当前位置： 首页 > article >正文

pytorch 融合 fuse 学习笔记

article 2024/12/2 2:55:38

目录

fuse_lora 作用是什么

fuse_modules源码解读

fuse_lora 作用是什么

  1. 在深度学习模型微调场景下（与 LoRA 相关）
    • 参数融合功能
      • 在使用 LoRA（Low - Rank Adaptation）对预训练模型进行微调后，fuse_lora函数的主要作用是将 LoRA 模块学到的参数和原始模型的参数进行融合。以自然语言处理中的 Transformer 架构模型为例，在微调阶段，LoRA 会在模型的某些关键层（如多头注意力层）添加低秩矩阵来调整模型参数。
      • 当调用fuse_lora函数时，它会根据预定义的规则将这些额外的 LoRA 参数融入到原始模型的权重中。例如，假设原始模型某一层的权重矩阵为，LoRA 模块对应的权重矩阵为（通过微调得到），fuse_lora函数可能会执行类似于的操作来更新原始权重，使得模型能够以融合后的参数进行推理，避免在推理过程中还需要单独处理 LoRA 模块。
    • 优化推理性能
      • 从性能角度来看，在模型推理阶段，不融合 LoRA 参数可能会导致额外的计算开销。因为每次进行前向传播计算时，都需要考虑原始模型参数和 LoRA 参数的交互。通过fuse_lora函数将参数融合后，推理过程可以直接使用融合后的单一参数集，减少了计算量。
      • 例如，在处理大规模文本生成任务时，融合后的模型能够更快地生成文本，因为它在推理时不需要频繁地在原始模型和 LoRA 模块之间切换计算。同时，也减少了内存占用，因为不需要同时存储原始模型和 LoRA 模块的参数，这对于在资源有限的设备（如移动设备或边缘计算设备）上进行模型部署非常重要。
  2. 如果是在其他自定义的代码库或特定应用场景下（非典型的 LoRA 关联情况）
    • 特定的数据或功能融合
      • fuse_lora函数可能被定义为将与 “lora” 相关的数据结构或功能与其他部分进行融合。例如，在一个包含多种通信协议（假设 “lora” 代表一种低功耗广域网通信协议）的物联网软件系统中，fuse_lora函数可能用于将 Lora 协议相关的数据接收、处理功能与系统的主数据处理模块进行融合。
      • 这可能涉及整合 Lora 设备发送的数据格式（如传感器数据）到系统通用的数据存储或分析模块中，使得系统能够统一处理来自不同通信源的数据，提高系统的整体性和数据处理效率。具体的融合方式和作用完全取决于函数在该特定应用场景中的定义和设计目的。

fuse_modules源码解读

转自：pytorch中fuse_modules_pytorch中的fuse函数是什么意思-CSDN博客

1. 官方代码
 

torch.ao.quantization.fuse_modules — PyTorch 2.5 documentation

2. fuse_modules源码解读
仅融合以下序列：

conv, bn
conv, bn, relu
conv, relu
linear, relu
bn, relu
网络中所有其他序列保持不变，对于上述序列，用融合的模块替换列表中的第一项，用identity替换其余模块。
fuse_modules
def fuse_modules(model, modules_to_fuse, inplace=False, fuser_func=fuse_known_modules, fuse_custom_config_dict=None):
1
model：要进行操作的模型名称
modules_to_fuse：要融合的模块名称的列表。如果只有一个要融合的模块列表，可以是一个字符串列表，如：[‘conv1’, ‘bn1’, ‘relu’]
inplace：bool类型参数，默认为false。融合发生在模型上，默认会返回一个新模型
fuser_func：接收模块列表并输出相同长度的融合模块列表的函数。例如，fuser_func([convModule, BNModule]) 返回 [ConvBNModule, nn.Identity()] 。 默认为 fuse_known_modules
fuse_custom_config_dict ：自定义配置，默认为none
fuse_known_modules
将给定的模块列表mod_list中的一些常见模块进行融合，返回融合后的模块列表。融合后的模块可以有效地减少模型计算量和内存占用，从而提高模型的计算效率。

参数：mod_list：一个包含了一系列PyTorch模块对象的列表，这些模块可以是常见的卷积、线性、批归一化等模块。
is_qat：指定模型是否使用量化感知训练（true使用，false不使用）
additional_fuser_method_mapping：一个可选的字典，用于指定额外的融合方法。字典的key是要融合的模块类型，value是一个融合函数，它将被用于融合指定类型的模块。默认为None。

def fuse_known_modules(mod_list, is_qat, additional_fuser_method_mapping=None):
    r"""Returns a list of modules that fuses the operations specified
     in the input module list.

