标签：动转静 Paddle2.0 模型 320 动态图 time path model

引入

• 动态图方便调试，静态图方便部署而且效率较高，各有各的优点
• 通过 Paddle2.0 的动转静功能，就能相对完美的兼顾这两者的优势
• 实现用动态图进行训练调试，训练完成后使用静态图模型进行部署
• 本文将通过一个实例来展示如何将一个动态图模型转换至静态图
• 并且通过导出的推理模型来完成模型的部署
• 并测试不同方式下的模型运行效率

动态图vs静态图

• 首先简单的介绍一下这两者的区别：
  • 静态图：计算之前先构建计算图，然后按照计算图进行计算，运行效率高，但调试比较麻烦
  • 动态图：计算的同时构建计算图，运行效率稍低，但是调试方便

运行速度对比

• 通过实测，在 AIStudio 的CPU平台上，不同方式部署的速度如下表
• 使用的模型为U2Netp
• 测试使用的输入均为Batch size为1的320*320分辨率的三通道数据
• 均测量第二次运行时的消耗时间，因为第一运行时可能需要一些额外的处理误差较大
• 通过内置计时测量，结果可能存在些许误差

动态图	动转静(paddle.jit.load)	动转静(PaddleInference)	动转静(PaddleInference+MKLDNN)
2.1827 s	1.9110 s	1.8756 s	0.5750 s

动态图模型

• 对于一个训练完成的动态图模型，一般由如下几个部分组成：
  • 模型代码——用于构建模型
  • 模型参数文件——用于保存模型参数
• 所以加载一个动态图模型一般如下几步：
  • 实例化模型
  • 加载模型参数
  • 根据需要切换模型状态
• 具体的加载方法如下：

# 模型预测
import os
import time
import paddle

# 从模型代码中导入模型
from u2net import U2NETP

# 实例化模型
model = U2NETP()

# 加载预训练模型参数
model.set_dict(paddle.load([path to the pretrained model]))

# 将模型设置为评估状态
model.eval()

# 准备模型输入
x = paddle.randn([1, 3, 320, 320])

# 模型预测
d0, _, _, _, _, _, _ = model(x)

# 打印输出的形状
print(d0.shape)

[1, 1, 320, 320]

# 计算预测时间
start = time.time()
out = model(x)
end = time.time()
print('predict time: %.04f s' % (end - start))

predict time: 2.3866 s

模型动转静

• 在Paddle2.0中，通过paddle.jit.to_static即可快速的将模型转换为静态图模型
• 只需要简单的加上几行代码，就能完成转换
• 而且转换之后可以直接像使用动态图模型那样使用
• 不仅非常方便，而且运行速度也会有一定的提升
• 具体的转换代码如下：

# 定义输入数据
input_spec = paddle.static.InputSpec(shape=[None, 3, 320, 320], dtype='float32', name='image')

# 动态图转静态图
model = paddle.jit.to_static(model, input_spec=[input_spec])

# 模型预测
d0, _, _, _, _, _, _ = model(x)

# 打印输出的形状
print(d0.shape)

[1, 1, 320, 320]

# 计算预测时间
start = time.time()
out = model(x)
end = time.time()
print('predict time: %.04f s' % (end - start))

predict time: 1.9833 s

静态图模型保存

• 除了直接使用转换完成的静态图模型之外
• 当然也是可以将转换后的模型进行保存的
• 保存的方法也非常简单，只需要调用Paddle.jit.save()即可
• 存储的模型结构如下：
  • .pdmodel：Program 文件
  • .pdiparams：存储的持久参数变量文件
  • .pdiparams.info 存储一些变量描述信息至文件，这些额外的信息将在fine-tune训练中使用
• 保存的代码如下：

# 保存推理模型
paddle.jit.save(model, [path to the save model])

# 打印保存的模型文件名
print(os.listdir([save dir]))

['u2netp.pdiparams.info', 'u2netp.pdiparams', 'u2netp.pdmodel']

模型可视化

• 通过VisualDL工具可以轻松的进行模型结构的可视化查看
• 选择刚才保存后缀为.pdmodel的模型文件
• 具体的可视化图像就像下图所示的那样：
  

静态图模型加载

• 加载这样的保存的模型也是非常简单的
• 只需要使用Paddle.jit.load()即可进行模型加载
• 代码如下：

model = paddle.jit.load([path to the save model])
model.eval()

# 模型预测
# 作为演示这里使用随机数作为输入
d0, _, _, _, _, _, _ = model(x)

# 打印输出的形状
print(d0.shape)

[1, 1, 320, 320]

# 计算预测时间
start = time.time()
out = model(x)
end = time.time()
print('predict time: %.04f s' % (end - start))

predict time: 1.9530 s

PaddleInference预测部署

• 导出的推理模型也可以使用PaddleInference高性能推理引擎来进行预测部署
• 在CPU平台下还可以手动开启MKLDNN进行加速，效率将进一步提高
• 下面就通过PaddleQuickInference进行快速部署
• 更多详情请参考我的另一个项目：PaddleQuickInference

# 安装PaddleQuickInference
!pip install ppqi -i https://pypi.python.org/simple

# 不启用MKLDNN加速
import numpy as np
from ppqi import InferenceModel

model = InferenceModel(
    modelpath=[path to the save model], 
    use_gpu=False, 
    use_mkldnn=False
)
model.eval()

x = np.random.randn(1, 3, 320, 320).astype('float32')

d0, _, _, _, _ ,_, _ = model(x)

# 打印输出的形状
print(d0.shape)

(1, 1, 320, 320)

# 计算预测时间
start = time.time()
out = model(x)
end = time.time()
print('predict time: %.04f s' % (end - start))

predict time: 1.8739 s

# 启用MKLDNN加速
model = InferenceModel(
    modelpath=[path to the save model], 
    use_gpu=False, 
    use_mkldnn=True
)
model.eval()

d0, _, _, _, _ ,_, _ = model(x)

# 打印输出的形状
print(d0.shape)

(1, 1, 320, 320)

# 计算预测时间
start = time.time()
out = model(x)
end = time.time()
print('predict time: %.04f s' % (end - start))

predict time: 0.5673 s

部署实例

• 接下来通过加入数据预处理和后处理来完成完整的模型推理部署

import cv2
import time
import numpy as np
import matplotlib.pyplot as plt

from ppqi import InferenceModel
from processor import preprocess, postprocess

# 输入输出设置
img_path = [path to the input image]
output_dir = [output dir]

# 数据预处理
img = preprocess(img_path)

# 加载模型
model = InferenceModel(
    modelpath=[path to the save model], 
    use_gpu=False, 
    use_mkldnn=True
)
model.eval()

# 模型推理
start = time.time()
d0, _, _, _, _ ,_, _ = model(img)
end = time.time()
print('predict time: %.04f s' % (end - start))

# 结果后处理
mask_path, result_path = postprocess(d0, img_path, output_dir)

# 图像显示
img = np.concatenate([
    cv2.imread(img_path),
    cv2.imread(mask_path),
    cv2.imread(result_path)
], 1)
plt.axis('off')
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.show()

predict time: 0.7955 s

总结

• 通过简单增加几行代码就可以将动态图模型转换为静态图模型
• 在运行效率上静态图的效率在大多数情况下会好于动态图
• 导出的推理模型也可以很方便的进行推理部署
• 当然目前动转静功能还不是特别的成熟，可能会出现一些bug
• 总之体验还不错，希望这个功能未来能越来越好

标签：动转静,Paddle2.0,模型,320,动态图,time,path,model
来源： https://blog.csdn.net/jm_12138/article/details/112396552

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。