【Pytorch】（十三）PyTorch模型部署: TorchScript

文章目录

（十三）PyTorch模型部署
- Pytorch动态图的优缺点
- TorchScript
- Pytorch模型转换为TorchScript
- - torch.jit.trace
  - torch.jit.script
  - trace和script的区别总结
  - script 和 trace 混合使用
  - 保存和加载模型

（十三）PyTorch模型部署

Pytorch动态图的优缺点

与Tensorflow使用静态计算图不同，PyTorch 使用的是动态计算图：

动态图允许在运行时渐进地构建计算图，使得模型设计更加灵活。开发者可以使用 Python 的控制流结构（如循环、条件语句等）来动态地定义模型的结构，从而更容易实现复杂的模型逻辑。

这种计算方式更直观，更pythonic。开发者可以更容易地理解和调试模型各个模块，快速地修改、迭代模型。

然而，与静态图相比，动态图的执行效率可能会较低。因为动态图难以进行一些计算图的优化，如运算符融合、图优化等。而且，动态图依赖于Python 环境。这些因素使得动态图不适合在低延迟要求较高的生产环境下部署。

因此，在部署Pytorch训练后的模型时，需要将动态图转换为静态图，这就要用到TorchScript。

TorchScript

TorchScript是PyTorch模型的一种静态图表示形式，支持模型的部署优化、跨平台部署以及与其他深度学习框架的集成：

模型的部署优化：TorchScript 可以帮助优化 PyTorch 模型以提高性能和效率。通过将模型转换为静态图形式，TorchScript 可以应用各种优化技术，如运算符融合、图优化等，从而加速模型执行并降低内存消耗。
跨平台部署：将模型转换为 TorchScript 格式可以实现跨平台部署，模型可以在没有 Python 环境的情况下运行。这对于在生产环境中部署模型到服务器、移动设备或边缘设备上非常有用。
与其他框架集成：通过将 PyTorch 模型转换为 TorchScript 格式，可以更方便地与其他深度学习框架进行交互。例如，可以将TorchScript 进一步转换为 ONNX 格式，从而与 TensorFlow 等其他框架进行集成和交互操作。

Pytorch模型转换为TorchScript

torch.jit.trace 和 torch.jit.script 是 PyTorch 中用于模型转换为 TorchScript 格式的工具，但它们有不同的作用和使用场景。

torch.jit.trace

通过torch.jit.trace 将没有控制流的MyCell 模块转化为TorchScript：


import torch  # This is all you need to use both PyTorch and TorchScript!torch.manual_seed(191009)  # set the seed for reproducibilityclass MyCell(torch.nn.Module):def __init__(self):super(MyCell, 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_hmy_cell = MyCell()
x, h = torch.rand(3, 4), torch.rand(3, 4)
traced_cell = torch.jit.trace(my_cell, (x, h))
print(traced_cell)

MyCell(original_name=MyCell(linear): Linear(original_name=Linear)
)

torch.jit.trace调用了my_cell，记录了模块计算时发生的操作，并创建了一个torch.jit.ScriptModule的实例（TracedModule是其实例）traced_cell。traced_cell 记录了my_cell的计算图。我们可以使用.graph属性来查看：

print(traced_cell.graph)

graph(%self.1 : __torch__.MyCell,%x : Float(3, 4, strides=[4, 1], requires_grad=0, device=cpu),%h : Float(3, 4, strides=[4, 1], requires_grad=0, device=cpu)):%linear : __torch__.torch.nn.modules.linear.Linear = prim::GetAttr[name="linear"](%self.1)%20 : Tensor = prim::CallMethod[name="forward"](%linear, %x)%11 : int = prim::Constant[value=1]() # /var/lib/workspace/beginner_source/Intro_to_TorchScript_tutorial.py:189:0%12 : Float(3, 4, strides=[4, 1], requires_grad=1, device=cpu) = aten::add(%20, %h, %11) # /var/lib/workspace/beginner_source/Intro_to_TorchScript_tutorial.py:189:0%13 : Float(3, 4, strides=[4, 1], requires_grad=1, device=cpu) = aten::tanh(%12) # /var/lib/workspace/beginner_source/Intro_to_TorchScript_tutorial.py:189:0%14 : (Float(3, 4, strides=[4, 1], requires_grad=1, device=cpu), Float(3, 4, strides=[4, 1], requires_grad=1, device=cpu)) = prim::TupleConstruct(%13, %13)return (%14)

