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
LiJieNiub17 小时前
基于 PyTorch 实现 MNIST 手写数字识别
pytorch·深度学习·学习
chxin1401618 小时前
Transformer注意力机制——动手学深度学习10
pytorch·rnn·深度学习·transformer
MYX_30918 小时前
第五章 神经网络的优化
pytorch·深度学习·神经网络·学习
久未21 小时前
Pytorch autoload机制自动加载树外扩展(Autoload Device Extension)
人工智能·pytorch·python
西柚小萌新1 天前
【深入浅出PyTorch】--7.1.PyTorch可视化1
人工智能·pytorch·python
一车小面包1 天前
Transformers中从 logits 本质到问答系统中的字符定位机制
pytorch·python·深度学习
西柚小萌新1 天前
【深入浅出PyTorch】--上采样+下采样
人工智能·pytorch·python
dlraba8021 天前
PyTorch 模型部署实战:用 Flask 搭图像分类 API
pytorch·分类·flask
西柚小萌新2 天前
【深入浅出PyTorch】--6.2.PyTorch进阶训练技巧2
人工智能·pytorch·python
Kaydeon2 天前
【AIGC】50倍加速!NVIDIA蒸馏算法rCM:分数正则化连续时间一致性模型的大规模扩散蒸馏
人工智能·pytorch·python·深度学习·计算机视觉·aigc