用于部署的 TorchScript¶

在本食谱中，您将学习

什么是 TorchScript
如何以 TorchScript 格式导出训练好的模型
如何在 C++ 中加载您的 TorchScript 模型并进行推理

要求¶

PyTorch 1.5
TorchVision 0.6.0
libtorch 1.5
C++ 编译器

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

什么是 TorchScript？¶

TorchScript 是 PyTorch 模型（nn.Module 的子类）的中间表示形式，然后可以在高性能环境（如 C++）中运行。它是一个高性能的 Python 子集，旨在由PyTorch JIT 编译器使用，该编译器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。有关更多信息，请参阅 PyTorch 的 TorchScript 入门教程、在 C++ 中加载 TorchScript 模型教程以及完整的 TorchScript 文档，所有这些都可在 pytorch.org 上找到。

如何导出您的模型¶

例如，让我们以一个预训练的视觉模型为例。TorchVision 中的所有预训练模型都与 TorchScript 兼容。

运行以下 Python 3 代码，可以在脚本中运行，也可以在 REPL 中运行

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

r18 = models.resnet18(pretrained=True)       # We now have an instance of the pretrained model
r18_scripted = torch.jit.script(r18)         # *** This is the TorchScript export
dummy_input = torch.rand(1, 3, 224, 224)     # We should run a quick test

让我们对这两个模型的等价性进行一个健全性检查

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))

您应该会看到模型的两个版本都给出了相同的结果

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";

    // deserialize 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; // ensures that autograd is off
    module.eval(); // turn off dropout and other training-time layers/functions

    // create an input "image"
    std::vector<torch::jit::IValue> inputs;
    inputs.push_back(torch::rand({1, 3, 224, 224}));

    // execute model and package output as tensor
    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;
}

该程序

加载您在命令行中指定的模型
创建一个虚拟的“图像”输入张量
对输入执行推理

此外，请注意，此代码中没有对 TorchVision 的依赖关系。您保存的 TorchScript 模型版本包含您的学习权重*和*您的计算图 - 不需要其他任何东西。

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)

制作程序

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

现在，我们可以在 C++ 中运行推理，并验证我们是否得到了结果

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

DONE

重要资源¶

pytorch.org 获取安装说明以及更多文档和教程。
TorchScript 入门教程深入了解 TorchScript 的初步介绍。
完整 TorchScript 文档获取完整的 TorchScript 语言和 API 参考。