然而，图中包含的大多数信息对我们没有用处。我们可以使用.code属性对其进行Python语法解释：

print(traced_cell.code)

def forward(self,x: Tensor,h: Tensor) -> Tuple[Tensor, Tensor]:linear = self.linear_0 = torch.tanh(torch.add((linear).forward(x, ), h))return (_0, _0)

调用traced_cell会产生与Python模块实例my_cell() 相同的结果：

print(my_cell(x, h))
print(traced_cell(x, h))

(tensor([[-0.2541,  0.2460,  0.2297,  0.1014],[-0.2329, -0.2911,  0.5641,  0.5015],[ 0.1688,  0.2252,  0.7251,  0.2530]], grad_fn=<TanhBackward0>), tensor([[-0.2541,  0.2460,  0.2297,  0.1014],[-0.2329, -0.2911,  0.5641,  0.5015],[ 0.1688,  0.2252,  0.7251,  0.2530]], grad_fn=<TanhBackward0>))
(tensor([[-0.2541,  0.2460,  0.2297,  0.1014],[-0.2329, -0.2911,  0.5641,  0.5015],[ 0.1688,  0.2252,  0.7251,  0.2530]], grad_fn=<TanhBackward0>), tensor([[-0.2541,  0.2460,  0.2297,  0.1014],[-0.2329, -0.2911,  0.5641,  0.5015],[ 0.1688,  0.2252,  0.7251,  0.2530]], grad_fn=<TanhBackward0>))

torch.jit.script

我们先尝试通过torch.jit.trace 将带有控制流的MyCell 模块转化为TorchScript：

class MyDecisionGate(torch.nn.Module):def forward(self, x):if x.sum() > 0:return xelse:return -xclass MyCell(torch.nn.Module):def __init__(self, dg):super(MyCell, self).__init__()self.dg = dgself.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_hmy_cell = MyCell(MyDecisionGate())
traced_cell = torch.jit.trace(my_cell, (x, h))print(traced_cell.dg.code)
print(traced_cell.code)

/var/lib/workspace/beginner_source/Intro_to_TorchScript_tutorial.py:261: TracerWarning:Converting a tensor to a Python boolean might cause the trace to be incorrect. We can't record the data flow of Python values, so this value will be treated as a constant in the future. This means that the trace might not generalize to other inputs!def forward(self,argument_1: Tensor) -> NoneType:return Nonedef forward(self,x: Tensor,h: Tensor) -> Tuple[Tensor, Tensor]:dg = self.dglinear = self.linear_0 = (linear).forward(x, )_1 = (dg).forward(_0, )_2 = torch.tanh(torch.add(_0, h))return (_2, _2)

可以看到，if-else分支并没有被表示出来。为什么？
trace记录代码运行发生的操作，并构造一个ScriptModule。控制流中只有一种情况被记录了下来，其他情况都被忽略了。

这就需要用到torch.jit.script了：

scripted_gate = torch.jit.script(MyDecisionGate())my_cell = MyCell(scripted_gate)
scripted_cell = torch.jit.script(my_cell)print(scripted_gate.code)
print(scripted_cell.code)

def forward(self,x: Tensor) -> Tensor:if bool(torch.gt(torch.sum(x), 0)):_0 = xelse:_0 = torch.neg(x)return _0def forward(self,x: Tensor,h: Tensor) -> Tuple[Tensor, Tensor]:dg = self.dglinear = self.linear_0 = torch.add((dg).forward((linear).forward(x, ), ), h)new_h = torch.tanh(_0)return (new_h, new_h)

