目前主流深度学习框架支持的编程方式有两种，分别为动态图和静态图。动态图的Pythonic编程体验更佳、更易调试，但性能方面与静态图有一定差距。静态图先组网再执行，预先拥有完整网络结构，更利于全局优化，虽调试难度大，但执行性能更佳。
百度飞桨采用动静统一的技术架构设计，提供了动转静（@to_static）模块功能，支持用户动态图编程，并可一键切换静态图训练和部署。2022年11月，飞桨框架 2.4 版本(以下简称飞桨v2.4)正式发布，动转静“转换成功率”和“训练性能”迎来全面升级，带来了全新的用户使用体验。
动转静成功率明显提升，一键转换成功率达到92.1%。
动转静训练加速效果明显，重点模型训练可提速18%+。
一键转静成功率明显提升
动转静的转换成功率是动转静功能的一个重要指标，与用户的使用体验息息相关，飞桨v2.4从“动转静语法完善”和“API动静行为统一”两个方面进行了重点优化和升级：
动转静语法完善
JIT 式动态执行
新增 Shape、Len、Attr、List、Unpack、Indexable等JIT 形式接口，提升语法转写的鲁棒性。
控制流语法重构
重构了控制流IF/For/While语法转写逻辑，完备支持复杂嵌套场景下变量名解析等疑难问题。
关键字语法优化
优化了控制流中提前return、break、continue 等关键字语法转写机制，有效减少了静态图中间表示多余算子的引入，提升执行效率。
API动静行为统一
属性参数可变
完成了20多个中高频动态图API参数的升级，如
Reduce系列的paddle.mean/sum/max/min API的参数 axis ，新增支持为Tensor类型，动态可变。
接口动静统一
补齐了Tensor类静态图下缺失的接口，升级了paddle.to_tensor、paddle.grad等高频API 功能，支持静态图调用。
Einsum 升级
实现了动静统一爱因斯坦求和算子，并支持Python二元、多元输入，训推一体。
动转静成功率和语法支持度
飞桨v2.4下，动转静具备了更丰富的语法支持，Python语法支持比例达到了90%，在80多个外部用户真实论文复现模型集合上，动转静一键转写成功率提升至92.1%，功能完备性和易用性都有明显提升。
如下是一个动转静导出预测模型的样例代码：
import paddle
class SimpleNet(paddle.nn.Layer):
def __init__(self):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
@paddle.jit.to_static # step 1： 添加装饰器
def forward(self, x):
out = self.linear(x)
out = out + 1
return out
net = SimpleNet()
train(net) # 此处略去了训练过程
# step 2: 切换到 eval() 模式
net.eval()
# step 3: 调用 jit.save 接口
paddle.jit.save(net, path='./simple_net')执行上述代码样例后，在当前目录下会生成三个文件，即代表成功导出预测模型：
simple_net.pdiparams // 存放模型中所有的权重数据
simple_net.pdmodel // 存放模型的网络结构
simple_net.pdiparams.info // 存放额外的其他信息动转静导出模型一般包括三个步骤：
添加装饰器
将@to_static装饰器装饰在forward函数上。
切换 eval 模式
如Dropout 、LayerNorm 接口在 train() 和 eval() 模式下行为存在较大的差异，在模型导出前，请务必确认模型已切换到正确的模式。
调用 save 接口
调用 paddle.jit.save接口导出其对应的模型文件和参数文件。
飞桨动转静@to_staitc更多功能用法，可参考【扩展阅读—动转静使用样例】
动转静训练加速效果明显
在飞桨框架中，通常情况下使用动态图训练即可满足大部分场景需求。飞桨v2.4优化了动转静训练的相关逻辑，面向重点模型，动态图训练的性能已经可以和静态图媲美，例如在ResNet50、Transformer、YOLOv3等模型上，动转静训练相较于动态图有18.6%~21.5%的显著加速效果。
重点模型加速效果
在如下场景中，开发者可以考虑使用动转静方式进行模型训练，将会获得较明显的性能提升效果。
场景一：重调度模型
即每个API背后的GPU Kernel 计算耗时较少，在CPU端拉起后很快就执行完了，此类任务的特点：
PU 利用率较低（可通过watch -n 1 nvidia-smi命令查看）。
常见于NLP 领域或AMP/FP16 任务。
训练性能瓶颈点主要是Host端调度开销。
如上图是重调度模型的动态图和动转静 Timeline 示意图。从图中可以看出：
一个Batch的训练耗时取决于 Host 端总耗时。
动态图每个Python API在运行时，都会产生一次Python 和C++交互，会产生较大的调度开销。
动转静之后，整体上切分为执行前向和反向的两个Python C API，故减少了很多个API间的调度开销。
动转静内核执行器也经过了极致的优化（如Instruction缓存等），Kernel launch效率也会比纯动态图模式要高。
对于想使用动态图训练代码的用户来说，只需要在组网入口的forward函数处添加装饰器@to_static，其他代码无需改动就可以一键切换为动转静训练。@to_static装饰器会将此函数内的所有subLayers 转化为一个静态子图并执行。如下是一个动转静训练样例代码：
