24小时咨询热线
0898-08980898
XLA（加速线性代数）是一种针对特定领域的线性代数编译器，能够加快 TensorFlow 模型的运行速度，而且可能完全不需要更改源代码。
它可以提高运行速度并改进内存用量。例如在 BERT 中，如果 MLPerf 提交内容使用 8 伏打 V100 GPU 和 XLA，则性能可提升约 7 倍，并且批次大小可改进约 5 倍：
运行 TensorFlow 程序后，所有操作均由 TensorFlow 执行程序单独执行。每个 TensorFlow 操作都有一个预编译的 GPU 内核实现，可以将执行程序分派给该实现。
XLA 提供了一种运行模型的替代模式：它会将 TensorFlow 图编译成一系列专门为给定模型生成的计算内核。由于这些内核是模型特有的，因此它们可以利用模型专属信息进行优化。以 XLA 在简单的 TensorFlow 计算环境中进行的优化为例：
如果在不使用 XLA 的情况下运行，图会启动三个内核：分别对应于乘法、加法和减法运算。但是，XLA 可以优化该图，使其启动一次内核就能计算结果。它通过将加法、乘法和减法“融合”到一个 GPU 内核中来实现这一点。此外，这种融合操作不会将由 和 生成的中间值写出到内存中；而是直接将这些中间计算的结果“流式传输”给用户，同时将它们完全保留在 GPU 寄存器中。融合是 XLA 采用的最重要的一项优化措施。 内存带宽通常是硬件加速器上最稀缺的资源，因此消除内存操作是提高性能的最佳方法之一。
借助 Explicit compilation API，您可以精细地控制应选择哪些函数进行编译。例如，以下执行 MNIST 训练的 TensorFlow 函数使用 XLA 进行编译：
API 具有必须编译语义：要么使用 XLA 编译整个函数，要么抛出 异常。目前，如果维度无法推断出来，也就是说，无法在不运行完整计算的情况下推断所有张量的维度，那么 XLA 无法编译包含此维度的函数。例如，以下函数将无法编译：
但形状可能会在不同的运行会话中有所不同：
如需查看更详细的用法示例，请参阅教程 Colab；如需了解 的使用方法，请观看教程视频。
若要在 TensorFlow 模型中开始使用 XLA 并且无需做出任何更改，最简单的方法是启用“自动聚类”，此功能会自动在可以使用 XLA 进行编译和执行的 TensorFlow 函数中查找聚类（连通的子图）。您可以通过设置 环境变量，在 GPU 上启用自动聚类功能：
自动聚类目前已针对 GPU 工作负载进行了优化，但您也可以通过另外使用 标记在 CPU 上启用它：
如需查看详细的用法示例，请参阅自动聚类教程 Colab。
您还可以使用独立的 工具，此工具会将 TensorFlow 图转换为可执行代码（仅适用于 x86-64 CPU）。
XLA 提供了自省工具，您可以利用这些工具检查生成的程序。如需转储生成的程序，请使用环境变量 ：
执行转储后，您可以在 中找到以下文件：
您还可以使用以下命令，对可视化 TensorFlow 图中 XLA 聚类的嵌入方式的图进行转储：
如果错误报告包含已生成 XLA 程序和已用自动聚类嵌入的转储文件，则更容易重现。如需为使用自动聚类运行的 TensorFlow 程序生成此类报告，请启动以下命令：
提交错误时，请附上 目录（如上所述）的内容。
如果可能，请尝试使用 并在生成的程序上以迭代方式运行它，使错误具体到单个 XLA 程序中。
除了 TensorFlow，还可以通过以下工具生成 XLA 程序：
