# ExecuTorch

[ExecuTorch](https://docs.pytorch.org/executorch/stable/index.html) é um runtime leve para inferência de modelos em dispositivos de borda. Ele exporta um modelo do PyTorch para um formato portátil e de compilação antecipada (ahead-of-time). Um pequeno runtime em C++ planeja a memória e despacha operações para backends específicos de hardware. O comportamento de execução e de memória é conhecido antes de o modelo ser executado no dispositivo, o que mantém a sobrecarga de inferência baixa.

Exporte um modelo do Transformers com a biblioteca [optimum-executorch](https://huggingface.co/docs/optimum-executorch/en/index).

```bash
optimum-cli export executorch \
    --model "HuggingFaceTB/SmolLM2-135M-Instruct" \
    --task "text-generation" \
    --recipe "xnnpack" \
    --output_dir="./smollm2_exported"
```

```py
from transformers import AutoTokenizer
from optimum.executorch import ExecuTorchModelForCausalLM

model = ExecuTorchModelForCausalLM.from_pretrained(
    "HuggingFaceTB/SmolLM2-135M-Instruct",
    recipe="xnnpack",
)
model.save_pretrained("./smollm2_exported")
tokenizer = AutoTokenizer.from_pretrained("HuggingFaceTB/SmolLM2-135M-Instruct")
```

## Integração com Transformers

O processo de exportação utiliza vários componentes do Transformers.

1. [from_pretrained()](/docs/transformers/main/pt/main_classes/model#transformers.PreTrainedModel.from_pretrained) carrega os pesos do modelo no formato safetensors.
2. O Optimum aplica otimizações de grafo e executa [torch.export](https://docs.pytorch.org/docs/stable/export.html) para criar um arquivo `model.pte` direcionado ao seu backend de hardware.
3. [AutoTokenizer](/docs/transformers/main/pt/model_doc/auto#transformers.AutoTokenizer) ou [AutoProcessor](/docs/transformers/main/pt/model_doc/auto#transformers.AutoProcessor) carrega os arquivos do tokenizer ou do processor e é executado durante a inferência.
4. Em tempo de execução, uma classe executadora em C++ executa o arquivo `.pte` no runtime do ExecuTorch.

```c++
#include <executorch/extension/llm/runner/text_llm_runner.h>

using namespace executorch::extension::llm;

int main() {
  // Load tokenizer and create runner
  auto tokenizer = load_tokenizer("path/to/tokenizer.json", nullptr, std::nullopt, 0, 0);
  auto runner = create_text_llm_runner("path/to/model.pte", std::move(tokenizer));

  // Load the model
  runner->load();

  // Configure generation
  GenerationConfig config;
  config.max_new_tokens = 100;
  config.temperature = 0.8f;

  // Generate text with streaming output
  runner->generate("The capital of France is", config,
    [](const std::string& token) { std::cout << token << std::flush; },
    nullptr);

  return 0;
}
```

## Recursos

- Documentação do [ExecuTorch](https://docs.pytorch.org/executorch/stable/index.html)
- Documentação do [torch.export](https://docs.pytorch.org/docs/stable/export.html)
- guia [Exportando para produção](../serialization#executorch)