Platform For AI：RetinaNet最佳化案例2：結合Blade和Custom C++ Operator最佳化模型

使用限制

操作流程

步驟一：建立帶有Custom C++ Operators的PyTorch模型

Blade工具與PyTorch TorchScript擴充機制無縫銜接，以下介紹如何使用TorchScript擴充實現RetinaNet的後處理部分。關於TorchScript Custom Operator的介紹請參見EXTENDING TORCHSCRIPT WITH CUSTOM C++ OPERATORS。本文使用的RetinaNet後處理部分的程式邏輯來自NVIDIA開源社區，詳情請參見Retinanet-Examples。本文抽取了核心的代碼用於說明開發實現Custom Operator的流程。

1. 下載範例程式碼並解壓。

   wget -nv https://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/tutorials/retinanet_example/retinanet-examples.tar.gz -O retinanet-examples.tar.gz
   tar xvfz retinanet-examples.tar.gz 1>/dev/null

2. 編譯Custom C++ Operators。

   PyTorch官方文檔中（詳情請參見EXTENDING TORCHSCRIPT WITH CUSTOM C++ OPERATORS）提供了三種編譯Custom Operators的方式：Building with CMake、Building with JIT Compilation及Building with Setuptools。這三種編譯方式適用於不同情境，您可以根據自己的需求進行選擇。本文為了簡便，採用Building with JIT Compilation方式，範例程式碼如下所示。

   import torch.utils.cpp_extension
   import os
   codebase="retinanet-examples"
   sources=['csrc/extensions.cpp',
            'csrc/cuda/decode.cu',
            'csrc/cuda/nms.cu',]
   sources = [os.path.join(codebase,src) for src in sources]
   torch.utils.cpp_extension.load(
       name="custom",
       sources=sources,
       build_directory=codebase,
       extra_include_paths=['/usr/local/TensorRT/include/', '/usr/local/cuda/include/', '/usr/local/cuda/include/thrust/system/cuda/detail'],
       extra_cflags=['-std=c++14', '-O2', '-Wall'],
       extra_cuda_cflags=[
           '-std=c++14', '--expt-extended-lambda',
           '--use_fast_math', '-Xcompiler', '-Wall,-fno-gnu-unique',
           '-gencode=arch=compute_75,code=sm_75',],
       is_python_module=False,
       with_cuda=True,
       verbose=False,
   )

   上述程式執行完成後，編譯產生的custom.so會儲存在retinanet-examples目錄下。

3. 使用Custom C++ Operators替換RetinaNet的後處理部分。

   為了簡潔，此處直接使用adapter_forward替換RetinaNet.forward。adapter_forward使用decode_cuda和nms_cuda兩個Custom C++ Operators實現了RetinaNet的後處理部分，範例程式碼如下所示。

   import os
   import torch
   from typing import Tuple, Dict, List, Optional
   codebase="retinanet-examples"
   torch.ops.load_library(os.path.join(codebase, 'custom.so'))
   
   decode_cuda = torch.ops.retinanet.decode
   nms_cuda = torch.ops.retinanet.nms
   
   # 該函數的主要代碼部分和RetinaNet.forward一樣，但是後處理部分替換為通過decode_cuda和nms_cuda實現。
   def adapter_forward(self, batched_inputs: Tuple[Dict[str, torch.Tensor]]):
       images = self.preprocess_image(batched_inputs)
       features = self.backbone(images.tensor)
       features = [features[f] for f in self.head_in_features]
       cls_heads, box_heads = self.head(features)
       cls_heads = [cls.sigmoid() for cls in cls_heads]
       box_heads = [b.contiguous() for b in box_heads]
   
       # 後處理部分。
       strides = [images.tensor.shape[-1] // cls_head.shape[-1] for cls_head in cls_heads]
       decoded = [
           decode_cuda(
               cls_head,
               box_head,
               anchor.view(-1),
               stride,
               self.test_score_thresh,
               self.test_topk_candidates,
           )
           for stride, cls_head, box_head, anchor in zip(
               strides, cls_heads, box_heads, self.cell_anchors
           )
       ]
   
