融合模块配方¶
本配方演示了如何将 PyTorch 模块列表融合成单个模块,以及如何进行性能测试以比较融合模型与其未融合版本。
简介¶
在将量化应用于模型以减小其大小和内存占用量之前(有关量化的详细信息,请参阅 量化配方),可以先将模型中的模块列表融合成单个模块。融合是可选的,但它可以节省内存访问,使模型运行速度更快,并提高其准确性。
先决条件¶
PyTorch 1.6.0 或 1.7.0
步骤¶
按照以下步骤融合示例模型,对其进行量化、脚本化、优化以用于移动设备、保存并使用 Android 基准测试工具进行测试。
1. 定义示例模型¶
使用 PyTorch 移动性能配方 中定义的相同示例模型。
import torch
from torch.utils.mobile_optimizer import optimize_for_mobile
class AnnotatedConvBnReLUModel(torch.nn.Module):
def __init__(self):
super(AnnotatedConvBnReLUModel, self).__init__()
self.conv = torch.nn.Conv2d(3, 5, 3, bias=False).to(dtype=torch.float)
self.bn = torch.nn.BatchNorm2d(5).to(dtype=torch.float)
self.relu = torch.nn.ReLU(inplace=True)
self.quant = torch.quantization.QuantStub()
self.dequant = torch.quantization.DeQuantStub()
def forward(self, x):
x = x.contiguous(memory_format=torch.channels_last)
x = self.quant(x)
x = self.conv(x)
x = self.bn(x)
x = self.relu(x)
x = self.dequant(x)
return x
2. 生成带有和不带有 fuse_modules 的两个模型¶
在上面模型定义下方添加以下代码并运行脚本。
model = AnnotatedConvBnReLUModel()
print(model)
def prepare_save(model, fused):
model.qconfig = torch.quantization.get_default_qconfig('qnnpack')
torch.quantization.prepare(model, inplace=True)
torch.quantization.convert(model, inplace=True)
torchscript_model = torch.jit.script(model)
torchscript_model_optimized = optimize_for_mobile(torchscript_model)
torch.jit.save(torchscript_model_optimized, "model.pt" if not fused else "model_fused.pt")
prepare_save(model, False)
model = AnnotatedConvBnReLUModel()
model_fused = torch.quantization.fuse_modules(model, [['bn', 'relu']], inplace=False)
print(model_fused)
prepare_save(model_fused, True)
原始模型及其融合版本的图形将按如下所示打印。
AnnotatedConvBnReLUModel(
(conv): Conv2d(3, 5, kernel_size=(3, 3), stride=(1, 1), bias=False)
(bn): BatchNorm2d(5, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(relu): ReLU(inplace=True)
(quant): QuantStub()
(dequant): DeQuantStub()
)
AnnotatedConvBnReLUModel(
(conv): Conv2d(3, 5, kernel_size=(3, 3), stride=(1, 1), bias=False)
(bn): BNReLU2d(
(0): BatchNorm2d(5, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(1): ReLU(inplace=True)
)
(relu): Identity()
(quant): QuantStub()
(dequant): DeQuantStub()
)
在第二个融合模型输出中,列表中的第一个项目 bn 被融合模块替换,其余模块(本例中为 relu)被标识替换。此外,还生成了模型 model.pt 和 model_fused.pt 的未融合版本和融合版本。
3. 构建 Android 基准测试工具¶
获取 PyTorch 源码并按照以下步骤构建 Android 基准测试工具
git clone --recursive https://github.com/pytorch/pytorch
cd pytorch
git submodule update --init --recursive
BUILD_PYTORCH_MOBILE=1 ANDROID_ABI=arm64-v8a ./scripts/build_android.sh -DBUILD_BINARY=ON
这将在 build_android/bin 文件夹中生成 Android 基准测试二进制文件 speed_benchmark_torch。
4. 测试比较融合和非融合模型¶
连接您的 Android 设备,然后复制 speed_benchmark_torch 和模型文件,并在其上运行基准测试工具
adb push build_android/bin/speed_benchmark_torch /data/local/tmp
adb push model.pt /data/local/tmp
adb push model_fused.pt /data/local/tmp
adb shell "/data/local/tmp/speed_benchmark_torch --model=/data/local/tmp/model.pt" --input_dims="1,3,224,224" --input_type="float"
adb shell "/data/local/tmp/speed_benchmark_torch --model=/data/local/tmp/model_fused.pt" --input_dims="1,3,224,224" --input_type="float"
最后两个命令的结果应如下所示
Main run finished. Microseconds per iter: 6189.07. Iters per second: 161.575
以及
Main run finished. Microseconds per iter: 6216.65. Iters per second: 160.858
对于此示例模型,融合模型和非融合模型之间没有太大性能差异。但是,可以使用类似的步骤来融合和准备真实的深度模型,并测试以查看性能改进。请记住,目前 torch.quantization.fuse_modules 仅融合以下模块序列
卷积层,批归一化层
卷积层,批归一化层,ReLU
卷积层,ReLU
线性层,ReLU
批归一化层,ReLU
如果向 fuse_modules 调用提供了任何其他序列列表,则将被简单忽略。