LibTorch实战四：模型序列化

目录

在C++环境中加载一个TORCHSCRIP

[Step1： 将pytorch模型转为torch scrip类型的模型](#Step1： 将pytorch模型转为torch scrip类型的模型)

[1.1、基于Tracing的方法来转换为Torch Script](#1.1、基于Tracing的方法来转换为Torch Script)

[1.2、基于Annotating (Script)的方法来转换为Torch Script](#1.2、基于Annotating (Script)的方法来转换为Torch Script)

[Step2： 序列化torch.jit.ScriptModule类型的对象，并保存为文件](#Step2： 序列化torch.jit.ScriptModule类型的对象，并保存为文件)

[Step3： 在libtorch中加载ScriptModule模型](#Step3： 在libtorch中加载ScriptModule模型)

总结

---

在C++环境中加载一个TORCHSCRIP

一般地，类似python的脚本语言可用于算法快速实现、验证；但在产品化过程中，一般采用效率更高的C++语言，下面的工作就是将模型从python环境中移植到c++环境。

Step1： 将pytorch模型转为torch scrip类型的模型

通过TorchSript，我们可将pytorch模型从python转为c++。那么，什么是TorchScript呢？其实，它也是Pytorch模型的一种，这种模型能够被TorchScript的编译器识别读取、序列化。一般地，在处理模型过程中，我们都会先将模型转为torch script格式，例如：".pt" -> "yolov5x.torchscript.pt"。转为torchscript格式有两种方法：一是函数torch.jit.trace；二是函数torch.jit.script。

torch.jit.trace原理：基于跟踪机制，需要输入一张图(0矩阵、张量亦可)，模型会对输入的tensor进行处理，并记录所有张量的操作，torch::jit::trace能够捕获模型的结构、参数并保存。由于跟踪仅记录张量上的操作，因此它不会记录任何控制流操作，如if语句或循环。

torch.jit.script原理：需要开发者先定义好神经网络模型结构，即：提前写好 class MyModule(torch.nn.Module)，这样TorchScript可以根据定义好的MyModule来解析网络结构。

1.1、基于Tracing的方法来转换为Torch Script

如下代码，给 torch.jit.trace 函数输入一个指定size的随机张量、ResNet18的网络模型，得到一个类型为 torch.jit.ScriptModule 的对象，即：traced_script_module

import torch
import torchvision

# An instance of your model.
model = torchvision.models.resnet18()

# An example input you would normally provide to your model's forward() method.
example = torch.rand(1, 3, 224, 224)

# Use torch.jit.trace to generate a torch.jit.ScriptModule via tracing.
traced_script_module = torch.jit.trace(model, example)

经过上述处理，traced_script_module变量已经包含网络的结构和参数，可以直接用于推理，如下代码：

1 In[1]: output = traced_script_module(torch.ones(1, 3, 224, 224))
2 In[2]: output[0, :5]
3 Out[2]: tensor([-0.2698, -0.0381,  0.4023, -0.3010, -0.0448], grad_fn=<SliceBackward>)

1.2、基于Annotating (Script)的方法来转换为Torch Script

如果你的模型中有类似于控制流操作(例如：if or for循环)，基于上述tracing的方式不再适用，这种方式会排上用场，下面以vanilla模型为例子，注：下面网络结构中有个if判断。

# 定义一个vanilla模型
import torch

class MyModule(torch.nn.Module):
    def __init__(self, N, M):
        super(MyModule, self).__init__()
        self.weight = torch.nn.Parameter(torch.rand(N, M))

    def forward(self, input):
        if input.sum() > 0:
          output = self.weight.mv(input)
        else:
          output = self.weight + input
        return output

这里调用 torch.jit.script 来获取 torch.jit.ScriptModule 类型的对象，即：sm

class MyModule(torch.nn.Module):
    def __init__(self, N, M):
        super(MyModule, self).__init__()
        self.weight = torch.nn.Parameter(torch.rand(N, M))

    def forward(self, input):
        if input.sum() > 0:
          output = self.weight.mv(input)
        else:
          output = self.weight + input
        return output

my_module = MyModule(10,20)
sm = torch.jit.script(my_module)

