当前位置: 首页 > article >正文

Torch JIT加速推理

JIT

如果多次使用某一个正则表达式,建议先对其进行compile,再使用compile之后得到的对象来做正则匹配。而这个compile的过程就是JIT(即时编译)。
举个栗子,正则表达式匹配有两种方式

pat = re.compile(pattern)
result = pat.match(string)

result = re.match(pattern, string)

前者先编译,再匹配,如果多次使用该正则表达匹配,建议先编译,之后就只用调用transfer匹配了

torch.jit > TorchScript

PyTorch 的 1.0 版本发布的最核心的两个新特性就是 JIT 和 C++ API,这两个特性一起发布不是没有道理的,JIT 是 Python 和 C++ 的桥梁。开发者可以使用 Python 训练模型,然后通过 JIT 将模型转为语言无关的模块, 从而让 C++ 可以非常方便得调用,从此使用 Python 训练模型,使用 C++ 将模型部署到生产环境对 PyTorch 来说成为了一件很容易的事。而因为使用了 C++, 开发者几乎可以把 PyTorch 模型部署到任意平台和设备上:树莓派、iOS、Android 等。

TorchScript是PyTorch模型的一种中间表示(即常见的intermediate representation,IR),是nn.Module的子类,基于这种模型格式可以在高性能的环境如C++中运行。TorchScript这种PyTorch模型表示格式可以由 TorchScript 编译器理解、编译和序列化而成。从根本上说,TorchScript 本身就是一种编程语言。它是使用 PyTorch API 的 Python 的子集。简单来说,TorchScript 软件栈可以将 Python 代码转换成 C++ 代码。TorchScript 软件栈包括两部分:TorchScript(Python)和 LibTorch(C++)。TorchScript负责将 Python 代码转成一个模型文件,LibTorch负责解析运行这个模型文件。后续会从代码层面介绍如何保存为TorchScript模型格式及其在Python和C++中如何加载使用

  • 有torch.jit.trace、torch.jit.script
  • torch.jit.trace适用于静态图模型,torch.jit.script适用于动态图模型(模型的结构和输入在运行时变换)

trace

trace 模式顾名思义就是跟踪模型的执行,然后记录执行过程中的路径。在使用 trace 模式时,需要构造一个符合要求的输入,然后使用 TorchScript tracer 运行一遍,记录整个运行过程。在 trace 模式中运行时,每执行一个算子,就会往当前的 graph 加入一个 node。所有代码执行完毕,每一步的操作就会以一个计算图里的某个节点的形式被保存下来。

值得一提的是,PyTorch 导出 ONNX 也是使用了这部分代码,所以理论上能够导出 ONNX 的模型也能够使用 trace 模式导出 TorchScript 格式模型。

在VCAP中,将onnx模型转为vaimlite(CPU/GPU)或bin+params(NPU),之后的输入形状必须固定,猜测之前是可以的

trace 模式有以下2点限制:

  • 不能有 if-else 等控制流
  • 只支持 Tensor 操作。不支持非Tensor 操作,如List、Tuple、Map 等容器操作

通过 trace 模式的特点可以看出,trace 模式通常用于深度模型的导出。常见的深度模型通常没有 if-else 控制流且通常没有非 Tensor 操作

实例:

import torch
torch.manual_seed(42)


class TestTraceCell(torch.nn.Module):
    def __init__(self):
        super(TestTraceCell, self).__init__()
        self.linear = torch.nn.Linear(4, 4)

    def forward(self, x, h):
        new_h = torch.tanh(self.linear(x) + h)
        return new_h, new_h

test_cell = TestTraceCell()
x, h = torch.rand(3, 4), torch.rand(3, 4)
traced_cell = torch.jit.trace(test_cell, (x, h))
print(traced_cell)

print("trace module=",traced_cell(x, h))

script

script 模式和trace 模式的使用方式很接近, 但是实现原理却大相径庭。TorchScript 实现了一个完整的编译器以支持 script 模式。保存模型阶段对应着编译器的前端(语法分析、语义分析、类型检查、中间代码生成)。即,对code进行词法分析、语法分析、句法分析,形成AST树(抽象语法树),最后再将AST树线性化。在保存模型时,TorchScript 编译器解析 Python 代码,并构建代码的AST。script 模式在的限制比较小,不仅支持 if-else 等控制流,还支持非 Tensor 操作,如 List、Tuple、Map 等容器操作。script相当于一个嵌入在Python/Pytorch的DSL,其语法只是pytorch语法的子集,这意味着存在一些op和语法script不支持,这样在编译的时候就会遇到问题。此外,script的编译优化方式更像是CPU上的传统编译优化,重点对于图进行硬件无关优化,并对IF、loop这样的statement进行优化。

import torch
torch.manual_seed(42)


class TestDecisionGate(torch.nn.Module):
    def forward(self, x):
        if x.sum() > 0:
            return x
        else:
            return -x

class TestCell(torch.nn.Module):
    def __init__(self, dg):
        super(TestCell, self).__init__()
        self.dg = dg
        self.linear = torch.nn.Linear(4, 4)

    def forward(self, x, h):
        new_h = torch.tanh(self.dg(self.linear(x)) + h)
        return new_h, new_h

test_cell = TestCell(TestDecisionGate())
x, h = torch.rand(3, 4), torch.rand(3, 4)
traced_cell = torch.jit.trace(test_cell, (x, h))
print(traced_cell.code)

混合使用

import torch
torch.manual_seed(42)

# 无if-else,仅仅tensor op,用torch.jit.trace
class TestTraceCell(torch.nn.Module):
    def __init__(self):
        super(TestTraceCell, self).__init__()
        self.linear = torch.nn.Linear(4, 4)
    def forward(self, x, h):
        new_h = torch.tanh(self.linear(x) + h)
        return new_h, new_h

