core_v2 Stage 1 : IR 표현 + Dump 검증 문서

목표

• 사용자 코드를 실행하지 않고 tracing-only IR 로 기록한다.
• IR 을 사람이 확인 가능한 형태로 dump 하여
  • op 시퀀스
  • 입력 / 파라미터 / 출력 텐서의 메타
  • op 연결을 검증한다. 

stage 1 에서는 다음만 다룬다.

• linear
• relu
• msegrad

 

구현 구성

파일 구조

aicf_fw/core_v2/
  ir.py        # IRGraph/IRValue/IRNode (SSA 기반 value id)
  trace.py     # tracing context + object/torch handle -> IRValue 캐시
  ops.py       # SymTensor + (Linear/ReLU/MseGrad) tracing-only ops
  compile.py   # trace_ir(step_fn) -> IRGraph
  printer.py   # dump_ir(ir) -> str

핵심 데이터 모델

IRValue

• id : 정수 vid
• name : 사람이 확인하는 이름
• shape : tuple
• dtype : string
• device : string

IRNode

• op : 문자열
• inputs : vid 리스트
• outputs : vid 리스트
• attrs : op 별 부가 정보

IRGraph

• values : vid - IRValue
• nodes : IRNode[]

 

Tracing 설계

TraceContext

• tracing 은 trace.py 가 전담
• tracing 중에만 IR emit 이 가능하다 

캐시 정책

• SymTensor 기반 캐시
  • 입력 / 파라미터 / 중간값을 동일 객체면 동일 IRValue 로 매핑
• torch tensor 핸들 기반 캐시
  • key = (data_ptr, shape, dtype, device)

동일 SymTensor 객체가 여러 op 에 입력으로 들어갈 때, vid 가 안정적으로 재사용됨을 확인

 

Stage 1 테스트

테스트 스크립트

• SymTensor 로 x / t / W / b 를 선언
• step_fn 에서 다음 순서를 emit
  • linear - lin0_out
  • relu - relu0_out
  • linear - lin1)out
  • msegrad - dY

실제 dump 결과

 

IR values : 10, nodes : 4

values

• v001 : x (64, 8)
• v002 : 0.W (8, 8)
• v003 : o.b (8,)
• v004 : relu0_out (64, 8)
• v005 : 2.W (8, 8)
• v006 : 2.b (8,)
• v007 : lin1_out (64, 8)
• v008 : t (64, 8)
• v009 : dY (64, 8)

nodes

• #000 Linear (x, 0.W, 0.b) - lin0_out, bias = True
• #001 ReLU (lin0_out) - relu0_out
• #002 Linear (relu0_out, 2.W, 2.b) - lin1_out, ,bias = True
• #003 MseGrad (lin1_out, t) - dY

확인된 사항

• linear / relu / msegrad 의 데이터플로우가 vid 기준으로 정확히 연결됨
• 파라미터 이름과 IRValue 가 잘 보존됨
• attrs 출력이 기대한 형태로 표시

 

제한 사항

• 실행 ( backends op_call_out ) 은 없음
• backward / optimizer op 는 없음
• SSA / alias / in-place semantics 는 아직 다루지 않음
• dtype / device 는 문자열 저장

 

다음 계획

Stage 2 는 Lowering 출력 검증이 목표