PyTorch 在 C ++中加載 TorchScript 模型

2020-09-09 15:56 更新
原文： https://pytorch.org/tutorials/advanced/cpp_export.html

顧名思義，PyTorch 的主要接口是 Python 編程語言。 盡管 Python 是許多需要動態(tài)性和易于迭代的場景的合適且首選的語言，但是在同樣許多情況下，Python 的這些屬性恰恰是不利的。 后者經(jīng)常應(yīng)用的一種環(huán)境是生產(chǎn) –低延遲和嚴(yán)格部署要求的土地。 對于生產(chǎn)場景，即使僅將 C ++綁定到 Java，Rust 或 Go 之類的另一種語言中，它也是經(jīng)常選擇的語言。 以下段落將概述 PyTorch 提供的從現(xiàn)有 Python 模型到序列化表示形式的路徑，該序列化表示形式可以加載和完全由 C ++執(zhí)行，不依賴于 Python。

步驟 1：將 PyTorch 模型轉(zhuǎn)換為 Torch 腳本

PyTorch 模型從 Python 到 C ++的旅程由 Torch 腳本啟用，它是 PyTorch 模型的表示形式，可以由 Torch 腳本編譯器理解，編譯和序列化。 如果您是從使用香草“渴望” API 編寫的現(xiàn)有 PyTorch 模型開始的，則必須首先將模型轉(zhuǎn)換為 Torch 腳本。 在最常見的情況下(如下所述），只需很少的努力。 如果您已經(jīng)有了 Torch 腳本模塊，則可以跳到本教程的下一部分。

有兩種將 PyTorch 模型轉(zhuǎn)換為 Torch 腳本的方法。 第一種稱為跟蹤，該機(jī)制通過使用示例輸入對模型的結(jié)構(gòu)進(jìn)行一次評估并記錄這些輸入在模型中的流量來捕獲模型的結(jié)構(gòu)。 這適用于有限使用控制流的模型。 第二種方法是在模型中添加顯式批注，以告知 Torch Script 編譯器可以根據(jù) Torch Script 語言施加的約束直接解析和編譯模型代碼。

小費(fèi)

您可以在官方torch腳本參考中找到這兩種方法的完整文檔，以及使用方法的進(jìn)一步指導(dǎo)。

通過跟蹤轉(zhuǎn)換為 Torch 腳本

要將 PyTorch 模型通過跟蹤轉(zhuǎn)換為 Torch 腳本，必須將模型的實(shí)例以及示例輸入傳遞給torch.jit.trace函數(shù)。 這將產(chǎn)生一個torch.jit.ScriptModule對象，并將模型評估的軌跡嵌入到模塊的forward方法中：

import torch
import torchvision


## An instance of your model.
model = torchvision.models.resnet18()


## An example input you would normally provide to your model's forward() method.
example = torch.rand(1, 3, 224, 224)


## Use torch.jit.trace to generate a torch.jit.ScriptModule via tracing.
traced_script_module = torch.jit.trace(model, example)

現(xiàn)在可以對跟蹤的ScriptModule進(jìn)行評估，使其與常規(guī) PyTorch 模塊相同：

In[1]: output = traced_script_module(torch.ones(1, 3, 224, 224))
In[2]: output[0, :5]
Out[2]: tensor([-0.2698, -0.0381,  0.4023, -0.3010, -0.0448], grad_fn=<SliceBackward>)

通過注釋轉(zhuǎn)換為 Torch 腳本

在某些情況下，例如，如果模型采用特定形式的控制流，則可能需要直接在 Torch 腳本中編寫模型并相應(yīng)地注釋模型。 例如，假設(shè)您具有以下香草 Pytorch 模型：

import torch


class MyModule(torch.nn.Module):
    def __init__(self, N, M):
        super(MyModule, self).__init__()
        self.weight = torch.nn.Parameter(torch.rand(N, M))


    def forward(self, input):
        if input.sum() > 0:
          output = self.weight.mv(input)
        else:
          output = self.weight + input
        return output

