使用TVM编译自己的简单模型

TVM-LeNet

本文完成了自己搭建、训练和打包LeNet模型，并用TVM对其进行简单的优化，比较两者的异同，发现TVM的计算图更为简捷，准确率二者几乎相同，并且TVM的推理速度是普通模型的2倍左右。

版本：TVM 0.7.dev1 ; pytorch 1.6.0 ; GTX1650 , cuda10.2

1.LeNet模型搭建：

LeNet-5是1998年Yann Lecun教授发表的一种用于灰度识别的网络，大致的网络结构如下：

如图，LeNet输入为32*32的灰度图片，2个卷积层，两个最大池化层，3个全连接层，我是使用pytorch进行网络的搭建，模型部分代码如下：

## lenet_model.ipynb
import torch.nn as nn
import torch.nn.functional as F

class LeNet(nn.Module):
    def __init__(self):
        super(LeNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, 5)
        self.pool1 = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(16, 32, 5)
        self.pool2 = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(32*5*5, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = F.relu(self.conv1(x))    # input(3, 32, 32) output(16, 28, 28)
        x = self.pool1(x)            # output(16, 14, 14)
        x = F.relu(self.conv2(x))    # output(32, 10, 10)
        x = self.pool2(x)            # output(32, 5, 5)
        x = x.view(-1, 32*5*5)       # output(32*5*5)
        x = F.relu(self.fc1(x))      # output(120)
        x = F.relu(self.fc2(x))      # output(84)
        x = self.fc3(x)              # output(10)
        return x

pytorch框架为模型搭建提供了很方便的方法。比如第一个卷积层self.conv1 = nn.Conv2d(3, 16, 5)，其函数定义如下：

由于我这次是利用CIFAR-10数据集进行训练和推理，该数据集是RGB3色的，因此卷积层的in_channels设置为3，out_channels的设置并不严格，我们设置的比论文中小一些，设为16，卷积核大小设置为5x5，步长默认为1，padding默认补零，也就是说，经过第一个卷积层后，会提取到包含不同特征的16张feature_map，并且图片大小变为28x28。即output为(16,28,28)

下面的第一个池化层nn.MaxPool2d(2,2)的定义如下：

2x2的池化层会将输入特征图的尺寸减半，因此输出为(16,14,14)，以此类推可以分析出下面一组卷积池化层。

卷积池化结束后开始进行全连接，经最后一次池化，得到输出的shape为(32,5,5)，全连接层的输入必须是一维的tensor，因此利用函数x.view(-1, 32*5*5)将其展平，该函数定义为：

可按此方法分析剩下两个全连接层，并最终得到一个(1,10)的输出，张量中每个元素的index与训练集中种类的index相同，元素的值代表着图片是这种类的可能性。

这样一个LeNet-5模型就搭建好了。

---

2.模型训练：

##lenet_train.ipynb
import Ipynb_importer
import torch
import torchvision
import torch.nn as nn
from lenet_model import LeNet
import torch.optim as optim
import torchvision.transforms as transforms

transform = transforms.Compose(
    [transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

transform函数用于对之后的图片进行预处理。

从CIFAR10下载训练集和数据集：

# 10000张验证图片
# 第一次使用时要将download设置为True才会自动去下载数据集
val_set = torchvision.datasets.CIFAR10(root='/home/ljs/Desktop/data', train=False,
                                       download=False, transform=transform)
val_loader = torch.utils.data.DataLoader(val_set, batch_size=5000,
                                         shuffle=False, num_workers=4)
val_data_iter = iter(val_loader)
val_image, val_label = val_data_iter.next()

图片信息存储在val_image中，图片标签存储在val_label中。

由于训练时需要使用GPU，按照框架的规则，需要先对图片和标签数据进行处理，如下：

val_image=val_image.cuda()
val_label=val_label.cuda()
net = LeNet()
net=net.cuda()
loss_function = nn.CrossEntropyLoss()  #损失函数为CrossEntropyLoss()
optimizer = optim.Adam(net.parameters(), lr=0.001) 

数据准备好后就可以开始训练，训练部分的代码如下：

for epoch in range(5):  # loop over the dataset multiple times
    running_loss = 0.0
    for step, data in enumerate(train_loader, start=0):
            # get the inputs; data is a list of [inputs, labels]
        inputs, labels = data
        inputs=inputs.cuda()
        labels=labels.cuda()
            # zero the parameter gradients
        optimizer.zero_grad()
            # forward + backward + optimize
        outputs = net(inputs)
        loss = loss_function(outputs, labels)
        loss.backward()
        optimizer.step()

            # print statistics
        running_loss += loss.item()
        if step % 500 == 499:    # print every 500 mini-batches
            with torch.no_grad():
                outputs = net(val_image)  # [batch, 10]
                predict_y = torch.max(outputs, dim=1)[1]
                accuracy = torch.eq(predict_y, val_label).sum().item() / val_label.size(0)

                print('[%d, %5d] train_loss: %.3f  test_accuracy: %.3f' %
                      (epoch + 1, step + 1, running_loss / 500, accuracy))
                running_loss = 0.0

