp32单测写的太累赘了，不需要完全保证相同数量的case。
There was a problem hiding this comment.
老师，他五个case在正向kernel中是走的五个分支。FP32这样写应该是要测试每个维度的正确性，这种情况需要修改吗？
There was a problem hiding this comment.
这里面其实都是走的同一个LerpFuntion，这里之所以写了这么多分支是因为eigen实现，模版参数必须设置dim的数值。但其实走的是同一个函数，计算的方式上没有差异的。
| y = np.full(600, 1.0).astype(np.float16).reshape([50, 2, 2, 3]) | ||
| w = np.random.random([3]).astype(np.float16) | ||
| self.inputs = {'X': x, 'Y': y, 'Weight': w} | ||
| self.outputs = {'Out': x + w * (y - x)} |
There was a problem hiding this comment.
上面的5个case和TestLerpWithFp16BroadWToXY 除了shape不同好像没有其他差异？x和y都是相同的shape，w.shape=[1]，测试内容有些重复。上述5个case和TestLerpWithFp16BroadWToXY保留一个就可以。
另外，TestLerpWihFp16BroadXY和TestLerpWithFp16BroadWToXY也可以直接重写init_shape和init_dtype简化吧？
| self.res_ref = self.x + self.w * (self.y - self.x) | ||
| self.place = [] | ||
| if core.is_compiled_with_cuda(): | ||
| self.place.append(paddle.CUDAPlace(0)) |
There was a problem hiding this comment.
TestLerpAPIFp16这个是为了测试什么？继承的是unittest.TestCase，不会运行op
PR types
Others
PR changes
Others
Describe
性能数据（op benchmark）