一、定义

1. 定义
2. script、eager、onnx 模式对比
3. 案例
4. 生成的模型可以被c++调用
5. 接口解读

二、实现

1. 定义
   1. 可以在高性能环境libtorch（C ++）中直接加载，实现模型推理，而无需Pytorch训练框架依赖
   2. 无需代码，直接加载模型，实现推理。
   3. 主要用途是进行模型部署，需要记录生成一个便于推理优化的 IR，对计算图的编辑通常都是面向性能提升等等，不会给模型本身添加新的功能。
      教程网址：https://pytorch.org/tutorials/beginner/Intro_to_TorchScript_tutorial.html
      接口网址：https://pytorch.org/docs/stable/jit.html
2. script、eager、onnx 模式对比
   
3. 案例
   模型转为脚本：

import torch
from torch import nn
from torchvision.models.resnet import resnet18
model = resnet18(pretrained=True)
# 修改模型
model.conv1 = nn.Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)
model.maxpool = nn.Identity()  # type: ignore
model.fc = nn.Linear(model.fc.in_features, 10)
model.eval()script_module = torch.jit.trace(model, example_inputs=torch.randn([1, 3, 224, 224]))
torch.jit.save(script_module, "quant_model.pth")

脚本文件加载、推理

import torch
#推理时加载模型
quantized_recover_model = torch.jit.load("quant_model.pth")
with torch.no_grad():  # 设置禁止计算梯度inputs = torch.randn([1, 3, 224, 224])outputs = quantized_recover_model(inputs)  # 前向传播print(outputs)

4.生成的模型可以被c++调用

c++代码// 加载生成的torchscript模型 
auto module = torch::jit::load('jit_model.pth'); 
// 根据任务需求读取数据 
std::vector<torch::jit::IValue> inputs = ...; 
// 计算推理结果 
auto output = module.forward(inputs).toTensor(); 

5. 接口解读