    Fuses only the following sequence of modules:
    conv, bn
    conv, bn, relu
    conv, relu
    linear, bn
    linear, relu
    For these sequences, the first element in the output module list performs
    the fused operation. The rest of the elements are set to nn.Identity()
    """
    types = tuple(type_before_parametrizations(m) for m in mod_list)
    fuser_method = get_fuser_method(types, additional_fuser_method_mapping)
    if fuser_method is None:
        raise NotImplementedError("Cannot fuse modules: {}".format(types))
    new_mod : List[Optional[nn.Module]] = [None] * len(mod_list)
    fused = fuser_method(is_qat, *mod_list)
    # NOTE: forward hooks not processed in the two following for loops will be lost after the fusion
    # Move pre forward hooks of the base module to resulting fused module
    for handle_id, pre_hook_fn in mod_list[0]._forward_pre_hooks.items():
        fused.register_forward_pre_hook(pre_hook_fn)
        del mod_list[0]._forward_pre_hooks[handle_id]
    # Move post forward hooks of the last module to resulting fused module
    for handle_id, hook_fn in mod_list[-1]._forward_hooks.items():
        fused.register_forward_hook(hook_fn)
        del mod_list[-1]._forward_hooks[handle_id]
    new_mod[0] = fused

    for i in range(1, len(mod_list)):
        identity = nn.Identity()
        identity.training = mod_list[0].training
        new_mod[i] = identity

    return new_mod


'
运行运行
在融合前，首先获取mod_list中每个模块的类型，并将它们作为一个元组存储在types变量中。这个元组中的类型用于选择要使用的模块融合方法。在默认情况下，该函数支持一些特定的模块序列进行融合。如果输入模块序列不符合这些支持的模式，则函数会尝试使用 additional_fuser_method_mapping 中定义的自定义融合函数fuser_method。
融合方法fuser_method ：使用get_fuser_method() 函数根据types来选择一个合适的融合函数。
– 在 get_fuser_method函数中调用了字典DEFAULT_OP_LIST_TO_FUSER_METHOD（定义了元组和融合函数之间的映射关系）。下面仅展示部分2d模块融合

DEFAULT_OP_LIST_TO_FUSER_METHOD: Dict[Tuple, Union[nn.Sequential, Callable]] = {
    (nn.Conv2d, nn.BatchNorm2d): fuse_conv_bn,
    (nn.Conv2d, nn.BatchNorm2d, nn.ReLU): fuse_conv_bn_relu,
    (nn.Conv2d, nn.ReLU): sequential_wrapper2(nni.ConvReLU2d),
    (nn.Linear, nn.BatchNorm1d): fuse_linear_bn,
    (nn.Linear, nn.ReLU): sequential_wrapper2(nni.LinearReLU),
    (nn.BatchNorm2d, nn.ReLU): sequential_wrapper2(nni.BNReLU2d),
}



