TorchScript 中的模型冻结

创建于：2020 年 7 月 28 日 | 最后更新于：2024 年 12 月 2 日 | 最后验证于：2024 年 11 月 5 日

警告

TorchScript 已不再积极开发中。

在本教程中，我们将介绍 TorchScript 中模型冻结的语法。冻结是将 PyTorch 模块参数和属性值内联到 TorchScript 内部表示中的过程。参数和属性值被视为最终值，在生成的冻结模块中无法修改它们。

基本语法

模型冻结可以使用以下 API 调用

torch.jit.freeze(mod : ScriptModule, names : str[]) -> ScriptModule

注意，输入的模块可以是脚本化或跟踪的结果。请参阅 https://pytorch.ac.cn/tutorials/beginner/Intro_to_TorchScript_tutorial.html

接下来，我们通过一个示例演示冻结的工作原理

import torch, time

class Net(torch.nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = torch.nn.Conv2d(1, 32, 3, 1)
        self.conv2 = torch.nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = torch.nn.Dropout2d(0.25)
        self.dropout2 = torch.nn.Dropout2d(0.5)
        self.fc1 = torch.nn.Linear(9216, 128)
        self.fc2 = torch.nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = torch.nn.functional.relu(x)
        x = self.conv2(x)
        x = torch.nn.functional.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = torch.nn.functional.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = torch.nn.functional.log_softmax(x, dim=1)
        return output

    @torch.jit.export
    def version(self):
        return 1.0

net = torch.jit.script(Net())
fnet = torch.jit.freeze(net)

print(net.conv1.weight.size())
print(net.conv1.bias)

try:
    print(fnet.conv1.bias)
    # without exception handling, prints:
    # RuntimeError: __torch__.z.___torch_mangle_3.Net does not have a field
    # with name 'conv1'
except RuntimeError:
    print("field 'conv1' is inlined. It does not exist in 'fnet'")

try:
    fnet.version()
    # without exception handling, prints:
    # RuntimeError: __torch__.z.___torch_mangle_3.Net does not have a field
    # with name 'version'
except RuntimeError:
    print("method 'version' is not deleted in fnet. Only 'forward' is preserved")

fnet2 = torch.jit.freeze(net, ["version"])

print(fnet2.version())

B=1
warmup = 1
iter = 1000
input = torch.rand(B, 1,28, 28)

start = time.time()
for i in range(warmup):
    net(input)
end = time.time()
print("Scripted - Warm up time: {0:7.4f}".format(end-start), flush=True)

start = time.time()
for i in range(warmup):
    fnet(input)
end = time.time()
print("Frozen   - Warm up time: {0:7.4f}".format(end-start), flush=True)

start = time.time()
for i in range(iter):
    input = torch.rand(B, 1,28, 28)
    net(input)
end = time.time()
print("Scripted - Inference: {0:5.2f}".format(end-start), flush=True)

start = time.time()
for i in range(iter):
    input = torch.rand(B, 1,28, 28)
    fnet2(input)
end = time.time()
print("Frozen    - Inference time: {0:5.2f}".format(end-start), flush =True)

在我的机器上，我测量了时间

• 脚本化模型 - 热启动时间: 0.0107

• 冻结模型 - 热启动时间: 0.0048

• 脚本化模型 - 推理时间: 1.35

• 冻结模型 - 推理时间: 1.17

在我们的示例中，热启动时间衡量了前两次运行的时间。冻结模型比脚本化模型快 50%。在某些更复杂的模型上，我们观察到热启动时间有更高的加速效果。冻结之所以能实现这种加速，是因为它执行了 TorchScript 在前几次运行时必须做的一些工作。

推理时间衡量模型热启动后的推理执行时间。尽管我们在执行时间上观察到显著差异，但冻结模型通常比脚本化模型快约 15%。当输入较大时，加速效果较小，因为执行时间主要由张量操作决定。

结论

在本教程中，我们学习了模型冻结。冻结是一种优化模型以进行推理的有用技术，它还可以显著减少 TorchScript 的热启动时间。