executor

ExecuTorch

ExecuTorch é uma solução ponta a ponta para habilitar recursos de inferência no dispositivo em dispositivos móveis e de borda, incluindo wearables, dispositivos incorporados e microcontroladores. Faz parte do ecossistema PyTorch Edge e permite a implantação eficiente de modelos PyTorch em dispositivos de ponta.

As principais propostas de valor do ExecuTorch são:

• Portabilidade: Compatibilidade com uma ampla variedade de plataformas de computação, desde telefones celulares de última geração até sistemas embarcados e microcontroladores altamente restritos.
• Produtividade: permitindo que os desenvolvedores usem os mesmos conjuntos de ferramentas e ferramentas de desenvolvedor, desde a criação e conversão de modelos PyTorch até a depuração e implantação em uma ampla variedade de plataformas.
• Desempenho: Fornece aos usuários finais uma experiência contínua e de alto desempenho devido a um tempo de execução leve e à utilização de recursos completos de hardware, como CPUs, NPUs e DSPs.

Para obter uma visão geral técnica abrangente do ExecuTorch e tutoriais passo a passo, visite nosso site de documentação da versão mais recente (ou da ramificação principal).

Confira a página de primeiros passos para uma rápida olhada.

Confira os exemplos de Llama, Llava e outros modelos rodando em dispositivos de ponta usando ExecuTorch.

[ATUALIZAÇÃO - 24/10] Adicionamos suporte para execução de modelos Llama 3.2 Quantized 1B/3B via ExecuTorch.

Opinião

Agradecemos quaisquer comentários, sugestões e relatórios de bugs da comunidade para nos ajudar a melhorar nossa tecnologia. Use os Fóruns PyTorch para discussão e feedback sobre o ExecuTorch usando a categoria ExecuTorch e nosso repositório GitHub para relatórios de bugs.

Recomendamos usar a tag de lançamento mais recente da página Releases durante o desenvolvimento.

Contribuindo

Consulte CONTRIBUTING.md para obter detalhes sobre problemas, PRs, estilo de código, trabalhos de CI e outros tópicos de desenvolvimento.

Para se conectar conosco e com outros membros da comunidade, convidamos você a ingressar na comunidade PyTorch Slack preenchendo este formulário. Depois de aderir, você pode:

• Acesse o canal #executorch-general para perguntas gerais, discussões e suporte da comunidade.
• Junte-se ao canal #executorch-contributors se estiver interessado em contribuir diretamente para o desenvolvimento do projeto.

Estrutura de diretório

 executorch
├── backends                        #  Backend delegate implementations.
├── build                           #  Utilities for managing the build system.
├── codegen                         #  Tooling to autogenerate bindings between kernels and the runtime.
├── configurations
├── docs                            #  Static docs tooling.
├── examples                        #  Examples of various user flows, such as model export, delegates, and runtime execution.
├── exir                            #  Ahead-of-time library: model capture and lowering APIs.
|   ├── _serialize                  #  Serialize final export artifact.
|   ├── backend                     #  Backend delegate ahead of time APIs
|   ├── capture                     #  Program capture.
|   ├── dialects                    #  Op sets for various dialects in the export process.
|   ├── emit                        #  Conversion from ExportedProgram to ExecuTorch execution instructions.
|   ├── operator                    #  Operator node manipulation utilities.
|   ├── passes                      #  Built-in compiler passes.
|   ├── program                     #  Export artifacts.
|   ├── serde                       #  Graph module
serialization/deserialization.
|   ├── verification                #  IR verification.
├── extension                       #  Extensions built on top of the runtime.
|   ├── android                     #  ExecuTorch wrappers for Android apps.
|   ├── apple                       #  ExecuTorch wrappers for iOS apps.
|   ├── aten_util                   #  Converts to and from PyTorch ATen types.
|   ├── data_loader                 #  1st party data loader implementations.
|   ├── evalue_util                 #  Helpers for working with EValue objects.
|   ├── gguf_util                   #  Tools to convert from the GGUF format.
|   ├── kernel_util                 #  Helpers for registering kernels.
|   ├── memory_allocator            #  1st party memory allocator implementations.
|   ├── module                      #  A simplified C++ wrapper for the runtime.
|   ├── parallel                    #  C++ threadpool integration.
|   ├── pybindings                  #  Python API for executorch runtime.
|   ├── pytree                      #  C++ and Python flattening and unflattening lib for pytrees.
|   ├── runner_util                 #  Helpers for writing C++ PTE-execution
tools.
|   ├── testing_util                #  Helpers for writing C++ tests.
|   ├── training                    #  Experimental libraries for on-device training
├── kernels                         #  1st party kernel implementations.
|   ├── aten
|   ├── optimized
|   ├── portable                    #  Reference implementations of ATen operators.
|   ├── prim_ops                    #  Special ops used in executorch runtime for control flow and symbolic primitives.
|   ├── quantized
├── profiler                        #  Utilities for profiling runtime execution.
├── runtime                         #  Core C++ runtime.
|   ├── backend                     #  Backend delegate runtime APIs.
|   ├── core                        #  Core structures used across all levels of the runtime.
|   ├── executor                    #  Model loading, initialization, and execution.
|   ├── kernel                      #  Kernel registration and management.
|   ├── platform                    #  Layer between architecture specific code and portable C++.
├── schema                          #  ExecuTorch PTE file format flatbuffer
schemas.
├── scripts                         #  Utility scripts for size management, dependency management, etc.
├── devtools                        #  Model profiling, debugging, and introspection.
├── shim                            #  Compatibility layer between OSS and Internal builds
├── test                            #  Broad scoped end-to-end tests.
├── third-party                     #  Third-party dependencies.
├── util                            #  Various helpers and scripts.

Licença

ExecuTorch é licenciado BSD, conforme encontrado no arquivo LICENSE.