昇思25天学习打卡营第10天|使用静态图加速
前言
非常感谢华为昇思大模型平台和CSDN邀请体验昇思大模型!从今天起,笔者将以打卡的方式,将原文搬运和个人思考结合,分享25天的学习内容与成果。为了提升文章质量和阅读体验,笔者会将思考部分放在最后,供大家探索讨论。同时也欢迎各位领取算力,免费体验昇思大模型!
使用静态图加速
背景介绍
AI编译框架分为两种运行模式,分别是动态图模式以及静态图模式。MindSpore默认情况下是以动态图模式运行,但也支持手工切换为静态图模式。两种运行模式的详细介绍如下:
动态图模式
动态图的特点是计算图的构建和计算同时发生(Define by run),其符合Python的解释执行方式,在计算图中定义一个Tensor时,其值就已经被计算且确定,因此在调试模型时较为方便,能够实时得到中间结果的值,但由于所有节点都需要被保存,导致难以对整个计算图进行优化。
在MindSpore中,动态图模式又被称为PyNative模式。由于动态图的解释执行特性,在脚本开发和网络流程调试过程中,推荐使用动态图模式进行调试。如需要手动控制框架采用PyNative模式,可以通过以下代码进行网络构建:
%%capture captured_output
# 实验环境已经预装了mindspore==2.3.0rc1,如需更换mindspore版本,可更改下面mindspore的版本号
!pip uninstall mindspore -y
!pip install -i https://pypi.mirrors.ustc.edu.cn/simple mindspore==2.3.0rc1
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.PYNATIVE_MODE) # 使用set_context进行动态图模式的配置
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten() #输入信息展平
self.dense_relu_sequential = nn.SequentialCell( #依序执行以下功能
nn.Dense(28*28, 512), #全连接层,输入通道数为28*28,输出通道数为512
nn.ReLU(), #激活函数ReLU
nn.Dense(512, 512), #全连接层,输入通道数为512,输出通道数为512
nn.ReLU(), #激活函数ReLU
nn.Dense(512, 10) #全连接层,输入通道数为512,输出通道数为10,对应0-9十种可能的结果
)
def construct(self, x):
x = self.flatten(x) #展平输入信息
logits = self.dense_relu_sequential(x) #输入信息进入网络,得到结果
return logits
model = Network() #实例化模型
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32)) #输入信息的[B, C, H, W]为[64, 1, 28, 28]
output = model(input)
print(output)
静态图模式
相较于动态图而言,静态图的特点是将计算图的构建和实际计算分开(Define and run)。有关静态图模式的运行原理,可以参考静态图语法支持。
在MindSpore中,静态图模式又被称为Graph模式,在Graph模式下,基于图优化、计算图整图下沉等技术,编译器可以针对图进行全局的优化,获得较好的性能,因此比较适合网络固定且需要高性能的场景。
如需要手动控制框架采用静态图模式,可以通过以下代码进行网络构建:
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.GRAPH_MODE) # 使用set_context进行运行静态图模式的配置
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten() #输入信息展平
self.dense_relu_sequential = nn.SequentialCell( #依序执行以下功能
nn.Dense(28*28, 512), #全连接层,输入通道数为28*28,输出通道数为512
nn.ReLU(), #激活函数ReLU
nn.Dense(512, 512), #全连接层,输入通道数为512,输出通道数为512
nn.ReLU(), #激活函数ReLU
nn.Dense(512, 10) #全连接层,输入通道数为512,输出通道数为10,对应0-9十种可能的结果
)
def construct(self, x):
x = self.flatten(x) #展平输入信息
logits = self.dense_relu_sequential(x) #输入信息进入网络,得到结果
return logits
model = Network() #实例化模型
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32)) #输入信息的[B, C, H, W]为[64, 1, 28, 28]
output = model(input)
print(output)
静态图模式的使用场景
MindSpore编译器重点面向Tensor数据的计算以及其微分处理。因此使用MindSpore API以及基于Tensor对象的操作更适合使用静态图编译优化。其他操作虽然可以部分入图编译,但实际优化作用有限。另外,静态图模式先编译后执行的模式导致其存在编译耗时。因此,如果函数无需反复执行,那么使用静态图加速也可能没有价值。
有关使用静态图来进行网络编译的示例,请参考网络构建。
静态图模式开启方式
通常情况下,由于动态图的灵活性,我们会选择使用PyNative模式来进行自由的神经网络构建,以实现模型的创新和优化。但是当需要进行性能加速时,我们需要对神经网络部分或整体进行加速。MindSpore提供了两种切换为图模式的方式,分别是基于装饰器的开启方式以及基于全局context的开启方式。
基于装饰器的开启方式
MindSpore提供了jit装饰器,可以通过修饰Python函数或者Python类的成员函数使其被编译成计算图,通过图优化等技术提高运行速度。此时我们可以简单的对想要进行性能优化的模块进行图编译加速,而模型其他部分,仍旧使用解释执行方式,不丢失动态图的灵活性。无论全局context是设置成静态图模式还是动态图模式,被jit修饰的部分始终会以静态图模式进行运行。
在需要对Tensor的某些运算进行编译加速时,可以在其定义的函数上使用jit修饰器,在调用该函数时,该模块自动被编译为静态图。需要注意的是,jit装饰器只能用来修饰函数,无法对类进行修饰。jit的使用示例如下:
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten() #输入信息展平