Step2： 序列化torch.jit.ScriptModule类型的对象，并保存为文件

注：上述的tacing和script方法都将得到一个类型为torch.jit.ScriptModule的对象(这里简单记为：ScriptModule )，该对象就是常规的前向传播模块。不管是哪一种方法，此时，只需要将ScriptModule进行序列化保存就行。这里保存的是上述基于Tracing得到的ResNet推理模块traced_script_module。

traced_script_module.save("traced_resnet_model.pt") # 序列化，保存
# 保存后可用工具：https://netron.app/ 进行可视化

同理，如下是保存基于Annotating得到推理模块my_module 后续，在libtorch中加载上述保存的模型文件就行，不再依赖任何python包。

my_module.save("my_module_model.pt") # 为什么不是sm

Step3： 在libtorch中加载ScriptModule模型

如何配置libtorh？，我这里仅贴下vs环境下的属性表：

1 include：
2 D:\ThirdParty\libtorch-win-shared-with-deps-1.7.1+cu110\libtorch\include
4 D:\ThirdParty\libtorch-win-shared-with-deps-1.7.1+cu110\libtorch\include\torch\csrc\api\include
7 lib：
8 D:\ThirdParty\libtorch-win-shared-with-deps-1.7.1+cu110\libtorch\lib
9 
11 链接器：
12 c10.lib
13 c10_cuda.lib
14 torch.lib
15 torch_cpu.lib
16 torch_cuda.lib
17 
18 环境变量：
19 D:\ThirdParty\libtorch-win-shared-with-deps-1.7.1+cu110\libtorch\lib

以下c++代码加载上述模型文件

#include<torch/torch.h>
#include<torch/script.h>
#include<iostream>
#include<memory>

int main()
{
    torch::jit::script::Module module;
    std::string str = "traced_resnet_model.pt";
    try
    {
        module = torch::jit::load(str);
    }
    catch (const c10::Error& e)
    {
        std::cerr << "12313";
        return -1;
    }

    // 创建一个输入
    std::vector<torch::jit::IValue> inputs;
    inputs.push_back(torch::ones({ 1, 3, 224, 224 }));
    // 推理
    at::Tensor output = module.forward(inputs).toTensor();
    std::cout << output.slice(/*dim=*/1, /*start=*/0, /*end=*/5) << '\n';

    return 1;
}

总结

python模型的序列化、保存代码：

import torchvision
import torch

model = torchvision.models.resnet18()

example = torch.rand(1, 3, 224, 224)

traced_script_module = torch.jit.trace(model, example)

output = traced_script_module(torch.ones(1, 3, 224, 224))

#traced_script_module.save("traced_resnet_model.pt") # 和下面等价，格式名称不同，仅此而已，在libtorch中是一样的
traced_script_module.save("traced_resnet_model.torchscript.pt")
print()

libtorch的模型加载，推理代码：

#include<torch/torch.h>
#include<torch/script.h>
#include<iostream>
#include<memory>

int main()
{
    torch::jit::script::Module module;
    std::string str = "traced_resnet_model.pt";
    //std::string str = "traced_resnet_model.torchscript.pt"; // 和上面等价，模型格式而已
    try
    {
        module = torch::jit::load(str);
    }
    catch (const c10::Error& e)
    {
        std::cerr << "12313";
        return -1;
    }

    // 创建一个输入
    std::vector<torch::jit::IValue> inputs;
    inputs.push_back(torch::ones({ 1, 3, 224, 224 }));
    // 推理
    at::Tensor output = module.forward(inputs).toTensor();
    std::cout << output.slice(/*dim=*/1, /*start=*/0, /*end=*/5) << '\n';

    return 1;
}