因?yàn)榇四K的forward方法使用取決于輸入的控制流，所以它不適合跟蹤。 相反，我們可以將其轉(zhuǎn)換為ScriptModule。 為了將模塊轉(zhuǎn)換為ScriptModule，需要使用torch.jit.script編譯模塊，如下所示：

class MyModule(torch.nn.Module):
    def __init__(self, N, M):
        super(MyModule, self).__init__()
        self.weight = torch.nn.Parameter(torch.rand(N, M))


    def forward(self, input):
        if input.sum() > 0:
          output = self.weight.mv(input)
        else:
          output = self.weight + input
        return output


my_module = MyModule(10,20)
sm = torch.jit.script(my_module)

如果您需要在nn.Module中排除某些方法，因?yàn)樗鼈兪褂昧?TorchScript 尚不支持的 Python 功能，則可以使用@torch.jit.ignore注釋這些方法

my_module是已準(zhǔn)備好進(jìn)行序列化的ScriptModule的實(shí)例。

步驟 2：將腳本模塊序列化為文件

跟蹤或注釋 PyTorch 模型后，一旦您有了ScriptModule，就可以將其序列化為文件了。 稍后，您將可以使用 C ++從此文件加載模塊并執(zhí)行它，而無需依賴 Python。 假設(shè)我們要序列化先前在跟蹤示例中顯示的ResNet18模型。 要執(zhí)行此序列化，只需在模塊上調(diào)用保存并為其傳遞文件名：

traced_script_module.save("traced_resnet_model.pt")

這將在您的工作目錄中生成一個traced_resnet_model.pt文件。 如果您還想序列化my_module，請致電my_module.save("my_module_model.pt")。我們現(xiàn)在已經(jīng)正式離開 Python 領(lǐng)域，并準(zhǔn)備跨入 C ++領(lǐng)域。

步驟 3：在 C ++中加載腳本模塊

要在 C ++中加載序列化的 PyTorch 模型，您的應(yīng)用程序必須依賴于 PyTorch C ++ API –也稱為 LibTorch 。 LibTorch 發(fā)行版包含共享庫，頭文件和 CMake 構(gòu)建配置文件的集合。 雖然 CMake 不是依賴 LibTorch 的要求，但它是推薦的方法，將來會得到很好的支持。 對于本教程，我們將使用 CMake 和 LibTorch 構(gòu)建一個最小的 C ++應(yīng)用程序，該應(yīng)用程序簡單地加載并執(zhí)行序列化的 PyTorch 模型。

最小的 C ++應(yīng)用程序

讓我們從討論加載模塊的代碼開始。 以下將已經(jīng)做：

#include <torch/script.h> // One-stop header.


#include <iostream>
#include <memory>


int main(int argc, const char* argv[]) {
  if (argc != 2) {
    std::cerr << "usage: example-app <path-to-exported-script-module>\n";
    return -1;
  }


  torch::jit::script::Module module;
  try {
    // Deserialize the ScriptModule from a file using torch::jit::load().
    module = torch::jit::load(argv[1]);
  }
  catch (const c10::Error& e) {
    std::cerr << "error loading the model\n";
    return -1;
  }


  std::cout << "ok\n";
}

&lt;torch/script.h&gt;標(biāo)頭包含了運(yùn)行示例所需的 LibTorch 庫中的所有相關(guān)包含。 我們的應(yīng)用程序接受序列化 PyTorch ScriptModule的文件路徑作為其唯一的命令行參數(shù)，然后繼續(xù)使用torch::jit::load()函數(shù)對該模塊進(jìn)行反序列化，該函數(shù)將這個文件路徑作為輸入。 作為回報，我們收到一個torch::jit::script::Module對象。 我們將稍后討論如何執(zhí)行它。

取決于 LibTorch 和構(gòu)建應(yīng)用程序

假設(shè)我們將以上代碼存儲到名為example-app.cpp的文件中。 最小的CMakeLists.txt構(gòu)建起來看起來很簡單：

cmake_minimum_required(VERSION 3.0 FATAL_ERROR)
project(custom_ops)


find_package(Torch REQUIRED)


add_executable(example-app example-app.cpp)
target_link_libraries(example-app "${TORCH_LIBRARIES}")
set_property(TARGET example-app PROPERTY CXX_STANDARD 14)