可以考到，控制流也被记录了下来。
现在让我们尝试运行该程序：

# New inputs
x, h = torch.rand(3, 4), torch.rand(3, 4)
print(scripted_cell(x, h))

(tensor([[ 0.5679,  0.5762,  0.2506, -0.0734],[ 0.5228,  0.7122,  0.6985, -0.0656],[ 0.6187,  0.4487,  0.7456, -0.0238]], grad_fn=<TanhBackward0>), tensor([[ 0.5679,  0.5762,  0.2506, -0.0734],[ 0.5228,  0.7122,  0.6985, -0.0656],[ 0.6187,  0.4487,  0.7456, -0.0238]], grad_fn=<TanhBackward0>))

trace和script的区别总结

torch.jit.trace： torch.jit.trace 用于将一个具体的输入示例追踪（trace）模型的一次计算过程，从而生成一个 TorchScript 模型。对于动态控制流（如条件语句），它只会记录每个分支中的一种情况。因此，它不适用于无固定形状输入、具有动态控制流的模型。
torch.jit.script：torch.jit.script 用于将整个 PyTorch 模型转换为 TorchScript 模型，包括模型的所有逻辑和控制流。script适用于无固定形状输入、具有动态控制流的模型。但是，它可能会把保存一些多余的代码, 产生额外的性能开销。

因此，可以将两者混合使用，扬长避短。

script 和 trace 混合使用

torch.jit.trace 和 torch.jit.script 可以混合使用：复杂模型中静态部分用torch.jit.trace进行转换，动态部分用torch.jit.script 进行转换，以发挥各自的优势。以下是两个可能的情况：

torch.jit.script内联traced模块的代码，

class MyRNNLoop(torch.nn.Module):def __init__(self):super(MyRNNLoop, self).__init__()self.cell = torch.jit.trace(MyCell(scripted_gate), (x, h))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, hrnn_loop = torch.jit.script(MyRNNLoop())
print(rnn_loop.code)

def forward(self,xs: Tensor) -> Tuple[Tensor, Tensor]:h = torch.zeros([3, 4])y = torch.zeros([3, 4])y0 = yh0 = hfor i in range(torch.size(xs, 0)):cell = self.cell_0 = (cell).forward(torch.select(xs, 0, i), h0, )y1, h1, = _0y0, h0 = y1, h1return (y0, h0)

torch.jit.trace内联scripted模块的代码，

class WrapRNN(torch.nn.Module):def __init__(self):super(WrapRNN, self).__init__()self.loop = torch.jit.script(MyRNNLoop())def forward(self, xs):y, h = self.loop(xs)return torch.relu(y)traced = torch.jit.trace(WrapRNN(), (torch.rand(10, 3, 4)))
print(traced.code)

def forward(self,xs: Tensor) -> Tensor:loop = self.loop_0, y, = (loop).forward(xs, )return torch.relu(y)

保存和加载模型

traced.save ：保存TorchScript
torch.jit.load ：加载TorchScript

traced.save('wrapped_rnn.pt')loaded = torch.jit.load('wrapped_rnn.pt')print(loaded)
print(loaded.code)

RecursiveScriptModule(original_name=WrapRNN(loop): RecursiveScriptModule(original_name=MyRNNLoop(cell): RecursiveScriptModule(original_name=MyCell(dg): RecursiveScriptModule(original_name=MyDecisionGate)(linear): RecursiveScriptModule(original_name=Linear)))
)
def forward(self,xs: Tensor) -> Tensor:loop = self.loop_0, y, = (loop).forward(xs, )return torch.relu(y)

参考：
https://pytorch.org/tutorials/beginner/Intro_to_TorchScript_tutorial.html