当我们谈论 MegEngine 时，我们在谈论什么

众所周知，开源深度学习框架旷视天元（MegEngine）是旷视自主研发的国产工业级深度学习框架，是旷视新一代 AI 生产力平台 Brain++ 的最核心组件，在2020年3月正式向全球开发者开源。MegEngine 凭借其训练推理一体、超低硬件门槛和全平台高效推理 3 大核心优势，帮助企业与开发者大幅节省产品从实验室原型到工业部署的流程，真正实现小时级的转化能力。

MegEngine自上向下包含三个层次：Imperative、MegBrain和MegDNN。它们的角色定位分别是：

• Imperative：MegEngine为动态训练设计的一套新接口，负责处理动态图运行时（Imperative Runtime）。
• MegBrain：负责处理静态图运行时（Graph Runtime）。
• MegDNN：MegEngine的底层计算引擎。

下面再从下到上介绍一下这三个模块在MegEngine中的作用。

(资料图)

MegEngine 的底层计算引擎 —— MegDNN

MegDNN在MegEngine中扮演的角色是底层计算引擎。MegDNN是一个跨平台的底层算子库，训练和推理过程中的所有计算操作最终都需要落到一个MegDNN的算子上进行，一个MegDNN算子可能会根据场景（如张量尺寸等）有一个或多个不同的实现（也叫kernel）。

作为一个跨平台的计算库，MegDNN为我们提供丰富的与Tensor相关的计算原语，比如Convolution、Pooling、MatrixMul、Transpose等。目前MegDNN支持的平台有：x86、arm、CUDA、RoCM、OpenCL、Hexagon等。

感兴趣的同学可以在这里看到MegDNN在各个平台下的kernel具体实现。

静态图运行时管家 —— MegBrain

为了确保训练推理一致性，Imperative中复用了MegBrain的计算代码，因此我们需要了解MegBrain做了什么。

MegBrain负责处理静态图的运行时，主要提供C++的训练和推理接口。

从下面的MegEngine整体架构图可以看出，Imperative通过Tensor Interpreter（张量解释器）复用了许多MegBrain的代码。比如shape推导、计算、求导、Trace等。

在MegBrain中，一个Computing Graph由SymbolVar以及许多op（算子，operator）组成。SymbolVar是在MegBrain层面Tensor的表示，可以理解为传递给op进行计算的数据。作个类比，op是类似加减乘除这样的计算操作（在深度学习中常用的有convolution、pooling等），SymbolVar就是我们用来进行加减乘除的“数”（在深度学习中就是Tensor）。

MegEngine 动态图接口——Imperative 登场

因为MegEngine是动静合一的深度学习框架，MegBrain解决了静态图的训练和推理问题，还需要有一个“组件”负责处理动态图的训练和推理、以及Python侧的训练接口，于是便有了Imperative，也就是说，Imperative Runtime是为了动态训练而单独设计的一套新接口。

实际上，在MegBrain的Computing Graph中已经有了非常多的算子实现，因此MegEngine的Imperative借助张量解释器Tensor Interpreter较多地复用了MegBrain中的op。这样做的原因是：

1. 重写算子代价高，且容易写错。
2. 若Imperative的实现和MegBrain的实现不一致的话，容易导致训练推理不一致。

除了复用MegBrain的部分功能，Imperative自身包含的模块主要有：Module（定义深度学习网络的基础类的实现）、Optimizer（一些优化器的实现）、Functional（提供python层的训练接口）、Interpreter（计算入口，底层会调用kernel或者MegBrain的算子实现）、DTR（动态重计算模块）、Tracer（记录计算图的计算过程）等。

这些模块会在之后的文章中有更详细的介绍，感兴趣的同学可以查阅 MegEngine 官方文档。

总结：Imperative 与 MegDNN / MegBrain 的关系

简单来说，MegDNN负责MegEngine中所有的计算操作在各个平台（CUDA等）的最终实现，无论是MegBrain还是Imperative的op，最终都需要通过调用MegDNN kernel来完成计算。

既然MegDNN包揽了计算的活儿，那么在训练推理过程中那些与计算无关的工作，自然就落到了MegBrain和Imperative的头上。这些工作包括：求导、内存分配、对Tensor的shape进行推导、图优化、编译等。

MegEngine整体上是有两部分Runtime以及底层的一些公共组件组成的。这两部分的Runtime分别叫做Graph Runtime（对应MegBrain） 和Imperative Runtime（对应Imperative）。

Graph Runtime负责静态图部分，主要提供C++训练推理接口。实际计算时需要调用MegDNN的实现。

Imperative Runtime负责动态图部分，主要为动态训练提供Python接口。实际计算时需要调用MegBrain的已有实现或者直接调用MegDNN的kernel。

附：

更多 MegEngine 信息获取，您可以：查看文档和GitHub 项目，或加入 MegEngine 用户交流 QQ 群：1029741705。欢迎参与 MegEngine 社区贡献，成为Awesome MegEngineer，荣誉证书、定制礼品享不停。