TorchScript 基础: 追踪与脚本化

PyTorch 模型训练完成后，要将其部署到生产环境或嵌入到应用程序中，需要一种不依赖 Python 运行时、可序列化且针对推理进行优化的格式。TorchScript 通过将 PyTorch 模型转换为中间表示 (IR) 来实现这一功能，该 IR 可以在 C++ 服务器或移动设备等环境中保存、加载和执行，而无需 Python 依赖。

TorchScript 在 PyTorch 灵活的即时执行模式（其中操作按照 Python 中的定义立即运行）与部署环境通常需要的静态图和性能优化之间架起了一座桥梁。它通过两种主要方法实现此目的：追踪和脚本化。了解这两种方法的区别对于有效使用 TorchScript 进行模型部署是十分重要的。

使用 torch.jit.trace 进行追踪

追踪通过使用一组示例输入执行 PyTorch 模型，并记录在此特定执行过程中执行的操作序列来运作。这个被记录的序列，或称“追踪”，随后被转换为封装在 torch.jit.ScriptModule 中的静态图表示。

工作原理： 当你调用 torch.jit.trace(model, example_inputs) 时，PyTorch 会使用所提供的 example_inputs 运行模型的 forward 方法。每次操作执行时，PyTorch 都会对其进行记录。生成的 ScriptModule 本质上包含该单次前向传播期间计算图的冻结快照。

示例：

import torch
import torch.nn as nn

class SimpleModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(10, 5)

    def forward(self, x):
        # 简单、直接的计算
        return torch.relu(self.linear(x))

# 实例化模型
model = SimpleModel()
model.eval() # 设置为评估模式

# 提供示例输入
example_input = torch.randn(1, 10)

# 追踪模型
traced_model = torch.jit.trace(model, example_input)

print(traced_model.code) # 打印生成的 TorchScript 代码（通常与追踪结果相似）
print(traced_model.graph) # 打印底层图表示

# 测试追踪后的模型
output = traced_model(example_input)
print("输出形状:", output.shape)

追踪的优点：

• 简便性： 通常易于应用，仅需模型和示例输入。
• 现有代码： 对许多现有模型运行良好，无需代码修改，只要其结构是静态的。

追踪的局限性： 追踪的主要局限在于它无法捕获数据依赖的控制流。因为追踪只记录针对特定示例输入执行的操作，所以任何行为依赖于输入张量值的条件语句 (if) 或循环 (for、while) 都不会在追踪图中正确表示。追踪只包含示例输入所采用的路径。

考虑这个修改后的模型：

class ControlFlowModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1 = nn.Linear(10, 5)
        self.linear2 = nn.Linear(5, 1)

    def forward(self, x):
        x = torch.relu(self.linear1(x))
        # 数据依赖的控制流
        if x.mean() > 0.5:
            return self.linear2(x)
        else:
            return torch.zeros_like(self.linear2(x))

model_cf = ControlFlowModel()
model_cf.eval()

# 示例输入 1（可能触发 'if' 分支）
input1 = torch.randn(1, 10) * 2
traced_model_cf1 = torch.jit.trace(model_cf, input1)

# 示例输入 2（可能触发 'else' 分支）
input2 = torch.randn(1, 10) * -2
# 注意：使用 input2 进行追踪会产生 *不同* 的追踪结果！

print(f"输入 1 均值: {input1.mean().item()}")
print(f"输入 2 均值: {input2.mean().item()}")

# 将两个输入都通过使用 input1 追踪的模型运行
output1_trace1 = traced_model_cf1(input1)
output2_trace1 = traced_model_cf1(input2) # 如果 input2 走 'else' 路径，这很可能是错误的

print(f"输入 1 的输出（用 input1 追踪）: {output1_trace1.item()}")
print(f"输入 2 的输出（用 input1 追踪）: {output2_trace1.item()}") # 无论 input2 的均值如何，都遵循追踪到的路径

# 与即时执行进行比较
output1_eager = model_cf(input1)
output2_eager = model_cf(input2)
print(f"输入 1 的输出（即时执行）: {output1_eager.item()}")
print(f"输入 2 的输出（即时执行）: {output2_eager.item()}") # 正确使用了 'else' 路径

在上面的示例中，traced_model_cf1 总是会执行使用 input1 追踪时记录的操作序列，无论新输入是否应该实际触发 else 分支。

使用 torch.jit.script 进行脚本化

脚本化采取了不同的方法。torch.jit.script 不会执行代码并记录操作，而是直接使用 TorchScript 编译器分析你的 Python 源代码。该编译器能够识别 Python 语言的一个子集（包括 if、for、while 等控制流结构），并将其转换为 TorchScript IR。