如果在特定模块序列的additional_fuser_method_mapping中提供了自定义fuser函数，则将使用该函数来代替默认的fuser函数。如果找不到合适的fuser函数，该函数将引发NotImplementedError
定义new_mod ：使用 [None] * len(mod_list)创建一个长度为len(mod_list)的列表，这个列表中，每个元素都是一个nn.Module类型的可选对象，初始值为None。
融合后的新模块fused：使用fuser_method调用对应的融合函数，如 fuse_conv_bn(is_qat, conv, bn)得到一个模块融合后的新的模块（ConvBn2d）。该模块包含了卷积层和BN层的参数，并将其组合成一个新的运算，该融合模块的名称默认为ConvBn2d、ConvBn1d或ConvBn3d。fuse_conv_bn函数在后面进行介绍。
融合后，第一个for循环遍历 mod_list列表中第一个模块（mod_list[0]）的handle_id（前向预处理钩子函数的ID）和hook_fn（前向预处理钩子函数，在模块前向传递时会被自动调用，用于执行某些操作，如记录中间结果、打印日志等。）。
– 然后，将这些钩子函数注册到fused模块中，使其能够在后续计算中被调用。
– 接着，从mod_list[0]._forward_pre_hooks字典中删除这些钩子函数，避免这些钩子函数被重复调用。
第一个for循环的作用是将mod_list列表中第一个模块的前向预处理钩子函数从原始模块对象中转移到融合模块对象中，以确保在使用融合模块进行前向传递时，所有需要的操作都能够被执行。
第二个for循环将mod_list列表中最后一个模块的前向钩子函数注册到fused模块中，并从原始模块对象的钩子字典中删除这些钩子函数。
与前向预处理钩子函数不同，前向钩子函数是在模块的前向传递过程中执行的，通常用于在模块输出计算完成后执行某些操作，如统计模型输出分布、进行可视化等。
最后，将融合好的fused模块赋给前面定义的new_mod 列表的第一个元素，最后使用for循环补充identity()到new_mod列表，使其长度和原始模块长度一致。
fuse_conv_bn
将给定的conv和bn模块融合并返回融合后的模块。

在此函数中构建了一个fused_module_class_map字典，用于指定模块类型与对应的融合模块类型之间的映射关系。

如果其类型在fused_module_class_map字典中有对应的融合模块类型，则将这些模块融合为一个新的模块（ConvBn2d），如果没有对应的融合模块类型，则不对其进行融合处理。

def fuse_conv_bn(is_qat, conv, bn):
 
    assert(conv.training == bn.training),\
        "Conv and BN both must be in the same mode (train or eval)."

    fused_module_class_map = {
        nn.Conv1d: nni.ConvBn1d,
        nn.Conv2d: nni.ConvBn2d,
        nn.Conv3d: nni.ConvBn3d,
    }

    if is_qat:
        assert bn.num_features == conv.out_channels, 'Output channel of Conv2d must match num_features of BatchNorm2d'
        assert bn.affine, 'Only support fusing BatchNorm2d with affine set to True'
        assert bn.track_running_stats, 'Only support fusing BatchNorm2d with tracking_running_stats set to True'
        fused_module_class = fused_module_class_map.get((type(conv)), None)
        if fused_module_class is not None:
            return fused_module_class(conv, bn)
        else:
            raise NotImplementedError("Cannot fuse train modules: {}".format((conv, bn)))
    else:
        return nn.utils.fuse_conv_bn_eval(conv, bn)


'
运行运行
返回调用的 fuse_conv_bn_eval(conv, bn) 函数如下

返回一个新的融合模块，该模块包含了卷积层和BN层的参数，并将其组合成一个新的运算。

def fuse_conv_bn_eval(conv, bn, transpose=False):
    assert(not (conv.training or bn.training)), "Fusion only for eval!"
    fused_conv = copy.deepcopy(conv)

    fused_conv.weight, fused_conv.bias = \
        fuse_conv_bn_weights(fused_conv.weight, fused_conv.bias,
                             bn.running_mean, bn.running_var, bn.eps, bn.weight, bn.bias, transpose)

    return fused_conv



'
运行运行
3. fuse_modules实际测试
3.1 modules_to_fuse参数的使用方法
1. 此参数的列表可以包含多个需要融合的组合，子模块列表也可以，使用方法一
方法一：

modules_to_fuse = [ [‘conv1’, ‘bn1’, ‘relu1’], [‘submodule.conv’, ‘submodule.relu’]]

