好久不见。今天是 OneFlow 开源的第 1320 天。

与 OneFlow 框架的创作者们一样，过去一年，它也经历了过山车般的命运。好在，即使在下坡潜伏期依然被社区用户关注和使用，作为它的创作者，我们为此感到欣慰——这也是它还在更迭的价值和意义所在。

终于，OneFlow 迎来了一个新的里程碑。距离上一次版本发布一年后，我们很高兴发布全新的 OneFlow v1.0.0 版本。

本次更新共 447 个 commits，包括新特性 80+ 项，功能改进与问题修复共 130+ 项。性能方面，无论是深度学习编译后使用 Graph 模式运行，还是 Eager 模式运行，在典型模型上 OneFlow 相比 PyTorch 都有明显的领先优势。

我们希望，新版本不仅仅是一个数字上的里程碑，更成为用户在模型的生产和应用中的价值高地。

欢迎体验新版本，期待你的反馈。完整更新列表及性能详情请查看：https://github.com/Oneflow-Inc/oneflow/releases/tag/v1.0.0

OneFlow v1.0.0 主要包括以下新增亮点特性、功能和优化：

1. PyTorch兼容性：新接口 compile_from_torch

compile_from_torch接口在共享参数显存的情况下，将 PyTorch 的 Module 实例转化成 OneFlow 的 Module 实例，支持直接 Eager 运行或者转化为静态图 nn.Graph 并进一步使用 MLIR 编译加速。

该接口仍在快速演进中，目前支持了动态形状编译并在ResNet50、Faster RCNN、Stable Diffusion三个典型模型上做了验证。

接口签名及参数介绍：

compile_from_torch(torch_module: torch.nn.Module, \*, use_graph=True, options={})* torch_module：需要被转换的 Torch Module 实例。* use_graph：是否转化为静态图 nn.Graph 并使用 MLIR 编译加速，默认为 True。* options： * size: 使用静态图 nn.Graph 后会根据输入的 shape 计算 hash 值缓存相应的 graph ，size 表示静态图缓存的最大容量，超过最大容量会根据 LRU 策略对 graph 进行清理，默认值为 9。 * dynamic：对于动态 shape 的输入第一次会完整编译 graph，之后的对于不同 shape 的输入当 dynamic 为 True 时会启用共享图进行编译加速，dynamic 为 False 时每次都会重新进行编译，默认为 True。 * debug：调试模式和日志级别设置，-1 禁用调试模式，0 输出警告和静态图构建信息，1 额外输出每个子模块的构图信息，2 额外输出每个算子的进度，3 输出更详细的算子信息，默认为 -1。

使用示例：

import torchfrom torchvision import modelsimport oneflowfrom oneflow.framework.infer_compiler import compile_from_torchDEVICE = torch.device("cuda")WEIGHT = models.ResNet50_Weights.DEFAULTmodel = models.resnet50(weights=WEIGHT).to(DEVICE)compile_model = compile_from_torch(model, options={"dynamic": True})

2. Eager 运行时优化与重构

对 Eager 运行时做了一系列优化与重构，包括统一系统内存池、对接 CUDA 原生接口、优化指令调度机制、引入指令融合机制、优化 Autograd 构图速度、优化 Op 推导过程、解耦 Instruction 与 Stream 等。

用户可以通过一些环境变量设定 Eager 运行时行为：

3. 分离编译

4. 性能优化

OneFlow compile_from_torch VS PyTorch compile

OneFlow Eager vs PyTorch Eager

5. 新增函数式自动微分接口

import oneflow as flow# jacobian exampledef exp_reducer(x): return x.exp().sum(dim=1)
input = flow.rand(2, 2)jac_rslt = flow.autograd.functional.jacobian(exp_reducer, input)
# vhp exampledef pow_reducer(x): return x.pow(3).sum()
input = flow.rand(2, 2)v = flow.ones(2, 2)vhp_rslt = flow.autograd.functional.vhp(pow_reducer, input, v)

6. 新增Insight模块

• 步骤一：使用 OneFlow Profiler 模块在代码中设置埋点区间。

• 步骤二：运行代码并使用 NVIDIA Nsight Systems 生成 sqlite 后缀文件。

• 步骤三：使用 OneFlow Insight 模块生成 json 文件。

• 步骤四：在网址 chrome://tracing/ 或 edge://tracing/ 中打开 json 文件得到可视化界面。

7. LiBai v0.3.0 版本更新

 
 
 
 
 
# full finetunebash tools/train.sh projects/Llama/train_net.py projects/Llama/configs/llama_sft.py 8
# adapter finetunebash tools/train.sh projects/Llama/adapter/train_net.py projects/Llama/adapter/adapter_sft.py 8
# inferencebash tools/infer.sh projects/Llama/pipeline.py 8
# evalpython projects/Llama/utils/eval_adapter.py
 
 
  
 
 
 

8. OneFlow Serving功能升级

• 使用 OneFlow Cpp 后端可以在脱离 Python 的环境中部署以达到最高的性能。

• 使用 OneFLow Lite 后端可以实现在端侧设备上的部署。

• 使用 OneFlow Python 后端可以以极小的迁移代价完成复杂模型的部署。

==招贤纳士==