構(gòu)建示例應(yīng)用程序的最后一件事是 LibTorch 發(fā)行版。 您可以隨時從 PyTorch 網(wǎng)站上的下載頁面獲取最新的穩(wěn)定版本。 如果下載并解壓縮最新的歸檔文件，則應(yīng)該收到具有以下目錄結(jié)構(gòu)的文件夾：

libtorch/
  bin/
  include/
  lib/
  share/
  • lib/文件夾包含您必須鏈接的共享庫，
  • include/文件夾包含程序需要包含的頭文件，
  • share/文件夾包含必要的 CMake 配置，以啟用上面的簡單find_package(Torch)命令。

小竅門

在 Windows 上，調(diào)試和發(fā)行版本不兼容 ABI。 如果您打算以調(diào)試模式構(gòu)建項(xiàng)目，請嘗試使用 LibTorch 的調(diào)試版本。 另外，請確保在下面的cmake --build .行中指定正確的配置。

最后一步是構(gòu)建應(yīng)用程序。 為此，假定示例目錄的布局如下：

example-app/
  CMakeLists.txt
  example-app.cpp

現(xiàn)在，我們可以運(yùn)行以下命令從example-app/文件夾中構(gòu)建應(yīng)用程序：

mkdir build
cd build
cmake -DCMAKE_PREFIX_PATH=/path/to/libtorch ..
cmake --build . --config Release

其中/path/to/libtorch應(yīng)該是解壓縮的 LibTorch 發(fā)行版的完整路徑。 如果一切順利，它將看起來像這樣：

root@4b5a67132e81:/example-app# mkdir build
root@4b5a67132e81:/example-app# cd build
root@4b5a67132e81:/example-app/build# cmake -DCMAKE_PREFIX_PATH=/path/to/libtorch ..
-- The C compiler identification is GNU 5.4.0
-- The CXX compiler identification is GNU 5.4.0
-- Check for working C compiler: /usr/bin/cc
-- Check for working C compiler: /usr/bin/cc -- works
-- Detecting C compiler ABI info
-- Detecting C compiler ABI info - done
-- Detecting C compile features
-- Detecting C compile features - done
-- Check for working CXX compiler: /usr/bin/c++
-- Check for working CXX compiler: /usr/bin/c++ -- works
-- Detecting CXX compiler ABI info
-- Detecting CXX compiler ABI info - done
-- Detecting CXX compile features
-- Detecting CXX compile features - done
-- Looking for pthread.h
-- Looking for pthread.h - found
-- Looking for pthread_create
-- Looking for pthread_create - not found
-- Looking for pthread_create in pthreads
-- Looking for pthread_create in pthreads - not found
-- Looking for pthread_create in pthread
-- Looking for pthread_create in pthread - found
-- Found Threads: TRUE
-- Configuring done
-- Generating done
-- Build files have been written to: /example-app/build
root@4b5a67132e81:/example-app/build# make
Scanning dependencies of target example-app
[ 50%] Building CXX object CMakeFiles/example-app.dir/example-app.cpp.o
[100%] Linking CXX executable example-app
[100%] Built target example-app

如果我們提供到先前創(chuàng)建的跟蹤ResNet18模型traced_resnet_model.pt到生成的example-app二進(jìn)制文件的路徑，則應(yīng)該以友好的“ ok”作為獎勵。 請注意，如果嘗試使用my_module_model.pt運(yùn)行此示例，則會收到一條錯誤消息，提示您輸入的形狀不兼容。 my_module_model.pt期望使用 1D 而不是 4D。

root@4b5a67132e81:/example-app/build# ./example-app <path_to_model>/traced_resnet_model.pt
ok

步驟 4：在 C ++中執(zhí)行腳本模塊

在用 C ++成功加載序列化的ResNet18之后，我們現(xiàn)在離執(zhí)行它僅幾行代碼了！ 讓我們將這些行添加到 C ++應(yīng)用程序的main()函數(shù)中：

