TorchScript介绍
TorchScript是PyTorch模型推理部署的中间表示,可以在高性能环境libtorch(C ++)中直接加载,实现模型推理,而无需Pytorch训练框架依赖。torch.jit是torchscript Python语言包支持,支持pytorch模型快速,高效,无缝对接到libtorch运行时,实现高效推理。它是Pytorch中除了训练部分之外,开发者最需要掌握的Pytorch框架开发技能之一。trace使用
Torchscript使用分为两个部分分别是script跟trace,其中trace是跟踪执行步骤,记录模型调用推理时执行的每个步骤,代码演示如下:
classMyCell(torch.nn.Module):
def__init__(self):
super(MyCell,self).__init__()
self.linear=torch.nn.Linear(4,4)
defforward(self,x,h):
new_h=torch.tanh(self.linear(x)+h)
returnnew_h,new_h
my_cell=MyCell()
x,h=torch.rand(3,4),torch.rand(3,4)
traced_cell=torch.jit.trace(my_cell,(x,h))
print(traced_cell)
traced_cell(x,h)
print(traced_cell.graph)
运行结果如下:
MyCell(
original_name=MyCell
(linear):Linear(original_name=Linear)
)
跟踪执行结果
graph(%self.1:__torch__.MyCell,
%input:Float(3:4,4:1,requires_grad=0,device=cpu),
%h:Float(3:4,4:1,requires_grad=0,device=cpu)):
%19:__torch__.torch.nn.modules.linear.Linear=prim::GetAttr[name="linear"](%self.1)
%21:Tensor=prim::CallMethod[name="forward"](%19,%input)
%12:int=prim::Constant[value=1]()#D:/python/pytorch_openvino_demo/ch5/faster_rcnn2onnx.py0
%13:Float(3:4,4:1,requires_grad=1,device=cpu)=aten::add(%21,%h,%12)#D:/python/pytorch_openvino_demo/ch5/faster_rcnn2onnx.py0
%14:Float(3:4,4:1,requires_grad=1,device=cpu)=aten::tanh(%13)#D:/python/pytorch_openvino_demo/ch5/faster_rcnn2onnx.py0
%15:(Float(3:4,4:1,requires_grad=1,device=cpu),Float(3:4,4:1,requires_grad=1,device=cpu))=prim::TupleConstruct(%14,%14)
return(%15)
script部分使用
script是导出模型为中间IR格式文件,支持高性能libtorch C++部署,我们以torchvision中Mask-RCNN导出中间格式IR为例,代码演示如下:
importtorch
importtorchvisionastv
num_classes=3
model=tv.models.detection.maskrcnn_resnet50_fpn(
pretrained=False,progress=True,
num_classes=num_classes,
pretrained_backbone=True)
im=torch.zeros(1,3,*(1333,800)).to("cpu")
model.load_state_dict(torch.load("D:/gaobao_model.pth"))
model=model.to("cpu")
model.eval()
ts=torch.jit.script(model)
ts.save("gaobao.ts")
loaded_trace=torch.jit.load("gaobao.ts")
loaded_trace.eval()
withtorch.no_grad():
print(loaded_trace(list(im)))
最终得到torchscript文件,支持直接通过libtorch部署,其中通过torchscript C++部分加载的代码如下:
#include//One-stopheader.
#include
#include
intmain(intargc,constchar*argv[]){
if(argc!=2){
std::cerr<< "usage:example-app
" ;
return-1;
}
//DeserializetheScriptModulefromafileusingtorch::load().
torch::Modulemodule=torch::load(argv[1]);
std::vectorinputs;
inputs.push_back(torch::randn({4,8}));
inputs.push_back(torch::randn({8,5}));
torch::Tensoroutput=module.forward(std::move(inputs)).toTensor();
std::cout<< output << std::endl;
}
上面代码来自官方测试程序,特别说明一下!
审核编辑 :李倩
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。
举报投诉
-
开发
+关注
关注
0文章
343浏览量
40606 -
C++
+关注
关注
21文章
2066浏览量
72899 -
pytorch
+关注
关注
2文章
761浏览量
12831
原文标题:轻松学Pytorch之torchscript使用!
文章出处:【微信号:CVSCHOOL,微信公众号:OpenCV学堂】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
TorchScript model与eager model的性能区别
模型转换为TorchScript module。看一个具体的例子: 我们使用BERT(Bidirectional Encoder Representations from Transformers
TorchScript的重要特性和用途
PyTorch支持两种模式:eager模式和script模式。eager模式主要用于模型的编写、训练和调试,script模式主要是针对部署的,其包含PytorchJIT和TorchScript(一种
SVPWM的原理及法则推导和控制算法介绍
包含SVPWM的算法介绍,基本原理,以及详细的公式推导,详细的图表示意,是初学FOC,准备自己手写FOC库或者理解FOC算法的工程师的有利手册,手册中也简单介绍了SVPWM与SPWM的内在联系与区别。读者可自行推导公式后与手册结果进行对照。
发表于 10-07 09:13
有源功率因数校正技术介绍
本书系统地介绍了功率因数校正电路的原理和应用技术。书中详细介绍了单相功率因数校正电路原理及控制方法(包括CCM单相Boost 型功率因数校正电路、CRM单相Boost型功率因数校正电路、交错并联
发表于 09-19 07:12
pytorch模型转换需要注意的事项有哪些?
,并且可以更积极地进行优化。
支持什么格式的pytorch模型?
答:Sophon的PyTorch模型编译工具BMNETP只接受PyTorch的JIT模型JIT模型(TorchScript模型
发表于 09-18 08:05
yolov5s_v6.1_3output.torchscript.pt模型auto_cali一键量化工具执行报错的原因?
--include torchscript 得到 yolov5s_v6.1_3output.torchscript.pt文件
执行 ./gen_int8bmodel_nntc.sh BM1684 报错,参见
发表于 09-18 08:01
yolov5模型onnx转bmodel无法识别出结果如何解决?
= dummy_output,
)
3. onnx转化bmodel代码:
python3 -m bmnetp --model models/yolov5s.torchscript_bs1.pt --shapes
发表于 09-15 07:30
FreeRTOS详细介绍
1 学习和掌握一种RTOS
2 FreeRTOS的原理
3 TraceAlyzer工具介绍
4 IAR EWARM集成开发环境
5 基于NUCLEO-F401RE的OS实验
发表于 09-11 08:26
USB Class的介绍
USB类的概念
• USB CDC类
• 协议介绍
• STM32 USB CDC 应用介绍
• USB MSC类
• 协议介绍
• STM32 USB MSC应用介绍
发表于 09-08 06:47
评论