self.dense_relu_sequential = nn.SequentialCell( #依序执行以下功能
nn.Dense(28*28, 512), #全连接层,输入通道数为28*28,输出通道数为512
nn.ReLU(), #激活函数ReLU
nn.Dense(512, 512), #全连接层,输入通道数为512,输出通道数为512
nn.ReLU(), #激活函数ReLU
nn.Dense(512, 10) #全连接层,输入通道数为512,输出通道数为10,对应0-9十种可能的结果
)
def construct(self, x):
x = self.flatten(x) #展平输入信息
logits = self.dense_relu_sequential(x) #输入信息进入网络,得到结果
return logits
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32)) #输入信息的[B, C, H, W]为[64, 1, 28, 28]
@ms.jit # 使用ms.jit装饰器,使被装饰的函数以静态图模式运行
def run(x):
model = Network() #以静态图模式运行网络
return model(x)
output = run(input)
print(output)
除使用修饰器外,也可使用函数变换方式调用jit方法,示例如下:
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
class Network(nn.Cell):
def __init__(self):
super().__init__()
self.flatten = nn.Flatten() #同上
self.dense_relu_sequential = nn.SequentialCell(
nn.Dense(28*28, 512),
nn.ReLU(),
nn.Dense(512, 512),
nn.ReLU(),
nn.Dense(512, 10)
)
def construct(self, x):
x = self.flatten(x)
logits = self.dense_relu_sequential(x)
return logits
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
def run(x):
model = Network()
return model(x)
run_with_jit = ms.jit(run) # 通过调用jit将函数转换为以静态图方式执行
output = run(input)
print(output)
当我们需要对神经网络的某部分进行加速时,可以直接在construct方法上使用jit修饰器,在调用实例化对象时,该模块自动被编译为静态图。示例如下:
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
class Network(nn.Cell):
def __init__(self):
super().__init__() #同上
self.flatten = nn.Flatten()
self.dense_relu_sequential = nn.SequentialCell(
nn.Dense(28*28, 512),
nn.ReLU(),
nn.Dense(512, 512),
nn.ReLU(),
nn.Dense(512, 10)
)
@ms.jit # 使用ms.jit装饰器,使被装饰的函数以静态图模式运行
def construct(self, x):
x = self.flatten(x)
logits = self.dense_relu_sequential(x)
return logits
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
model = Network()
output = model(input)
print(output)
基于context的开启方式
context模式是一种全局的设置模式。代码示例如下:
import numpy as np
import mindspore as ms
from mindspore import nn, Tensor
ms.set_context(mode=ms.GRAPH_MODE) # 使用set_context进行运行静态图模式的配置
class Network(nn.Cell):
def __init__(self): #同上
super().__init__()
self.flatten = nn.Flatten()
self.dense_relu_sequential = nn.SequentialCell(
nn.Dense(28*28, 512),
nn.ReLU(),
nn.Dense(512, 512),
nn.ReLU(),
nn.Dense(512, 10)
)
def construct(self, x):
x = self.flatten(x)
logits = self.dense_relu_sequential(x)
return logits
model = Network()
input = Tensor(np.ones([64, 1, 28, 28]).astype(np.float32))
output = model(input)
print(output)
静态图的语法约束
在Graph模式下,Python代码并不是由Python解释器去执行,而是将代码编译成静态计算图,然后执行静态计算图。因此,编译器无法支持全量的Python语法。MindSpore的静态图编译器维护了Python常用语法子集,以支持神经网络的构建及训练。详情可参考静态图语法支持。
JitConfig配置选项
在图模式下,可以通过使用JitConfig配置选项来一定程度的自定义编译流程,目前JitConfig支持的配置参数如下:
- jit_level: 用于控制优化等级。
- exec_mode: 用于控制模型执行方式。
- jit_syntax_level: 设置静态图语法支持级别,详细介绍请见静态图语法支持。
静态图高级编程技巧
使用静态图高级编程技巧可以有效地提高编译效率以及执行效率,并可以使程序运行的更加稳定。详情可参考静态图高级编程技巧。
个人任务打卡(读者请忽略)
个人理解与总结
本章节主要描述了昇思大模型使用静态图加速的主要功能。文章首先介绍了动态图和静态图两种工作模式,其中,由于动态图的参数在定义时就被确定,因此难以优化;静态图将计算图的构建和实际计算分开,这样编译器可以针对图进行全局优化,从而获得更好的性能。对于静态图的开启方式,有基于装饰器和基于context两种方法,并均提供了使用示例。最后,文章还提供了静态图的语法约束以及JitConfig配置选项,从而帮助程序员更好地使用昇思大模型,有效地提升编译效率和执行效率,保证程序的稳定运行。