之前面试过一个候选人，简历上写着“精通深度学习编译器”。
我问他：“那你说说，什么是计算图优化？”
他愣了一下，回答：“就是把模型转成 IR（中间表示），然后做一下优化呗。”

这个回答对，但也太笼统了。
实际上的计算图优化，是一个极其复杂的三阶段流水线：

1. 准备阶段：做“减法”（删掉不需要的计算）。
2. 优化阶段：做“合成”（把能合并的算子合并）。
3. 编译阶段：做“排布”（重新排列执行顺序、分配内存）。

昇腾 CANN 的 GE (Graph Engine，图引擎)，就是这个流水线的具体实现。它是连接前端框架（PyTorch/TensorFlow）与后端硬件（Runtime/NPU）的枢纽，决定了你的模型到底能跑多快、吃多少显存。

---

一、GE 是什么？核心定位

GE (Graph Engine) 是昇腾 CANN 架构中位于第三层——昇腾计算编译层的核心组件。

• 职责：接收前端框架发来的计算图描述，进行一系列图层面的全局优化，生成高效的执行任务下发给 Runtime。
• 仓库地址：https://atomgit.com/cann/ge
• 形象比喻：如果把 CANN 比作一座工厂，前端框架是“原材料供应商”，NPU 是“生产线”，那么 GE 就是“中央调度室”。它决定原料怎么切分、机器怎么组合、废料怎么处理。

在 CANN 架构中的位置

┌───────────────────────────────────────┐
│ 第1层：昇腾计算语言层 (AscendCL)      │ ← 应用接口
├───────────────────────────────────────┤
│ 第2层：昇腾计算服务层                 │ ← AOL 算子库 + ATB
├───────────────────────────────────────┤
│ 第3层：昇腾计算编译层                 │
│   ├─ GE (Graph Engine) ← 今天的主题  │ ← 核心枢纽
│   └─ BiSheng / ATC 编译器             │
├───────────────────────────────────────┤
│ 第4层：昇腾计算执行层                 │ ← Runtime / HCCL
└───────────────────────────────────────┘

GE 的上下游关系：

• 上游：TorchAir (PyTorch)、TF Adapter (TensorFlow)、ONNX Parser。它们负责将高级语言转换为 GE 可理解的图格式。
• 下游：Runtime、HCCL。GE 生成的 Task 列表直接交给它们执行。

---

二、GE 的核心：三阶段流水线设计

GE 的设计哲学是**“分而治之”**。如果把所有优化混在一起做，全局优化空间会被锁死。因此，GE 将优化流程严格划分为三个阶段。

阶段 1：图准备 (Graph Preparation) —— “做减法”

目标：清理“脏数据”，为后续优化铺平道路。

1. 形状推导 (Shape Inference)

   • 问题：动态 Batch Size 导致很多张量形状未知。
   • 解决：GE 通过常量传播和符号推导，提前计算出大部分张量的确切形状。
   • 价值：只有知道形状，才能准确分配内存。

   # 原始图：input (?, 768) → Linear(768→3072) → ...
   # 推导后：input (batch_size, 768) → Linear(...) → output (batch_size, 768)
   # 整个图的形状链条被打通
   

2. 常量折叠 (Constant Folding)

   • 原理：如果操作数全是静态常量（如权重、偏置），直接在编译期算出结果。
   • 效果：运行时少算一遍。

   # 原始：Weight @ Input + Bias
   # 折叠后：(Weight @ Constant_Input) + Constant_Bias → 直接存入 Result_Constant
   

3. 死边消除 (Dead Path Elimination)

   • 场景：条件分支中，某些分支在编译期已知不可达（如 if False）。
   • 操作：直接删除这些分支的计算节点。

阶段 2：图优化 (Graph Optimization) —— “做合成”

目标：最大化计算效率，这是 GE 最核心的能力。

1. 算子融合 (Operator Fusion) 🔥

   • 痛点：每个算子调用一次 Kernel Launch，多次调用意味着多次 Host-Device 通信开销。
   • 策略：GE 内置了上百种融合 Pattern，自动寻找可以合并的算子链。
   • 常见融合模式：
     • Conv + BN + Relu → 融合为一个算子
     • QKV Project + Attention + Output Project → 融合为一个大算子
     • Linear + Linear → 连续矩阵乘合并
     • Add + Residual → 残差连接融合
   • 对比 ATB：ATB 是用户手动定义融合（白盒），GE 是自动搜索融合（黑盒/半黑盒），覆盖范围更广，无需修改代码。

   # 原始：5个算子 (LN -> L1 -> Act -> L2 -> Dropout)
   # 融合后：1个融合算子 (Fused_Norm_Act_Linears_Dropout)
   # Kernel Launch 次数：5次 → 1次
   

2. 图切分 (Graph Partitioning)

   • 场景：大模型单卡放不下，需要跨多卡/多机。
   • 策略：自动按算子、数据或流水线切分图。
   • 示例：LLaMA-70B 切分为 4 路流水线并行，每路处理 20 层。

3. 流水编排 (Pipeline Orchestration)

   • 逻辑：分析切分后的子图依赖关系，生成最优执行计划。
   • 能力：让无依赖的子图并行执行（如 Stream 1 跑 A 和 D，Stream 2 跑 B）。