// Create a vector of inputs.
std::vector<torch::jit::IValue> inputs;
inputs.push_back(torch::ones({1, 3, 224, 224}));


// Execute the model and turn its output into a tensor.
at::Tensor output = module.forward(inputs).toTensor();
std::cout << output.slice(/*dim=*/1, /*start=*/0, /*end=*/5) << '\n';

前兩行設(shè)置了我們模型的輸入。 我們創(chuàng)建一個torch::jit::IValue的向量(類型擦除的值類型script::Module方法接受并返回），并添加單個輸入。 要創(chuàng)建輸入張量，我們使用torch::ones()，等效于 C ++ API 中的torch.ones。 然后，我們運(yùn)行script::Module的forward方法，并將其傳遞給我們創(chuàng)建的輸入向量。 作為回報，我們得到一個新的IValue，我們可以通過調(diào)用toTensor()將其轉(zhuǎn)換為張量。

小竅門

要總體上了解有關(guān)torch::ones和 PyTorch C ++ API 之類的功能的更多信息，請參閱 https://pytorch.org/cppdocs 上的文檔。 PyTorch C ++ API 提供了與 Python API 差不多的功能奇偶校驗(yàn)，使您可以像在 Python 中一樣進(jìn)一步操縱和處理張量。

在最后一行，我們打印輸出的前五個條目。 由于在本教程前面的部分中，我們向 Python 中的模型提供了相同的輸入，因此理想情況下，我們應(yīng)該看到相同的輸出。 讓我們通過重新編譯我們的應(yīng)用程序并以相同的序列化模型運(yùn)行它來進(jìn)行嘗試：

root@4b5a67132e81:/example-app/build# make
Scanning dependencies of target example-app
[ 50%] Building CXX object CMakeFiles/example-app.dir/example-app.cpp.o
[100%] Linking CXX executable example-app
[100%] Built target example-app
root@4b5a67132e81:/example-app/build# ./example-app traced_resnet_model.pt
-0.2698 -0.0381  0.4023 -0.3010 -0.0448
[ Variable[CPUFloatType]{1,5} ]

作為參考，Python 以前的輸出為：

tensor([-0.2698, -0.0381,  0.4023, -0.3010, -0.0448], grad_fn=<SliceBackward>)

看起來很不錯！

小竅門

要將模型移至 GPU 內(nèi)存，可以編寫model.to(at::kCUDA);。 通過調(diào)用tensor.to(at::kCUDA)來確保模型的輸入也位于 CUDA 內(nèi)存中，這將在 CUDA 內(nèi)存中返回新的張量。

第 5 步：獲取幫助并探索 API

本教程有望使您對 PyTorch 模型從 Python 到 C ++的路徑有一個大致的了解。 使用本教程中描述的概念，您應(yīng)該能夠從原始的“急切” PyTorch 模型，到 Python 中已編譯的ScriptModule，再到磁盤上的序列化文件，以及–關(guān)閉循環(huán)–到可執(zhí)行文件script::Module在 C ++中。

當(dāng)然，有許多我們沒有介紹的概念。 例如，您可能會發(fā)現(xiàn)自己想要擴(kuò)展使用 C ++或 CUDA 實(shí)現(xiàn)的自定義運(yùn)算符來擴(kuò)展ScriptModule，并希望在純 C ++生產(chǎn)環(huán)境中加載的ScriptModule內(nèi)執(zhí)行該自定義運(yùn)算符。 好消息是：這是可能的，并且得到了很好的支持！ 現(xiàn)在，您可以瀏覽這個文件夾作為示例，我們將很快提供一個教程。 目前，以下鏈接通常可能會有所幫助：

與往常一樣，如果您遇到任何問題或疑問，可以使用我們的論壇或 GitHub 問題進(jìn)行聯(lián)系。


以上內(nèi)容是否對您有幫助：
在線筆記
App下載
App下載

掃描二維碼

下載編程獅App

公眾號
微信公眾號

編程獅公眾號