本文介绍Paddle2.0动转静功能，能兼顾动态图调试方便与静态图部署高效的优势。通过实例展示动态图转静态图、导出推理模型及部署过程，并测试不同部署方式的效率。在CPU平台用U2Netp模型测试，动态图耗时2.1827s，而动转静结合PaddleInference与mkldnn仅需0.5750s，还含完整操作步骤。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
引入
- 动态图方便调试，静态图方便部署，各有各的优点，该选啥呢？
- 你是不是还在纠结上面的问题，小孩子才做选择，大人表示我全都要
- 通过Paddle2.0的动转静功能，就能比较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
- 这么好的功能，还不赶紧学起来！
项目说明
- 本项目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
- 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
- 下面就通过实例讲解一下如何使用动态图模型实现模型预测
In [1]
# 模型预测import osimport timeimport 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('data/data64051/u2netp.pdparams'))# 将模型设置为评估状态model.eval()
x = paddle.randn([1, 3, 320, 320])# 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]
In [2]
# 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
- 下面就通过实际的代码和速度测试感受一下吧
In [4]
# 定义输入数据input_spec = paddle.static.InputSpec([None, 3, 320, 320], 'float32', 'image')# 动态图转静态图model = paddle.jit.to_static(model, input_spec=[input_spec])# 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]
In [5]
# 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
- 接下来还是看代码实际演示一下吧
In [6]
# 保存推理模型paddle.jit.save(model, 'inference_models/u2netp')# 打印保存的模型文件名print(os.listdir('inference_models'))
['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
在AIStudio平台上使用就更加方便了，点击右侧可视化
选择刚才保存后缀为.pdmodel的模型文件
然后启动服务即可查看模型的计算图结构了
-
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：
In [7]
model = paddle.jit.load('inference_models/u2netp')
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]
In [8]
# 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PaddleInference来进行模型推理
- 更多详情请参考我的另一个项目：PaddleQuickInference
In [ ]
# 安装PaddleQuickInference!pip install ppqi -i https://pypi.python.org/simple
In [9]
# 不启用MKLDNN加速import numpy as npfrom ppqi import InferenceModel
model = InferenceModel(
modelpath='inference_models/u2netp',
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)
In [10]
# 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
In [11]
# 启用MKLDNN加速model = InferenceModel(
modelpath='inference_models/u2netp',
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)
In [12]
# 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
In [2]
%matplotlib inlineimport cv2import timeimport numpy as npimport matplotlib.pyplot as pltfrom ppqi import InferenceModelfrom processor import preprocess, postprocess# 输入输出设置img_path = 'test.bmp'output_dir = 'output'# 数据预处理img = preprocess(img_path)# 加载模型model = InferenceModel(
modelpath='inference_models/u2netp',
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
