PAI-Blade提供了丰富的模型优化方法，您只需要在本地环境中安装Wheel包，即可通过调用Python API的方式进行模型优化。本文介绍如何使用PAI-Blade优化TensorFlow模型，所有实验结果均在NVidia T4卡上测得。

前提条件

  • 已安装TensorFlow及PAI-Blade的Wheel包，详情请参见安装Blade。
  • 已有训练完成的TensorFlow模型，本文使用一个公开的ResNet50模型。

优化TensorFlow模型

本文以一个公开的ResNet50模型为例，演示如何优化TensorFlow模型。您也可以对自己的TensorFlow模型进行优化。

  1. 导入PAI-Blade和其他依赖库。
    import os
import numpy as np
import tensorflow.compat.v1 as tf
import blade
  2. 编写一个简单的函数，用于下载待优化的模型和测试数据。
    虽然PAI-Blade支持没有测试数据的优化，即零输入优化，但是基于真实输入数据的优化结果会更加准确有效。因此，建议您提供测试数据。下载待优化的模型和测试数据的函数示例如下所示。
    def _wget_demo_tgz():
    # 下载一个公开的resnet50模型。
    url = 'http://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/demo/mask_rcnn_resnet50_atrous_coco_2018_01_28.tar.gz'
    local_tgz = os.path.basename(url)
    local_dir = local_tgz.split('.')[0]
    if not os.path.exists(local_dir):
        blade.util.wget_url(url, local_tgz)
        blade.util.unpack(local_tgz)
    model_path = os.path.abspath(os.path.join(local_dir, "frozen_inference_graph.pb"))
    graph_def = tf.GraphDef()
    with open(model_path, 'rb') as f:
        graph_def.ParseFromString(f.read())
    # 以随机数作为测试数据。
    test_data = np.random.rand(1, 800,1000, 3)
    return graph_def, {'image_tensor:0': test_data}

graph_def, test_data = _wget_demo_tgz()
  3. 调用blade.optimize函数进行模型优化，详细的参数解释请参见Python接口文档。模型优化的代码示例如下。
    input_nodes=['image_tensor']
output_nodes = ['detection_boxes', 'detection_scores', 'detection_classes', 'num_detections', 'detection_masks']

optimized_model, opt_spec, report = blade.optimize(
    graph_def,                 # 待优化的模型，此处是tf.GraphDef, 也可以配置为SavedModel的路径。
    'o1',                      # 优化级别，o1或o2。
    device_type='gpu',         # 目标设备，gpu/cpu/edge。
    inputs=input_nodes,        # 输入节点，也可以不提供，PAI-Blade会自行推断。
    outputs=output_nodes,      # 输出节点。
    test_data=[test_data]      # 测试数据。
)
    blade.optimize函数返回的三个对象，分别如下所示：
    • optimized_model：优化完成的模型，本文为tf.GraphDef。
    • opt_spec：包含复现优化结果需要的配置信息、环境变量及资源文件等，通过with语句可以使其生效。
    • report：优化报告，可以直接打印。关于报告中的参数解释，详情请参见优化报告。
    优化过程中，您可以看到如下类似的优化进度。
    [Progress] 5%, phase: user_test_data_validation.
[Progress] 10%, phase: test_data_deduction.
[Progress] 15%, phase: CombinedSwitch_1.
[Progress] 24%, phase: TfStripUnusedNodes_22.
[Progress] 33%, phase: TfStripDebugOps_23.
[Progress] 42%, phase: TfFoldConstants_24.
[Progress] 51%, phase: CombinedSequence_7.
[Progress] 59%, phase: TfCudnnrnnBilstm_25.
[Progress] 68%, phase: TfFoldBatchNorms_26.
[Progress] 77%, phase: TfNonMaxSuppressionOpt_27.
[Progress] 86%, phase: CombinedSwitch_20.
[Progress] 95%, phase: model_collecting.
  4. 打印优化报告。
    print("Report: {}".format(report))
    在优化报告中可以看到主要的效果源于哪些优化项，如下所示。
    Report: {
  // ......
  "optimizations": [
    // ......
    {
      "name": "TfNonMaxSuppressionOpt",
      "status": "effective",
      "speedup": "1.58",        // 加速比。
      "pre_run": "522.74 ms",   // 优化前延迟。
      "post_run": "331.45 ms"   // 优化后延迟。
    },
    {
      "name": "TfAutoMixedPrecisionGpu",
      "status": "effective",
      "speedup": "2.43",
      "pre_run": "333.30 ms",
      "post_run": "136.97 ms"
    }
    // ......
  ],
  // 端到端优化结果。
  "overall": {
    "baseline": "505.91 ms",    // 原始模型延迟。
    "optimized": "136.83 ms",   // 优化后模型延迟。
    "speedup": "3.70"           // 加速比。
  },
  // ......
}
  5. 对比优化前后的性能。
    import time

def benchmark(model):
    tf.reset_default_graph()
    with tf.Session() as sess:
        sess.graph.as_default()
        tf.import_graph_def(model, name="")
        # Warmup!
        for i in range(0, 1000):
            sess.run(['image_tensor:0'], test_data)
        # Benchmark!
        num_runs = 1000
        start = time.time()
        for i in range(0, num_runs):
            sess.run(['image_tensor:0'], test_data)
        elapsed = time.time() - start
        rt_ms = elapsed / num_runs * 1000.0
        # Show the result!
        print("Latency of model: {:.2f} ms.".format(rt_ms))

# 对原模型测速。
benchmark(graph_def)

# 对优化后的模型测速。
with opt_spec:
    benchmark(optimized_model)
    性能实测结果如下，该结果与优化报告中的值基本一致。
    Latency of model: 530.26 ms.
Latency of model: 148.40 ms.

扩展

blade.optimize函数的model参数支持多种形式的模型输入。对于TensorFlow模型，支持以下三种方式传入模型：
  • 直接传入tf.GraphDef对象
  • 从文件加载PB或PBTXT格式的Frozen PB
  • 从指定路径导入SavedModel
在本文示例中，为blade.optimize函数传入了内存中的tf.GraphDef对象。另外两种方式可以参考如下代码：
  • 传入Fronzen PB文件
    optimized_model, opt_spec, report = blade.optimize(
    './path/to/frozen_pb.pb',  # 也可以为.pbtxt格式。
    'o1',
    device_type='gpu',
)
  • 传入SavedModel路径
    optimized_model, opt_spec, report = blade.optimize(
    './path/to/saved_model_directory/',
    'o1',
    device_type='gpu',
)

后续步骤

经过PAI-Blade优化的模型，您可以通过Python直接执行或部署为PAI-EAS服务。此外，PAI-Blade也提供了C++ SDK，以便您将优化后的模型集成到自己的应用中，详情请参见使用SDK部署TensorFlow模型推理。