融合ResNet18中layer1的conv和bn层如下：

print('\n Before fusion \n\n', r18_o.layer1)

r18_o.eval()

r18 = torch.quantization.fuse_modules(
    r18_o,
    [['conv1', 'bn1', 'relu'],
     ['layer1.0.conv1', 'layer1.0.bn1'], # , 'layer1.0.relu'],
     ['layer1.0.conv2', 'layer1.0.bn2'],
     ['layer1.1.conv1', 'layer1.1.bn1'], #, 'layer1.1.relu'],
     ['layer1.1.conv2', 'layer1.1.bn2']]
)
print('\n After fusion\n\n', r18.layer1)

结果：

ResNet18融合前：(仅显示ResNet18中layer1的网络结构)


ResNet18融合后

此融合只将Conv2d和BN层进行融合，从上面对比可以看到融合后的 (bn) 变成了 identity()，(conv) 中的Conv2d是原本Conv2d和BN融合的。

2. 如果要融合的module被Sequential封装了，可使用方法二
方法二：

torch.quantization.fuse_modules(m, [‘0’, ‘1’, ‘2’], inplace=True)

1. 使用方法二对ResNet18中模块进行融合操作，融合代码如下：

def fuse_model(self):
    for m in self.modules():
        if type(m) == BasicBlock:
            torch.quantization.fuse_modules(m, [['conv1', 'bn1', 'relu'], ['conv2', 'bn2']], inplace=True)

运行运行
此处代码是仿pytorch官方写MobileNetV2模块融合，这部分代码写在 class ResNet(nn.Module) 中，后面融合直接使用model.fuse_model()，得到的方法二融合ResNet18结果如下：

此处是分别对（conv2d、bn、relu）和（conv2d、bn）进行融合融合

2. 使用方法二对MobileNetv2中模块进行融合操作

def fuse_model(self):
    for m in self.modules():
        if type(m) == ConvBNReLU:
            torch.quantization.fuse_modacules(m, ['0', '1', '2'], inplace=True)
        if type(m) == InvertedResidual:
            for idx in range(len(m.conv)):
                if type(m.conv[idx]) == nn.Conv2d:
                    torch.quantization.fuse_modules(m.conv, [str(idx), str(idx + 1)], inplace=True)

运行运行
结果：

MobileNetv2融合前（下面结果展示的是第一个残差模块，因此没有第一个1x1的卷积）


MobileNetv2融合后

从此对比可以看到，融合前的conv2d、bn、relu融合成了ConvRelu2d(Conv2d，ReLU)，这里面的Conv2d是融合前的Conv2d和BN融合的。


http://www.kler.cn/a/417877.html

相关文章：

  • C#基础之委托，事件
  • D82【python 接口自动化学习】- pytest基础用法
  • 使用OSPF配置不同进程的中小型网络
  • CSP-J初赛不会备考咋办？
  • Django Auth的基本使用
  • 【云原生系列】迁移云上需要考虑哪些问题
  • Linux：进程间通信之进程池和日志
  • Ubuntu 环境下的 C/C++ 编译与调试配置
  • “移门缓冲支架：为家庭安全加码”
  • 以达梦为数据库底座时部署的微服务页面报乱码，调整兼容模式
  • 医院数据库优化：提升性能与响应时间的关键策略
  • PostgreSQL实现透视表查询
  • Android启动流程,代码分析
  • 欢迪迈手机商城：基于SpringBoot的数据分析
  • RK3568平台开发系列讲解（PWM篇）PWM 子系统框架
  • vulnhub靶场【哈利波特】三部曲之Fawkes
  • 解决 Ubuntu 20.04 上的 torchvisionnms 运行时错误 详细步骤与分析
  • golang使用gos7读取S7200Smart数据
  • 关于使用天地图、leaflet、ENVI、Vue工具实现 前端地图上覆盖上处理的农业地块图层任务
  • Java 泛型详细解析
  • YOLO-学习笔记
  • 算法笔记：力扣148. 排序链表
  • 大模型学习方法之——大模型技术学习路线
  • Hutool 秒速实现 2FA 两步验证
  • How to install mac application by homebrew
  • Oracle12.2 RAC集群管理之增加删除节点（DNS解析）