训练五批，最终达到67%的准确率：

通过下面函数可以保存训练好的模型参数：

save_path = '/home/ljs/Desktop/Lenet.pth'
torch.save(net.state_dict(), save_path)

---

3.模型推理：

经过训练部分同样的图片预处理后，实例化模型，导入权重参数，即可进行前向推理：

classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')

net = LeNet()
net=net.cuda()
net.load_state_dict(torch.load('/home/ljs/Desktop/Lenet.pth'))

for im in val_image:
    im=torch.unsqueeze(im, dim=0).cuda()
    with torch.no_grad():
        outputs = net(im)
        predict = torch.max(outputs, dim=1)[1]
    print(classes[int(predict)])

测试结果如下准确性还不错：

---

4.使用TVM进行推理：

## lenet_tvm.ipynb，需要导入的库
import Ipynb_importer
import torch
import torchvision.transforms as transforms
from PIL import Image
from lenet_model import LeNet
import torchvision
import matplotlib.pyplot as plt
import numpy as np
import tvm
import torchvision
from tvm import relay
import datetime

参考TVM代码阅读——pytorch这篇文章，利用TVM来优化编译第一节搭建的模型。遵循TVM中API的规则，需要对模型先做处理，利用scripted_model=torch.jit.trace(Net, input_data).eval()这个函数，将模型转换为TopLevelTracedModule类，并且TVM接收的图像数据就是常规数据，不需要提前转换移动到GPU中，TVM会调用相应的编译器与GPU关联。

使用CIFAR10中的50000张照片进行测试：

val_set = torchvision.datasets.CIFAR10(root='/home/ljs/Desktop/data', train=True,
                                       download=False, transform=transform)
val_loader = torch.utils.data.DataLoader(val_set, batch_size=60000,
                                         shuffle=False, num_workers=0)
val_data_iter = iter(val_loader)
val_image, val_label = val_data_iter.next()
val_image.shape
input_data=torch.rand(1, 3, 32, 32)   ##
int(val_label[1])
val_image.shape   ## -->torch.Size([50000, 3, 32, 32])

导入模型并转换类型：

transform = transforms.Compose(
        [transforms.Resize((32, 32)),
         transforms.ToTensor(),
         transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])

classes = ('plane', 'car', 'bird', 'cat','deer', 'dog', 'frog', 'horse', 'ship', 'truck')

Net=LeNet()
Net.load_state_dict(torch.load('/home/ljs/Desktop/Lenet.pth'))
scripted_model=torch.jit.trace(Net, input_data).eval()
type(scripted_model) ##-->torch.jit.TopLevelTracedModule

获取TVM需要的数据：

input_name = "input0"
shape_list = [(input_name, img_shape.shape)]
mod, params = relay.frontend.from_pytorch(scripted_model, shape_list)

选择后端和优化等级：

target = "cuda"
target_host = "llvm"
ctx = tvm.gpu(0)
with tvm.transform.PassContext(opt_level=3):
    lib = relay.build(mod, target=target, target_host=target_host, params=params)

构建relay graph，开始推理：

from tvm.contrib import graph_runtime

dtype = "float32"
m = graph_runtime.GraphModule(lib["default"](ctx))
for im in img:
    im= np.expand_dims(im, 0)
# Set inputs
    m.set_input(input_name, tvm.nd.array(im.astype(dtype)))
# Execute
    m.run()
# Get outputs
    tvm_output = m.get_output(0)
    top1_tvm = np.argmax(tvm_output.asnumpy()[0])
    print(classes[top1_tvm])

截取推理得到的前前五张图片标签：

发现和原始模型推理的一致。

---

5.结果比较：

首先比较二者计算图，彩色图片为未经优化的模型的计算图，通过将pytorch的模型转换为onnx模式，用netron工具进行可视化；黑白图片为经优化后的计算图，通过

with open("/home/ljs/Desktop/opted-lenet-graph.txt","w") as f:
       f.write(str(lib.graph_json))

将计算图导出，netron可以可视化json格式的计算图：

从图中可以看出，由于TVM会进行算子融合等优化手段，将卷积层与池化层进行了融合，优化后的计算图的层数会更少。

---

再比较二者推理时间，两个模型对同样的50000张图片进行识别（这里其实不能这样利用训练集数据测试的，但cifar10只有10000张测试图片，为两种模型运行时间差距明显，使用50000张图片进行测试；10000张和50000笔者实验后，发现耗时比都是2.几，区别不大），并且计算准确率，结果如下：

模型	耗时（s）	准确率
LeNet	18.381974	73.756%
TVM-LeNet	7.022352	73.754%