import paddle
class SimpleNet(paddle.nn.Layer):
def __init__(self):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
@paddle.jit.to_static # 仅需一行代码
def forward(self, x):
out = self.linear(x)
out = out + 1
return out
# create network
net = SimpleNet()
adam = opt.Adam(learning_rate=0.001, parameters=net.parameters())
for batch_id, x in enumerate(data_loader()):
out = net(x)
loss = paddle.mean(out)
loss.backward()
opt.step()
opt.clear_grad()
场景二：调度+计算共存模型
即模型训练时同时存在计算量小和计算量大的GPU Kernel，且一个Batch的起始位置常为小Kernel，此类任务的特点：
GPU 利用率波动比较大（可通过watch -n 1 nvidia-smi命令查看）。
训练性能瓶颈点同时受局部调度和局部 Kernel 计算效率影响。
如上图是调度+计算共存的动态图和动转静Timeline示意图。从图中可以看出：
一个Batch的训练耗时取决于 Max(Host端，GPU端)。
动转静降低了Python C API 调度开销，收益点大多在Batch前半部分，后半部分可能会被overlap，调度方面的收益会打折扣。
动转静可借助全局图优化技术，通过算子融合等技术提升模型训练的吞吐。
在此种场景下，飞桨动转静@to_static API 提供build_strategy参数，在动转静的全图视角下，用户可以通过build_strategy参数开启不同的全局图优化策略。通过装饰器@to_static(build_strategy=get_build_strategy())或者API调用paddle.jit.to_static(net, build_strategy=get_build_strategy())两种方式开启全局图优化策略，如下是一个简单的使用样例：
import numpy as np
import paddle
import paddle.nn as nn
def get_build_strategy():
build_strategy = paddle.static.BuildStrategy()
# 算子融合策略
build_strategy.fuse_elewise_add_act_ops = True
# 梯度 addto 策略
build_strategy.enable_addto = True
os.environ['FLAGS_max_inplace_grad_add'] = "8"
return build_strategy
class ResNet(paddle.nn.Layer):
# 此处省略了模型定义
@to_static(build_strategy=get_build_strategy()) # 方式一
def forward(self, image):
# 省略前向代码
# create network
net = ResNet()
# 借助 build_strategy 参数自定义开启「全局图优化」策略
net = paddle.jit.to_static(net, build_strategy=get_build_strategy()) # 方式二
adam = opt.Adam(learning_rate=0.001, parameters=net.parameters())
for batch_id, image in enumerate(data_loader()):
out = layer(image)
loss = paddle.mean(out)
loss.backward()
opt.step()
opt.clear_grad()飞桨动转静@to_static开启更多全局图优化用法，可参考【扩展阅读—动转静训练图优化策略】
拓展阅读
[1]动转静使用样例
https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/jit/basic_usage_cn.html
[2] 动转静训练图优化策略
https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/jit/basic_usage_cn.html#sidongzhuanjinggengduoyongfa
[3]动转静转换原理
https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/jit/principle_cn.html
[4] 动转静报错调试
https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/jit/debugging_cn.html
[5] 动转静Limitations
https://www.paddlepaddle.org.cn/documentation/docs/zh/develop/guides/jit/limitations_cn.html
关注【飞桨PaddlePaddle】公众号
获取更多技术内容~
扫一扫
758
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
