Paddle2.0：使用动转静完成模型部署

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

# 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