pytorch 模型部署

AI模型部署基本步骤

在训练好模型后,需要将模型进行部署,一般情况下,AI模型部署基本步骤有:

  • 获取模型文件
  • 对模型进行转换,也就是所谓的parse或者convert
  • 针对转换后的模型进行优化,可能涉及很多优化步骤
  • 在特定平台上运行转化后的模型,保障模型的精度、性能

常见的模型部署推理框架:

  • Caffeine,纯c++编写
  • libtorch(torchscript): pytorch的c++版。pytorch训练出来的模型,经员工torch.jit.trace或者torch.jit.script可以导出为.pt格式,随用通过libtorch中的API加载运行。一般结合TensorRT来部署,TensorRT负责简单卷积层等操作部分,libtorch负责后处理等细小复杂op部分。
  • TensorRT,可以再NVIDIA各种GPU硬件平台下运行的c++推理框架。 在GPU服务器上部署的话,TensorRT是首选;
  • openVINO, 在英特尔CPU端(也就是我们常用的x86处理器)部署首选它
  • NCNN/MNN/TNN/TVM,在移动端部署的推理框架,据说NCNN为首选,因其简单、直观明了。
  • paddlepaddle:国产不错的训练和推理框架;

AI部署中提速方法

上述AI模型部署步骤也提到,对模型进行优化,有哪些优化点呢?

  • 模型结构
  • 剪枝
  • 蒸馏
  • 稀疏化训练
  • 量化训练
  • 算子融合、计算图优化
  • 底层优化
1. 模型结构

模型结构主要体现在更快更强的网络结构,比如ResNet相比于VGG,CenterNet相比于YOLOv3。这块没研究透,后续再探;

2. 剪枝

大模型的基础上,对模型通道或者模型结构进行有目的地修剪,剪掉对模型推理贡献不是很重要的地方,保障精度下降很少或者几乎不变。

3. 蒸馏

先用大网络训练,然后再用大网络调教小网络,使小网络接近大网络的精度。

4. 稀疏化

就是随机将tensor中的部分元素置为0,比如常见的dropout,附带正则化作用的同时也减少了模型的容量,从而加快了模型的推理速度。

5. 量化训练

量化训练是在INT8精度的基础上对模型进行量化。简称QTA(Quantization Aware Training)。量化后的模型在特定CPU或者GPU上相比FP32、FP16有更高的速度和吞吐,也是部署提速方法之一。

模型训练后的转换方式

相关推荐
星期天要睡觉9 小时前
模型部署——Flask 部署 PyTorch 模型
pytorch·python·flask
西柚小萌新10 小时前
【深入浅出PyTorch】--4.PyTorch基础实战
人工智能·pytorch·python
小虎鲸0011 小时前
PyTorch的安装与使用
人工智能·pytorch·python·深度学习
weixin_4334176715 小时前
PyTorch&TensorFlow
人工智能·pytorch·tensorflow
lyx33136967591 天前
#深度学习基础:神经网络基础与PyTorch
pytorch·深度学习·神经网络·参数初始化
递归不收敛1 天前
吴恩达机器学习课程(PyTorch 适配)学习笔记:3.3 推荐系统全面解析
pytorch·学习·机器学习
JJJJ_iii1 天前
【深度学习03】神经网络基本骨架、卷积、池化、非线性激活、线性层、搭建网络
网络·人工智能·pytorch·笔记·python·深度学习·神经网络
JJJJ_iii1 天前
【深度学习05】PyTorch:完整的模型训练套路
人工智能·pytorch·python·深度学习
荼蘼1 天前
使用 Flask 实现本机 PyTorch 模型部署:从服务端搭建到客户端调用
人工智能·pytorch·python
罗橙7号2 天前
【pyTorch】关于PyTorch的高级索引机制理解
人工智能·pytorch·python