一文详解如何实现PyTorch模型编译
作者：神经星星
准备
本篇文章译自英文文档 Compile PyTorch Models。
作者是 Alex Wong。
更多 TVM 中文文档可访问 →TVM 中文站。
本文介绍了如何用 Relay 部署 PyTorch 模型。
首先应安装 PyTorch。此外，还应安装 TorchVision，并将其作为模型合集 (model zoo)。
可通过 pip 快速安装：
pip install torch==1.7.0 pip install torchvision==0.8.1
或参考官网：pytorch.org/get-started…
PyTorch 版本应该和 TorchVision 版本兼容。
目前 TVM 支持 PyTorch 1.7 和 1.4，其他版本可能不稳定。
import tvm from tvm import relay import numpy as np from tvm.contrib.download import download_testdata # 导入 PyTorch import torch import torchvision
加载预训练的 PyTorch 模型
model_name = "resnet18" model = getattr(torchvision.models, model_name)(pretrained=True) model = model.eval() # 通过追踪获取 TorchScripted 模型 input_shape = [1, 3, 224, 224] input_data = torch.randn(input_shape) scripted_model = torch.jit.trace(model, input_data).eval() 输出结果：
Downloading: "download.pytorch.org/models/resn…" to /workspace/.cache/torch/hub/checkpoints/resnet18-f37072fd.pth
0%| | 0.00/44.7M [00:00<?, ?B/s] 11%|# | 4.87M/44.7M [00:00<00:00, 51.0MB/s] 22%|##1 | 9.73M/44.7M [00:00<00:00, 49.2MB/s] 74%|#######3 | 32.9M/44.7M [00:00<00:00, 136MB/s] 100%|##########| 44.7M/44.7M [00:00<00:00, 129MB/s]
加载测试图像
经典的猫咪示例：
from PIL import Image
img_url = "https://github.com/dmlc/mxnet.js/blob/main/data/cat.png?raw=true"
img_path = download_testdata(img_url, "cat.png", module="data")
img = Image.open(img_path).resize((224, 224))
# 预处理图像，并将其转换为张量
from torchvision import transforms
my_preprocess = transforms.Compose(
[
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
]
)
img = my_preprocess(img)
img = np.expand_dims(img, 0)
将计算图导入 Relay
将 PyTorch 计算图转换为 Relay 计算图。input_name 可以是任意值。
input_name = "input0" shape_list = [(input_name, img.shape)] mod, params = relay.frontend.from_pytorch(scripted_model, shape_list)
Relay 构建
用给定的输入规范，将计算图编译为 llvm target。
target = tvm.target.Target("llvm", host="llvm")
dev = tvm.cpu(0)
with tvm.transform.PassContext(opt_level=3):
lib = relay.build(mod, target=target, params=params)
输出结果：
/workspace/python/tvm/driver/build_module.py:268: UserWarning: target_host parameter is going to be deprecated. Please pass in tvm.target.Target(target, host=target_host) instead.
"target_host parameter is going to be deprecated. "
在 TVM 上执行可移植计算图
将编译好的模型部署到 target 上：
from tvm.contrib import graph_executor dtype = "float32" m = graph_executor.GraphModule(lib["default"](dev)) # 设置输入 m.set_input(input_name, tvm.nd.array(img.astype(dtype))) # 执行 m.run() # 得到输出 tvm_output = m.get_output(0)
查找分类集名称
在 1000 个类的分类集中，查找分数最高的第一个：
synset_url = "".join(
[
"https://raw.githubusercontent.com/Cadene/",
"pretrained-models.pytorch/master/data/",
"imagenet_synsets.txt",
]
)
synset_name = "imagenet_synsets.txt"
synset_path = download_testdata(synset_url, synset_name, module="data")
with open(synset_path) as f:
synsets = f.readlines()
synsets = [x.strip() for x in synsets]
splits = [line.split(" ") for line in synsets]
key_to_classname = {spl[0]: " ".join(spl[1:]) for spl in splits}
class_url = "".join(
[
"https://raw.githubusercontent.com/Cadene/",
"pretrained-models.pytorch/master/data/",
"imagenet_classes.txt",
]
)
class_name = "imagenet_classes.txt"
class_path = download_testdata(class_url, class_name, module="data")
with open(class_path) as f:
class_id_to_key = f.readlines()
class_id_to_key = [x.strip() for x in class_id_to_key]
# 获得 TVM 的前 1 个结果
top1_tvm = np.argmax(tvm_output.numpy()[0])
tvm_class_key = class_id_to_key[top1_tvm]
# 将输入转换为 PyTorch 变量，并获取 PyTorch 结果进行比较
with torch.no_grad():
torch_img = torch.from_numpy(img)
output = model(torch_img)
# 获得 PyTorch 的前 1 个结果
top1_torch = np.argmax(output.numpy())
torch_class_key = class_id_to_key[top1_torch]
print("Relay top-1 id: {}, class name: {}".format(top1_tvm, key_to_classname[tvm_class_key]))
print("Torch top-1 id: {}, class name: {}".format(top1_torch, key_to_classname[torch_class_key]))
输出结果：
Relay top-1 id: 281, class name: tabby, tabby cat
Torch top-1 id: 281, class name: tabby, tabby cat
下载 Jupyter Notebook：from_pytorch.ipynb
以上就是一文详解如何实现PyTorch 模型编译 的详细内容，更多关于PyTorch 模型编译 的资料请关注脚本之家其它相关文章！