工作原理： You可以通过在函数或整个 nn.Module 类上使用 @torch.jit.script 装饰器，或通过在实例或函数上调用 torch.jit.script() 来应用脚本化。编译器会解析 Python 代码，检查与 TorchScript 语言子集的兼容性，并生成一个 ScriptModule 或 ScriptFunction，它准确地表示了原始逻辑，包括控制流。

示例： 让我们对 ControlFlowModel 进行脚本化：

# 沿用之前的 ControlFlowModel 类

model_cf = ControlFlowModel()
model_cf.eval()

# 脚本化模型实例
scripted_model = torch.jit.script(model_cf)

print(scripted_model.code) # 打印 TorchScript 代码，包括 if/else

# 使用不同输入进行测试
input1 = torch.randn(1, 10) * 2
input2 = torch.randn(1, 10) * -2

print(f"\n输入 1 均值: {input1.mean().item()}")
print(f"输入 2 均值: {input2.mean().item()}")

output1_script = scripted_model(input1)
output2_script = scripted_model(input2)

print(f"输入 1 的输出（脚本化）: {output1_script.item()}")
print(f"输入 2 的输出（脚本化）: {output2_script.item()}") # 正确处理了控制流

# 与即时执行进行比较（应该匹配）
output1_eager = model_cf(input1)
output2_eager = model_cf(input2)
print(f"输入 1 的输出（即时执行）: {output1_eager.item()}")
print(f"输入 2 的输出（即时执行）: {output2_eager.item()}")

正如你所见，脚本化的模型正确处理了数据依赖的控制流，因为 if/else 逻辑被编译器直接翻译了。

脚本化的优点：

• 处理控制流： 精确捕获数据依赖的条件逻辑和循环。
• 通用性： 生成更通用的模型表示，不与转换期间使用的特定输入形状或值绑定。
• 稳定性： 更适合具有动态行为的复杂模型。

脚本化的局限性：

• Python 子集： 要求代码符合 TorchScript 语言子集。并非所有 Python 功能或库都受支持（例如，任意外部库调用、高度动态的元编程）。你可能需要重构部分模型代码才能使其可脚本化。
• 调试： 编译器错误有时可能不如标准 Python 错误直观，需要仔细检查有问题的代码段。

追踪与脚本化的选择

追踪和脚本化之间的选择主要取决于模型 forward 方法的性质：

根据模型控制流决定使用 TorchScript 追踪还是脚本化。

• 在以下情况下使用追踪（torch.jit.trace）：
  • 你的模型或模块不含数据依赖的控制流。
  • 计算图是静态的，无论输入值如何（尽管如果适当追踪，它可以依赖输入形状）。
  • 你希望快速捕获简单模块的操作。
• 在以下情况下使用脚本化（torch.jit.script）：
  • 你的模型包含 if 语句、for 循环或其行为依赖于所处理张量值的其他结构。
  • 你需要一种能够在不同输入下正确运行的表示，这些输入可能触发不同的执行路径。
  • 你愿意确保代码符合 TorchScript 子集。

混合方法： 也可以混合使用追踪和脚本化。你可以脚本化一个内部调用追踪子模块的模块，反之亦然。通常，你可能会脚本化包含控制流的主模型，并在其中追踪更简单、静态的组件。

序列化与使用

一旦你拥有了一个 ScriptModule（无论是通过追踪还是脚本化获得），你就可以方便地将其保存到文件并稍后加载，可能在不同的环境中：

# 保存脚本化模型
torch.jit.save(scripted_model, 'control_flow_model.pt')

# 稍后加载模型（可能在另一个进程或 C++ 中）
loaded_model = torch.jit.load('control_flow_model.pt')
loaded_model.eval()

# 使用加载的模型
output_loaded = loaded_model(input2)
print(f"加载模型的输出: {output_loaded.item()}")

这个保存的 .pt 文件包含模型的架构、参数以及执行所需的 TorchScript 代码/图，使其成为一个用于部署的自包含工件。

掌握 TorchScript，特别是追踪和脚本化之间的区别，是使你的 PyTorch 模型为在生产环境中进行高效且稳定部署做准备的重要一步。通过选择合适的方法，你可以创建优化的、独立的模型版本，以进行推理。