       # non-maximum suppression部分。
       decoded = [torch.cat(tensors, 1) for tensors in zip(decoded[0], decoded[1], decoded[2])]
       return nms_cuda(decoded[0], decoded[1], decoded[2], self.test_nms_thresh, self.max_detections_per_image)
   
   from detectron2.modeling.meta_arch import retinanet
   
   # 使用adapter_forward替換RetinaNet.forward。
   retinanet.RetinaNet.forward = adapter_forward

步驟二：匯出TorchScript模型

Detectron2是FAIR開源的靈活、可擴充、可配置的目標檢測和映像分割訓練架構。由於架構的靈活性，使用常規方法匯出模型可能會失敗或得到錯誤的匯出結果。為了支援TorchScript部署，Detectron2提供了TracingAdapter和scripting_with_instances兩種匯出方式，詳情請參見Detectron2 Usage。

import torch
import numpy as np

from torch import Tensor
from torch.testing import assert_allclose

from detectron2 import model_zoo
from detectron2.export import scripting_with_instances
from detectron2.structures import Boxes
from detectron2.data.detection_utils import read_image

# 使用scripting_with_instances匯出RetinaNet模型。
def load_retinanet(config_path):
    model = model_zoo.get(config_path, trained=True).eval()
    # Set a new cell_anchors attributes to PyTorch model.
    model.cell_anchors = [c.contiguous() for c in model.anchor_generator.cell_anchors]
    fields = {
        "pred_boxes": Boxes,
        "scores": Tensor,
        "pred_classes": Tensor,
    }
    script_model = scripting_with_instances(model, fields)
    return model, script_model

# 下載一張樣本圖片。
!wget http://images.cocodataset.org/val2017/000000439715.jpg -q -O input.jpg
img = read_image('./input.jpg')
img = torch.from_numpy(np.ascontiguousarray(img.transpose(2, 0, 1)))

# 嘗試執行和對比匯出模型前後的結果。
pytorch_model, script_model = load_retinanet("COCO-Detection/retinanet_R_50_FPN_3x.yaml")
with torch.no_grad():
    batched_inputs = [{"image": img.float()}]
    pred1 = pytorch_model(batched_inputs)
    pred2 = script_model(batched_inputs)

assert_allclose(pred1[0], pred2[0])

步驟三：調用Blade最佳化模型

1. 調用Blade最佳化介面。

   調用blade.optimize介面對模型進行最佳化，程式碼範例如下。關於blade.optimize介面詳情，請參見最佳化PyTorch模型。

   import os
   import blade
   import torch
   
   # 載入custom c++ operator動態連結程式庫。
   codebase="retinanet-examples"
   torch.ops.load_library(os.path.join(codebase, 'custom.so'))
   
   blade_config = blade.Config()
   blade_config.gpu_config.disable_fp16_accuracy_check = True
   
   test_data = [(batched_inputs,)] # PyTorch的輸入資料是List of Tuple。
   
   with blade_config:
       optimized_model, opt_spec, report = blade.optimize(
       script_model,  # 上一步匯出的TorchScript模型。
       'o1',  # 開啟Blade O1層級的最佳化。
       device_type='gpu',  # 目標裝置為GPU。
       test_data=test_data,  # 給定一組測試資料，用於輔助最佳化及測試。
       )

2. 列印最佳化報告並儲存模型。

   Blade最佳化後的模型仍然是一個TorchScript模型。完成最佳化後，您可以通過如下代碼列印最佳化報告並儲存最佳化模型。

   # 列印最佳化結果報表。
   print("Report: {}".format(report))
   # 儲存最佳化後的模型。
   torch.jit.save(script_model, 'script_model.pt')
   torch.jit.save(optimized_model, 'optimized.pt')