阶段 3：图编译 (Graph Compilation) —— “做排布”

目标：生成可执行的指令，并极致优化内存。

1. 整图内存复用 (Global Memory Reuse) 🚀

   • 核心算法：GE 分析整个计算图中所有中间张量的生命周期。只要两个张量不同时活跃，就可以共用同一块内存。
   • 效果：对于大模型，这通常能节省 30%-50% 的显存。

   # 原始：op_a alloc(1GB), op_b alloc(1GB), op_c alloc(1GB) → 总占用 3GB
   # 复用后：shared_buffer alloc(1GB)
   #         op_a 用 buffer[0:1]
   #         op_b 用 buffer[0:1] (复用！)
   #         op_c 用 buffer[0:1] (复用！)
   # 总占用降至 1GB
   

2. 连续内存分配 (Contiguous Memory)

   • 目的：保证相关内存块物理连续，利用 NPU 的预取机制，减少碎片化访问延迟。

3. Task 下发

   • 将优化后的图拆解为具体的 Task 列表，下发给 Runtime 执行。

---

三、实战案例：Transformer Encoder 层的优化之旅

让我们看一个简化的 Transformer Encoder 层，观察 GE 如何将其从“散沙”变成“利剑”。

原始计算图 (20+ 个算子)

Input 
  → Embedding 
  → LayerNorm 
  → QKV_proj (3个Linear) 
  → Split_QKV 
  → Attention_Score 
  → Softmax 
  → Attention_Weighted 
  → Output_Proj (Linear) 
  → Add_Residual 
  → LayerNorm 
  → FFN_Proj1 (Linear) 
  → Activation (SiLU) 
  → FFN_Proj2 (Linear) 
  → Add_Residual 
  → Output

GE 三阶段流水线处理后

1. 图准备

• 形状推导：确定 batch_size, seq_len, hidden_dim 的具体值。
• 常量折叠：某些 Scales/Offsets 被直接展开为常量。

2. 图优化 (关键步骤)

• QKV 融合：3个独立的 Linear 算子被合并为 1 个 QKV_Fusion 算子。
• Attention 融合：Split + Score + Softmax + Weighted + Output_Proj 被融合为 1 个 FlashAttention_Fused 算子。
• FFN 融合：Proj1 + Activation + Proj2 被融合为 1 个 SwiGLU_Fused 算子。
• 残差融合：两次 Add_Residual 分别融入前一级算子的 Epilogue 中。

3. 图编译

• 内存复用：中间结果（如 Q, K, V 的临时张量）被复用到不同阶段。
• 最终产出：约 5-6 个融合 Task。

结果对比：

• Kernel Launch：从 20+ 次降至 5-6 次。
• 显存占用：大幅降低（得益于内存复用）。
• 性能提升：由于减少了 HBM 读写和启动开销，推理速度通常提升 2-3 倍。

---

四、开发者如何使用 GE？

普通开发者通常不需要直接调用 GE API，因为 PyTorch/MindSpore 已经封装好了。但如果你需要调试或深度优化，可以使用以下工具：

1. 查看计算图 (Debug)

设置环境变量，导出优化前后的 DOT 文件：

export GE_dump_graph=1
export GE_dump_path=/tmp/ge_graphs
python run_model.py

# 查看生成的文件
ls /tmp/ge_graphs/
# origin_graph.dot     - 优化前的原始图
# optimized_graph.dot  - GE 优化后的图
# fusion_info.txt      - 详细的融合信息

使用 Graphviz 打开 .dot 文件，直观看到算子是如何被融合的。

2. GE API (进阶控制)

在 CANN 工具链中，可以通过 Python API 配置 GE 行为：

from te import graph as ge

session = ge.GESession()
# 开启融合
session.set_property("ge.graphforge.enableFusion", "1")
# 限制最大图数量
session.set_property("ge.pooling.maxGraphNum", "16")

# 加载模型 (OM 格式)
session.load_graph("/path/to/model.om")
outputs = session.run(inputs)

3. 性能 Profiling

export GE_profiling_enable=1
export GE_profiling_taskids=0,1,2,3,4,5
python run_model.py
# 查看日志中的 GE 执行耗时分布

---

五、版本演进与总结

GE 随着 CANN 版本持续进化：

• CANN 8.0：完整的 GE 8.0，引入优化的三阶段流水线。
• CANN 8.2：增强记忆优化算法，融合策略更激进。
• CANN 8.5：支持超大计算图，优化分布式场景下的通信重叠。

总结：理解 GE，就理解了编译器的一半

回到开头那个面试问题。候选人说“转成 IR 然后优化”，确实没错，但太浅了。
真正的优化在于三阶段流水线的精妙设计：

1. 准备：去伪存真。
2. 优化：合纵连横（融合）。
3. 编译：运筹帷幄（内存与调度）。

GE (图编排) 与 ATB (算子编排) 构成了昇腾编译体系的左右手：

• GE 负责宏观的图级优化（算子怎么串、内存怎么分）。
• ATB 负责微观的算子级优化（算子内部怎么算、怎么融合）。

两者配合，才真正释放了昇腾 NPU 的算力潜能。当你下次遇到模型跑得慢时，别只盯着算子看，先看看 GE 的优化图——也许答案就在那些被融合掉的算子里。