如何使用PAI-Blade的SDK部署PyTorch模型_机器学习-阿里云帮助中心

PAI-Blade提供了C++ SDK帮助您部署优化后的模型。本文以PyTorch模型为例，介绍PAI-Blade的SDK的使用方法。

前提条件

已使用PAI-Blade对PyTorch模型进行了优化，详情请参见优化PyTorch模型。
已安装SDK并获取鉴权Token，详情请参见安装Blade。因为本文使用pre-cxx11 ABI的SDK，3.7.0版本的DEB包。

说明经过PAI-Blade优化的模型，必须依赖对应的SDK才能正常运行。

准备环境

本文以Ubuntu为例，介绍如何使用PAI-Blade的SDK部署PyTorch模型。

准备服务器。
本文使用如下配置的ECS实例：
- 实例规格：ecs.gn6i-c4g1.xlarge，T4 GPU
- 操作系统：Ubuntu 18.04 64位
- 设备：CUDA 10.0
- 显卡驱动：Driver 440.64.00
- GPU计算加速包：CUDNN 7.6.5

安装Python 3。

# 更新pip版本。
python3 -m pip install --upgrade pip

# 安装virtualenv，在虚拟环境中安装PyTorch。
pip3 install virtualenv==16.0
python3 -m virtualenv venv

# 激活virtuanenv。
source venv/bin/activate

部署模型推理

通过PAI-Blade的SDK加载并部署优化后的模型推理，您无需修改原代码逻辑，只需要在编译时链接上PAI-Blade的SDK中的库文件。

准备模型及测试数据。
本文使用已经优化好的示例模型进行演示，通过如下命令即可下载该模型。您也可以使用自己的优化模型，关于如何使用PAI-Blade优化模型，详情请参见优化PyTorch模型。
```
# 下载优化好的示例模型。
wget http://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/demo/sdk/pytorch/optimized_resnet50.pt
# 下载对应的测试数据。
wget http://pai-blade.oss-cn-zhangjiakou.aliyuncs.com/demo/sdk/pytorch/inputs.pth
```

下载并查看推理代码。

通过PAI-Blade优化后的模型，其执行过程与常规PyTorch模型相同，无需编写额外代码或配置额外信息。本文使用的推理代码如下所示。

#include <torch/script.h>
#include <torch/serialize.h>
#include <chrono>
#include <iostream>
#include <fstream>
#include <memory>

int benchmark(torch::jit::script::Module &module,
             std::vector<torch::jit::IValue> &inputs) {
  // warmup 10-iter
  for (int k = 0; k < 10; ++ k) {
    module.forward(inputs);
  }
  auto start = std::chrono::system_clock::now();
  // run 20-iter
  for (int k = 0; k < 20; ++ k) {
    module.forward(inputs);
  }
  auto end = std::chrono::system_clock::now();
  std::chrono::duration<double> elapsed_seconds = end-start;
  std::time_t end_time = std::chrono::system_clock::to_time_t(end);

  std::cout << "finished computation at " << std::ctime(&end_time)
            << "\nelapsed time: " << elapsed_seconds.count() << "s"
            << "\navg latency: " << 1000.0 * elapsed_seconds.count()/20 << "ms\n";
  return 0;
}

torch::Tensor load_data(const char* data_file) {
  std::ifstream file(data_file, std::ios::binary);
  std::vector<char> data((std::istreambuf_iterator<char>(file)), std::istreambuf_iterator<char>());
  torch::IValue ivalue = torch::pickle_load(data);
  CHECK(ivalue.isTensor());
  return ivalue.toTensor();
}

int main(int argc, const char* argv[]) {
  if (argc != 3) {
    std::cerr << "usage: example-app <path-to-exported-script-module> <path-to-saved-test-data>\n";
    return -1;
  }

  torch::jit::script::Module module;
  try {
    // Deserialize the ScriptModule from a file using torch::jit::load().
    module = torch::jit::load(argv[1]);
    auto image_tensor = load_data(argv[2]);

    std::vector<torch::IValue> inputs{image_tensor};
    benchmark(module, inputs);
    auto outputs = module.forward(inputs);
  }
  catch (const c10::Error& e) {
    std::cerr << "error loading the model" << std::endl << e.what();
    return -1;
  }

  std::cout << "ok\n";
}

请将上述示例代码保存到本地的torch_app.cc文件。

编译代码。
编译代码时，您需要链接libtorch相关库和SDK /usr/local/lib子目录下的SO文件（libtorch_blade.so和libral_base_context.so）。编译命令如下所示。
```
TORCH_DIR=$(python3 -c "import torch; import os; print(os.path.dirname(torch.__file__))")
g++ torch_app.cc -std=c++14 \
    -D_GLIBCXX_USE_CXX11_ABI=0 \
    -I ${TORCH_DIR}/include \
    -I ${TORCH_DIR}/include/torch/csrc/api/include \
    -Wl,--no-as-needed \
    -L /usr/local/lib \
    -L ${TORCH_DIR}/lib \
    -l torch -l torch_cuda -l torch_cpu -l c10 -l c10_cuda \
    -l torch_blade -l ral_base_context \
    -o torch_app
```
您可以根据实际情况修改如下参数：
- torch_app.cc：推理代码的文件名。
- /usr/local/lib：SDK的安装路径，通常无需修改。
- torch_app：编译生成的可执行程序名。
在某些版本的系统和编译器中，需要加上第6行的内容（-Wl,--no-as-needed \），以保证链接生效。
注意
- 根据您使用的libtorch ABI版本，正确配置GLIBCXX_USE_CXX11_ABI宏的值。二者的关系请参见安装Blade的SDK。
- PAI-Blade提供的CUDA 10.0的PyTorch是使用GCC 7.5编译的。如果使用CXX11 ABI，则务必确认GCC的版本。如果使用 Pre-CXX11 ABI，则不会有问题。
本地执行模型推理。
您可以参考如下命令，使用编译好的可执行程序（torch_app）加载并执行PAI-Blade优化好的示例模型（optimized_resnet50.pt）。
```
export BLADE_REGION=<region>    # Region: cn-beijing, cn-shanghai for example.
export BLADE_TOKEN=<token>
export LD_LIBRARY_PATH=/usr/local/lib:${TORCH_DIR}/lib:${LD_LIBRARY_PATH}
./torch_app  optimized_resnet50.pt inputs.pth                      
```
您需要根据实际情况替换以下参数：
- <region>：PAI-Blade支持的地域，需要加入PAI-Blade用户群获取该信息，用户群的二维码详情请参见获取Token。
- <token>：鉴权Token，需要加入PAI-Blade用户群获取该信息，用户群的二维码详情请参见获取Token。
- torch_app：上一步中编译好的可执行程序。
- optimized_resnet50.pt：PAI-Blade优化好的PyTorch模型，本文使用步骤1中下载的示例模型。
- inputs.pth：步骤1中下载的测试数据。
系统回显如下类似结果，表示模型已经顺利地开始执行了。
```
finished computation at Wed Jan 27 20:03:38 2021

elapsed time: 0.513882s
avg latency: 25.6941ms
ok
```