经验分享使用 Rp 类对 pytorch 算子作替换操作
Posted 极智视界
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了经验分享使用 Rp 类对 pytorch 算子作替换操作相关的知识,希望对你有一定的参考价值。
本教程记录了使用 Rp 类对 pytorch 算子作替换操作。
现在的 AI 训练框架众多,主流还是 tf 和 pytorch,部署框架也很多,如 TRT、Openvino、TVM、NCNN、Tengine。。。在训练和部署之间,往往还需要你再做一件事,那就是模型转换,特别是像海思、昇腾、比特大陆之类,都会优先支持 caffe,但是现在谁训练还在用 caffe 呢。
ONNX 的出现就是为了解决以上的 Gap,但 ONNX 对于一些自研网络又往往做不到全覆盖。所以学习一些模型转换的技巧也是需要的。
这里介绍一下 from_pytorch 进行模型转换时进行算子替换的方法,主要使用了 Rp 类来实现。
Rp 类的定义如下:
class Rp(object):
def __init__(self, raw, replace, **kwargs):
self.obj = replace
self.raw = raw
def __call__(self, *args, **kwargs):
if not NET_INITTED:
return self.raw(*args, **kwargs)
for stack in traceback.walk_stack(None):
if 'self' in stack[0].f_locals:
layer = stack[0].f_locals['self']
if layer in layer_names:
log.pytorch_layer_name = layer_names[layer]
print('984', layer_names[layer])
break
out = self.obj(self.raw, *args, **kwargs)
return out
以 sigmoid 算子为例,使用 Rp 类对 torch.sigmoid
进行替换操作的姿势如下:
torch.sigmoid = Rp(torch.sigmoid, _sigmoid)
其中 _sigmoid
你可以自己根据目标框架的需求格式进行自定义,_sigmoid
替换了原生 torch.sigmoid
的实现。
例如,我这里的目标是将 pytorch 模型转换为结构清晰的 json 格式的模型结构文件,以备推理框架的调用,可以像下面这么来写_sigmoid
:
def _sigmoid(raw, input):
x = raw(input)
INLINE = True
name = log.add_layer(name="sigmoid_")
log.add_blobs([x], name=name)
LayerOut_id[int(id(x))] = name
# no weight to extract
# add json params
sigmoid_params = dict({"layerStyle": "activation",
"layerName": name,
"inputName": log.blobs(input),
"active_type": "kSIGMOID"})
js.data['network'].append(sigmoid_params)
INLINE = False
return x
收工~
扫描下方二维码即可关注我的微信公众号【极智视界】,获取更多AI经验分享,让我们用极致+极客的心态来迎接AI !
以上是关于经验分享使用 Rp 类对 pytorch 算子作替换操作的主要内容,如果未能解决你的问题,请参考以下文章
经验分享pytorch 与 darknet 计算卷积输出 shape 方式对比