# 有if-else,用script
class TestDecisionGate(torch.nn.Module):
    def forward(self, x):
        if x.sum() > 0:
            return x
        else:
            return -x

# no if-else,only tensor,use trace
class TestCell(torch.nn.Module):
    def __init__(self, dg):
        super(TestCell, self).__init__()
        self.dg = dg
        self.linear = torch.nn.Linear(4, 4)

    def forward(self, x, h):
        new_h = torch.tanh(self.dg(self.linear(x)) + h)
        return new_h, new_h

x, h = torch.rand(3, 4), torch.rand(3, 4)
scripted_gate = torch.jit.script(TestDecisionGate())

# for = if-else,use script,but member member can use trace
class TestRNNLoop(torch.nn.Module):
    def __init__(self):
        super(TestRNNLoop, self).__init__()
        self.cell = torch.jit.trace(TestCell(scripted_gate), (x, h))		# TestCell本身用trace,但transfer的dg用script

    def forward(self, xs):
        h, y = torch.zeros(3, 4), torch.zeros(3, 4)
        for i in range(xs.size(0)):
            y, h = self.cell(xs[i], h)
        return y, h

rnn_loop = torch.jit.script(TestRNNLoop())			
print(rnn_loop.code)

在某些情况下,需要使用Tracing而不是Scripting,例如,module中有许多决策,这些决策是基于Python中固定值做出的,而我们又不希望在TorchScript中出现。在这种情况下,可以通过tracing来组成scripting:torch.jit.script将内联被traced module 的代码,而tracing将内联被scripted module 的代码。

torch.compile

torch.compile是PyTorch库中的一个函数,它主要用于将一段定义好的PyTorch脚本转换为可以高效运行的低级张量表达式(Tensor Expressions)。当你对一些计算过程进行了多次同样的操作,如前向传播、损失计算等,并且这个过程相对固定,torch.compile可以帮助优化这部分代码,使其在后续运行时速度更快,尤其是在分布式环境中或者模型部署阶段。

编译的过程会将动态图模式下的Python代码转化为静态图模式,这有助于消除不必要的函数调用开销和垃圾回收,提高性能。然而,需要注意的是,只有那些不会依赖于外部状态(如随机数生成或变量初始化)的纯函数才适合编译。

orient dynamic input

现在有一个输入的batch_size维度可能发生变化的pytorch模型,它适合用torch.compile进行编译码

对于一个输入batch_size可能会变化的PyTorch模型,通常不太适合直接使用torch.compile进行编译。因为torch.compile是针对静态图模式设计的,它期望所有的输入形状在编译时已经确定下来,以便生成高效的执行计划。如果模型的输入batch_size部分是动态的,那么每次传入的数据都会影响到计算路径,这种情况下静态图并不能很好地优化性能。

相反,如果你的模型有大量可重复使用的前向传播逻辑,但是batch_size的变化仅限于网络的部分层(例如卷积神经网络的池化层),你可以考虑把这部分逻辑封装成一个独立的模块,并在该模块内部处理batch_size的变化。然后,这个模块就可以作为静态图的一部分来编译,而其他部分继续保持动态图的灵活性。
所以,在这种情况下,更好的做法可能是拆分模型,只对那些可以提前确定计算流程的部分进行编译。

Questions

Q1:torch.jit.trace支持列表的索引操作吗

C知道说torch.jit.trace不支持,torch.jit.script支持,但本地试验的时候,都是支持的

Q2:torch.jit.trace如何接受多级input?

  • 直接按照教程的拼接方法再用torch.jit.trace()会bloom
:List inputs to traced functions must have consistent element type. Found Tensor and Tuple[Tensor, Tensor]

discuss1

RuntimeError: Only tensors, lists, tuples of tensors, or dictionary of tensors can be output from traced functions

script

2024-10-14 22:03:51.730 | ERROR    | actor.agent:reset:102 - could not get source code
2024-10-14 22:03:51.730 | ERROR    | actor.agent:reset:103 - get_model error, try again...

Reference

  1. 模型推理加速系列 | 05: 推理加速格式TorchScript简介及其应用
  2. torch.jit.trace与torch.jit.script的区别
  3. torch.jit.trace Official Guide

鄙人孤陋寡闻,那有什么学问,还怕人偷不成?


http://www.kler.cn/a/355118.html

相关文章:

  • linux-19 根文件系统(一)
  • Windows、CentOS环境下搭建自己的版本管理资料库:GitBlit
  • 工业摄像机基于电荷耦合器件的相机
  • Linux export命令
  • leetcode 2295.替换数组中的元素
  • 本地摄像头视频流在html中打开
  • Matlab中实现类属性仅在首次创建类实例时初始化
  • 芯知识 | NVH-FLASH语音芯片支持平台做语音—打造音频IC技术革新
  • 隐私保护机器学习技术与实践
  • 【C++标准模版库】unordered_map和unordered_set的介绍及使用
  • DMP驱动库
  • 【H5】关于react移动端H5的滚动吸顶方案实践总结
  • java--网络编程
  • 【动手学深度学习】7.5 批量规范化(个人向笔记)
  • SSM框架学习(六、快速启动框架:SpringBoot3实战)
  • html 实现返回顶部动画
  • 论文阅读(十六):Deep Residual Learning for Image Recognition
  • Transformer图解以及相关的概念
  • Redis 一初识安装
  • 【机器学习基础】nn.Dropout的用法
  • ES6 Promise的用法
  • Ubuntu配置防火墙
  • ruoyi框架连接mysql+sqlserver
  • QT QML 练习8-Simple Transformations
  • MongoDB 死锁 锁定问题
  • 【C++】unordered_set、unordered_map超详细封装过程,处理底层细节