Shortcuts

TorchScript 部署

在本教程中,您将学习:

  • What TorchScript is

  • How to export your trained model in TorchScript format

  • How to load your TorchScript model in C++ and do inference

  • TorchScript 是什么

  • 如何将训练好的模型导出为 TorchScript 格式

  • 如何在 C++ 中加载 TorchScript 模型并进行推理

环境要求

  • PyTorch 1.5

  • TorchVision 0.6.0

  • libtorch 1.5

  • C++ compiler

安装这三个 PyTorch 组件的说明可在 pytorch.org_ 上找到。C++ 编译器则取决于您的平台。

什么是 TorchScript?

TorchScript 是 PyTorch 模型( nn.Module 的子类)的中间表示,可以在高性能环境(如 C++)中运行。 它是 Python 的一个高性能子集,旨在被 PyTorch JIT 编译器 使用,后者会对模型的计算进行运行时优化。 TorchScript 是使用 PyTorch 模型进行大规模推理的推荐模型格式。更多信息, 请参阅 pytorch.org_ 上的 PyTorch TorchScript 入门教程在 C++ 中加载 TorchScript 模型教程完整的 TorchScript 文档_

如何导出模型

作为示例,让我们使用一个预训练的视觉模型。TorchVision 中的所有预训练模型都与 TorchScript 兼容。

运行以下 Python 3 代码,可以在脚本中或从 REPL 中运行:

import torch
import torch.nn.functional as F
import torchvision.models as models

r18 = models.resnet18(pretrained=True)       # 现在我们有一个预训练模型的实例
r18_scripted = torch.jit.script(r18)         # *** 这是 TorchScript 导出
dummy_input = torch.rand(1, 3, 224, 224)     # 快速测试一下

让我们快速检查一下两个模型的等价性:

unscripted_output = r18(dummy_input)         # Get the unscripted model's prediction...
scripted_output = r18_scripted(dummy_input)  # ...and do the same for the scripted version

unscripted_top5 = F.softmax(unscripted_output, dim=1).topk(5).indices
scripted_top5 = F.softmax(scripted_output, dim=1).topk(5).indices

print('Python model top 5 results:\n  {}'.format(unscripted_top5))
print('TorchScript model top 5 results:\n  {}'.format(scripted_top5))

会看到两个版本的模型给出相同的结果:

Python model top 5 results:
  tensor([[463, 600, 731, 899, 898]])
TorchScript model top 5 results:
  tensor([[463, 600, 731, 899, 898]])

确认检查通过后,继续保存模型:

r18_scripted.save('r18_scripted.pt')

在 C++ 中加载 TorchScript 模型

创建以下 C++ 文件,并将其命名为 ts-infer.cpp:

#include <torch/script.h>
#include <torch/nn/functional/activation.h>


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

    std::cout << "Loading model...\n";

    // 反序列化 ScriptModule
    torch::jit::script::Module module;
    try {
        module = torch::jit::load(argv[1]);
    } catch (const c10::Error& e) {
        std::cerr << "Error loading model\n";
        std::cerr << e.msg_without_backtrace();
        return -1;
    }

    std::cout << "Model loaded successfully\n";

    torch::NoGradGuard no_grad; // 确保自动梯度计算关闭
    module.eval(); // 关闭 dropout 和其他训练时层/函数

    // 创建一个输入"图像"
    std::vector<torch::jit::IValue> inputs;
    inputs.push_back(torch::rand({1, 3, 224, 224}));

    // 执行模型并将输出打包为张量
    at::Tensor output = module.forward(inputs).toTensor();

    namespace F = torch::nn::functional;
    at::Tensor output_sm = F::softmax(output, F::SoftmaxFuncOptions(1));
    std::tuple<at::Tensor, at::Tensor> top5_tensor = output_sm.topk(5);
    at::Tensor top5 = std::get<1>(top5_tensor);

    std::cout << top5[0] << "\n";

    std::cout << "\nDONE\n";
    return 0;
}

程序步骤:

  • 加载您在命令行上指定的模型

  • 创建一个虚拟的”图像”输入张量

  • 对输入执行推理

另外,请注意这段代码中没有依赖 TorchVision。 保存的 TorchScript 模型包含您的学习权重和您的计算图。

构建和运行您的 C++ 推理引擎

创建以下 CMakeLists.txt 文件:

cmake_minimum_required(VERSION 3.0 FATAL_ERROR)
project(custom_ops)

find_package(Torch REQUIRED)

add_executable(ts-infer ts-infer.cpp)
target_link_libraries(ts-infer "${TORCH_LIBRARIES}")
set_property(TARGET ts-infer PROPERTY CXX_STANDARD 11)

构建程序:

cmake -DCMAKE_PREFIX_PATH=<path to your libtorch installation>
make

现在,我们可以在 C++ 中运行推理,并验证我们得到结果:

$ ./ts-infer r18_scripted.pt
Loading model...
Model loaded successfully
 418
 845
 111
 892
 644
[ CPULongType{5} ]

DONE

其他资源

Docs

Access comprehensive developer documentation for PyTorch

View Docs

Tutorials

Get in-depth tutorials for beginners and advanced developers

View Tutorials

Resources

Find development resources and get your questions answered

View Resources