编写 TorchScript 转换器¶

背景¶

在 JIT IR 中，运算表示为图中的节点。节点具有输入和输出，由 torch::jit::Values 表示，它们是流入和流出节点的数据的类型化抽象表示。TensorRT 通过使用 nvinfer1::ILayers 和 nvinfer1::ITensors 来表示其图，它们分别类似于节点和值。转换器的目标是创建新的 ILayer 和子图，这些 ILayer 和子图执行节点指定的运算，并将生成的 ITensor 和值关联在一起。

转换器¶

转换器应该是使用输入列表（nvinfer1::ITensors 或 torch::jit::IValues）构造与 LibTorch 运算等效层的函数。

可以使用 RegisterNodeConversionPatterns 辅助类注册转换器，您可以在其中实例化 RegisterNodeConversionPatterns 对象，并对其调用 pattern 函数（如下所示），该函数接受一个字符串，该字符串描述了将导致运行转换器的运算的函数模式，以及一个 lambda 或函数，该 lambda 或函数将执行实际转换

请注意，可以链接 pattern 函数

auto acthardtanh TORCHTRT_UNUSED = RegisterNodeConversionPatterns()
    .pattern({
        "aten::hardtanh(Tensor self, Scalar min_val=-1, Scalar max_val=1) -> (Tensor)",
        [](ConversionCtx* ctx, const torch::jit::Node* n, args& args) -> bool {
            auto in = args[0].ITensor();
            auto min = args[1].unwrapToDouble();
            auto max = args[2].unwrapToDouble();

            auto new_layer = ctx->net->addActivation(*in, nvinfer1::ActivationType::kCLIP);
            TORCHTRT_CHECK(new_layer, "Unable to create layer for aten::hardtanh");

            new_layer->setAlpha(min);
            new_layer->setBeta(max);

            new_layer->setName(util::node_info(n).c_str());
            auto out_tensor = ctx->AssociateValueAndTensor(n->outputs()[0], new_layer->getOutput(0));

            LOG_DEBUG("Output shape: " << out_tensor->getDimensions());
            return true;
        }
    });

转换器约定¶

转换器保证什么¶

在 args 中，每个节点输入值都将有一个条目，ITensor 或 IValue
输入将按照函数模式的顺序提供

转换器的职责¶

必须保证 Args 是某种类型，才能在不检查的情况下解包 Arg 联合，通常输入张量参数可以预期为 ITensor
必须保证任何权重或静态值在转换结束时间之前有效
1. 一个有用的工具是下面描述的 Weights 辅助类
转换器应为节点的每个输出生成一个 IValue 或 ITensor。编译器将检查这一点，如果存在没有关联 ITensor 或 IValue 的值，则会生成警告。
输出必须进行注释
1. 在转换上下文中，JIT 节点的输出值与新的 TRT 层的输出张量之间必须存在 value_tensor_map 中的关联
命名您的层
1. 当我们能够跟踪哪些层和节点相互对应时，调试会容易得多。我们当前使用的系统是将节点的“节点信息”用作层的名称
命名您的张量
1. 使用输出值调试名称作为新 ITensor 的名称（再次用于调试）

转换上下文¶

转换上下文维护转换状态，它管理网络定义、两个映射（一个存储值和 IValue 之间的关联（evaluated_value_map），另一个存储值和 ITensor 之间的关联）以及需要在转换结束之前存在的任何类型的内存。您将在转换器中使用的主要 API 是直接访问网络定义以添加层 ctx->net 和数据关联函数 ctx->AssociateValueAndTensor() 和 ctx->AssociateValueAndIValue()，您将使用它们将层添加到 TRT 层并记录节点输出和静态值或 TensorRT 层输出的对。

Args¶

提供给转换器的参数是 nvinfer1::ITensors 和 torch::jit::IValues 的可检查联合（即，TensorRT 图和静态值中的抽象数据流）。您可以保证，对于节点的每个输入值，您都会有一些参数。它们按照函数模式的顺序提供。可以预期，输入（意味着将传递到 PyTorch 中模块的前向函数中的参数）将是 ITensor，但 Arg 类也具有在解包之前安全检查参数的机制（如果您不确定）。Args 还具有深度解包方法，可让您直接访问 IValue 中的基础数据（如果您知道它是安全的）。如果 IValue 有可能是 None，您还可以传入回退值。IValue 已扩展为能够仅在 TensorList 的情况下保存 ITensor 周围的包装器。您可以通过类似于以下模式从 IValue 获取 ITensor：ivalue.toCustomClass<TensorContainer>()->tensor()。您可以通过使用 ivalue.isTensor() 或 ivalue.isCustomClass() 来判断 IValue 是否包含 Tensor 或 ITensor。

权重¶

权重在构建时使用，因此需要保证任何权重在转换阶段结束之前都存在。TensorRT 也使用其自己的权重结构来保存权重。有一个围绕此类可用于转换器的包装器，它抽象了其中的许多内容。

权重包装器类可以接受 at::Tensors 或奇异值（现在）。您还需要在构造这些权重时传递转换上下文，因为在内部，权重类将分配由转换上下文管理的内存来存储张量数据的副本。当转换上下文析构函数被销毁时，此数据将被释放，因此转换器实际上不需要考虑它。

从输入数据的形状生成元数据，这在与 TensorRT 交互时变得很有用，例如输入映射的数量、输出映射的数量和内核形状。

其他建议¶

在处理权重和其他静态值时，您可以使用完整的 aten 库。这意味着您可以在转换时做相当多的工作来产生高效的转换。一个很好的例子是 batch_norm 转换器，其中转换器在创建 TensorRT 层之前使用 PyTorch 进行运算融合。