全部產品
Search
文件中心

Platform For AI:最佳化PyTorch模型

更新時間:Jul 13, 2024

PAI-Blade提供了豐富的模型最佳化方法,您只需要在本地環境中安裝Wheel包,即可通過調用Python API的方式進行模型最佳化。本文介紹如何使用PAI-Blade最佳化PyTorch模型,所有實驗結果均在NVidia T4卡上測得。

前提條件

  • 已安裝PyTorch及PAI-Blade的Wheel包,詳情請參見安裝Blade

  • 已有訓練完成的PyTorch模型,本文使用一個公開的ResNet50模型。

最佳化PyTorch模型

  1. 匯入PAI-Blade和其他依賴庫。

    import os
    import time
    import torch
    import torchvision.models as models
    import blade
  2. 從torchvision載入ResNet50模型。由於PAI-Blade僅支援ScriptModule,因此需要轉換模型格式。

    model = models.resnet50().float().cuda()  # 準備模型。
    model = torch.jit.script(model).eval()    # 轉換成ScriptModule。
    dummy = torch.rand(1, 3, 224, 224).cuda() # 構造測試資料。
  3. 調用blade.optimize函數進行模型最佳化,詳細的參數解釋請參見Python介面文檔。模型最佳化的程式碼範例如下。如果您在最佳化中遇到問題,可以加入Blade客戶群,諮詢相關人員,詳情請參見擷取Token

    optimized_model, opt_spec, report = blade.optimize(
        model,                 # 待最佳化的模型。
        'o1',                  # 最佳化層級,o1或o2。
        device_type='gpu',     # 目標裝置,gpu/cpu。
        test_data=[(dummy,)],  # PyTorch的輸入資料是List of tuple of tensor。
    )

    blade.optimize函數返回的三個對象,分別如下所示:

    • optimized_model:最佳化完成的模型,此處為torch.jit.ScriptModule

    • opt_spec:包含複現最佳化結果需要的配置資訊、環境變數及資源檔等,通過with語句可以使其生效。

    • report:最佳化報告,可以直接列印。關於報告中的參數解釋,詳情請參見最佳化報告

    最佳化過程中,您可以看到如下類似的最佳化進度。

    [Progress] 5%, phase: user_test_data_validation.
    [Progress] 10%, phase: test_data_deduction.
    [Progress] 15%, phase: CombinedSwitch_4.
    [Progress] 95%, phase: model_collecting.
  4. 列印最佳化報告。

    print("Report: {}".format(report))

    在最佳化報告中可以看到主要的效果源於哪些最佳化項,如下所示。

    Report: {
      // ......
      "optimizations": [
        {
          "name": "PtTrtPassFp32",
          "status": "effective",
          "speedup": "1.50",     // 加速比。
          "pre_run": "5.29 ms",  // 加速前延遲。
          "post_run": "3.54 ms"  // 加速後延遲。
        }
      ],
      // 端到端最佳化結果。
      "overall": {
        "baseline": "5.30 ms",    // 原始模型延遲。
        "optimized": "3.59 ms",   // 最佳化後模型延遲。
        "speedup": "1.48"         // 加速比。
      },
      // ......
    }
  5. 對比最佳化前後的效能。

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

擴充

blade.optimize函數的model參數支援多種形式的模型輸入。對於PyTorch模型,支援以下兩種方式傳入模型:

  • 直接傳入torch.jit.ScriptModule對象

  • 從檔案載入torch.jit.save匯出的torch.jit.ScriptModule模型檔案。

在本文樣本中,為blade.optimize函數傳入了記憶體中的torch.jit.ScriptModule對象。另外一種方式可以參考如下代碼:

optimized_model, opt_spec, report = blade.optimize(
    'path/to/torch_model.pt',
    'o1',
    device_type='gpu'
)

後續步驟

經過PAI-Blade最佳化的模型,您可以通過Python直接執行或部署為EAS服務。此外,PAI-Blade也提供了C++ SDK,以便您將最佳化後的模型整合到自己的應用中,詳情請參見使用SDK部署PyTorch模型推理