   列印的最佳化報告如下所示，關於最佳化報告中的欄位詳情請參見最佳化報告。

   Report: {
     "software_context": [
       {
         "software": "pytorch",
         "version": "1.8.1+cu102"
       },
       {
         "software": "cuda",
         "version": "10.2.0"
       }
     ],
     "hardware_context": {
       "device_type": "gpu",
       "microarchitecture": "T4"
     },
     "user_config": "",
     "diagnosis": {
       "model": "unnamed.pt",
       "test_data_source": "user provided",
       "shape_variation": "undefined",
       "message": "Unable to deduce model inputs information (data type, shape, value range, etc.)",
       "test_data_info": "0 shape: (3, 480, 640) data type: float32"
     },
     "optimizations": [
       {
         "name": "PtTrtPassFp16",
         "status": "effective",
         "speedup": "3.92",
         "pre_run": "40.72 ms",
         "post_run": "10.39 ms"
       }
     ],
     "overall": {
       "baseline": "40.64 ms",
       "optimized": "10.41 ms",
       "speedup": "3.90"
     },
     "model_info": {
       "input_format": "torch_script"
     },
     "compatibility_list": [
       {
         "device_type": "gpu",
         "microarchitecture": "T4"
       }
     ],
     "model_sdk": {}
   }

3. 對最佳化前後的模型進行效能測試。

   效能測試的程式碼範例如下所示。

   import time
   
   @torch.no_grad()
   def benchmark(model, inp):
       for i in range(100):
           model(inp)
       torch.cuda.synchronize()
       start = time.time()
       for i in range(200):
           model(inp)
       torch.cuda.synchronize()
       elapsed_ms = (time.time() - start) * 1000
       print("Latency: {:.2f}".format(elapsed_ms / 200))
   
   # 對最佳化前的模型測速。
   benchmark(script_model, batched_inputs)
   # 對最佳化後的模型測速。
   benchmark(optimized_model, batched_inputs)

   本次測試的參考結果值如下。

   Latency: 40.65
   Latency: 10.46

   上述結果表示同樣執行200輪，最佳化前後的模型平均延時分別是40.65 ms和10.46 ms。

步驟四：載入運行最佳化後的模型

1. 可選：在試用階段，您可以設定如下的環境變數，防止因為鑒權失敗而程式退出。

   export BLADE_AUTH_USE_COUNTING=1

2. 擷取鑒權。

   export BLADE_REGION=<region>
   export BLADE_TOKEN=<token>

   您需要根據實際情況替換以下參數：

   • <region>：Blade支援的地區，需要加入Blade使用者群擷取該資訊，使用者群的二維碼詳情請參見擷取Token。
   • <token>：鑒權Token，需要加入Blade使用者群擷取該資訊，使用者群的二維碼詳情請參見擷取Token。

3. 載入運行最佳化後的模型。

   Blade最佳化後的模型仍然是TorchScript，因此您無需切換環境即可載入最佳化後的結果。

   import blade.runtime.torch
   import detectron2
   import torch
   import numpy as np
   import os
   from detectron2.data.detection_utils import read_image
   from torch.testing import assert_allclose
   
   # 載入custom c++ operator動態連結程式庫。
   codebase="retinanet-examples"
   torch.ops.load_library(os.path.join(codebase, 'custom.so'))
   
   script_model = torch.jit.load('script_model.pt')
   optimized_model = torch.jit.load('optimized.pt')
   
   img = read_image('./input.jpg')
   img = torch.from_numpy(np.ascontiguousarray(img.transpose(2, 0, 1)))
   
   # 嘗試執行和對比匯出模型前後的結果。
   with torch.no_grad():
       batched_inputs = [{"image": img.float()}]
       pred1 = script_model(batched_inputs)
       pred2 = optimized_model(batched_inputs)
   
   assert_allclose(pred1[0], pred2[0], rtol=1e-3, atol=1e-2)