ExecuTorch Export

ExecuTorch Export ist ein offizieller Skill aus dem PyTorch-Repository. Er unterstützt den konkreten Übergang von einem evaluierten PyTorch-Modell zu einem ExecuTorch-Programm, das für die Ausführung auf Edge-Geräten vorbereitet und als PTE-Datei serialisiert werden kann. Die Primärquelle liegt im offiziellen ExecuTorch-Quellbaum unter .claude/skills/export. Laut Anbieter verbindet der Ablauf torch.export.export mit to_edge_transform_and_lower und to_executorch. Der Skill ist damit ein fokussierter Arbeitsleitfaden für einen Coding-Agenten, kein eigenständiger Compiler, kein Modellhosting und kein Runtime-Ersatz.

Zweck und Ergebnis

Der Exportprozess beginnt mit einem Modell, das in Python instanziiert werden kann, und mit Beispiel-Eingaben, deren Struktur zum forward-Aufruf passt. Das Modell sollte für Inferenz in den Evaluationsmodus versetzt werden. Danach wird ein Exported Program erzeugt. ExecuTorch übernimmt dieses Programm in eine Edge-Darstellung, wendet die für ein Zielgerät geeigneten Transformationen und Partitionierer an und erzeugt daraus ein ausführbares Programm. Die Serialisierung schreibt die Binärdaten in eine PTE-Datei. Laut offizieller Dokumentation ist dieses Ergebnis auf das gewählte Backend spezialisiert. Wer mehrere Hardware-Ziele unterstützt, benötigt deshalb typischerweise je Ziel eine eigene Exportausgabe.

Backend, Formen und Modellvorbereitung

Die Auswahl des Backends ist eine fachliche Entscheidung und keine bloße Einstellung des Skills. XNNPACK kann für mobile CPU-Szenarien verwendet werden, während Core ML, Vulkan und weitere offizielle Backends eigene Anforderungen und unterschiedliche Operatorabdeckung haben. Nicht unterstützte Modellteile können auf eine portable CPU-Ausführung zurückfallen. Das erleichtert schrittweise Beschleunigung, kann aber die erwartete Leistung verändern. Der Arbeitsablauf sollte daher die Backend-Dokumentation, die Zielhardware und die tatsächlich unterstützten Operatoren zusammen betrachten.

Beispiel-Eingaben beschreiben standardmäßig feste Formen. Für variable Eingabegrößen werden dynamische Formen mit benannten Dimensionen und belastbaren Unter- und Obergrenzen angegeben. Zu großzügige Obergrenzen können den Speicherbedarf erhöhen, weshalb sie laut Anbieter dem realen Einsatzbereich entsprechen sollten. Zustandsbehaftete Modelle, komplexe Kontrollflüsse und autoregressive Generation können zusätzliche Anpassungen benötigen. Ein erfolgreicher Export ist deshalb nicht automatisch ein Nachweis für Genauigkeit oder Produktionsreife.

Prüfung und Grenzen

Vor der Integration in nativen Laufzeitcode lässt sich das PTE-Programm auf der Entwicklungsplattform laden und mit dem ExecuTorch-Runtime-API prüfen. Tests sollten Ausgaben, Formen und die relevanten Zielbedingungen vergleichen. Spezialisierte Backends können zusätzliche Hardware oder Simulatoren voraussetzen. Der Skill beschreibt keine universelle Konvertierung beliebiger Modelle und führt keine automatische Reparatur inkompatibler Operatoren durch. Er ersetzt auch nicht die Prüfung von Lizenzrechten, Modelldaten, Datenschutz oder Sicherheitsvorgaben des konkreten Einsatzes. Eingaben und exportierte Artefakte sollten nur in freigegebenen Arbeitsverzeichnissen verarbeitet werden.

Einordnung für Claude Code

Der Skill ist für Claude Code geeignet, wenn eine Person einen PyTorch-Export für ExecuTorch vorbereiten, nachvollziehen oder diagnostizieren möchte. Er liefert eine wiederverwendbare Reihenfolge und verweist auf modell- und backendbezogene Beispiele. Setup und Kompilierung gehören bewusst nicht zu diesem Eintrag. Der zuvor getrennt bewertete Setup-Skill behandelt die Entwicklungsumgebung, während Building den Quellbau und C++-Artefakte behandelt. Export ist davon abgegrenzt, weil er die dauerhafte Modellumwandlung und Artefakterzeugung beschreibt, die Nutzer unabhängig von einer bestimmten Repository-Wartungsaufgabe benötigen.