PaddleNLP 的部署使用 paddle模型部署

原生推理库Paddle Inference

深度学习一般分为训练和推理两个部分，训练是神经网络“学习”的过程，主要关注如何搜索和求解模型参数，发现训练数据中的规律，生成模型。有了训练好的模型，就要在线上环境中应用模型，实现对未知数据做出推理，这个过程在AI领域叫做推理部署。用户可以选择如下四种部署应用方式之一：

• 服务器端高性能部署：将模型部署在服务器上，利用服务器的高性能帮助用户处理推理业务。
• 模型服务化部署：将模型以线上服务的形式部署在服务器或者云端，用户通过客户端请求发送需要推理的输入内容，服务器或者云通过响应报文将推理结果返回给用户。
• 移动端部署：将模型部署在移动端上，例如手机或者物联网的嵌入式端。
• Web端部署：将模型部署在网页上，用户通过网页完成推理业务。

本节将会为大家讲解如何使有飞桨实现服务器端高性能部署。

在实际应用中，推理部署阶段会面临和训练时完全不一样的硬件环境，当然也对应着不一样的计算性能要求。因此上线部署可能会遇到各种问题，例如上线部署的硬件环境和训练时不同；推理计算耗时太长, 可能造成服务不可用；模型占用内存过高无法上线。但是在实际业务中，我们训练得到的模型，就是需要能在具体生产环境中正确、高效地实现推理功能，完成上线部署。 对工业级部署而言，要求的条件往往非常繁多而且苛刻，不是每个深度学习框架都对实际生产部署上能有良好的支持。一款对推理支持完善的的框架，会让你的模型上线工作事半功倍。
飞桨作为源于产业实践的深度学习框架，在推理部署能力上有特别深厚的积累和打磨，提供了性能强劲、上手简单的服务器端推理库Paddle Inference，帮助用户摆脱各种上线部署的烦恼。

Paddle Inference是什么

飞桨框架的推理部署能力经过多个版本的升级迭代，形成了完善的推理库Paddle Inference。Paddle Inference功能特性丰富，性能优异，针对不同平台不同的应用场景进行了深度的适配优化,做到高吞吐、低时延，保证了飞桨模型在服务器端即训即用，快速部署。

• 主流软硬件环境兼容适配
  支持服务器端X86 CPU、NVIDIA GPU芯片，兼容Linux/macOS/Windows系统。
• 支持飞桨所有模型
  支持所有飞桨训练产出的模型，真正即训即用。
• 多语言环境丰富接口可灵活调用
  支持C++, Python, C, Go和R语言API, 接口简单灵活，20行代码即可完成部署。可通过Python API，实现对性能要求不太高的场景快速支持；通过C++高性能接口，可与线上系统联编；通过基础的C API可扩展支持更多语言的生产环境。

【性能测一测】
通过比较ResNet50和BERT模型的训练前向耗时和推理耗时，可以观测到Paddle Inference有显著的加速效果。

模型	CPU训练前向耗时/ms	CPU推理耗时/ms	GPU训练前向耗时/ms	GPU推理耗时/ms
bert(21M)	54	23	43	1.5
Resnet50	236.780	49.604	8.47	4.49

说明：测试耗时的方法，使用相同的输入数据先空跑1000次，循环运行1000次，每次记录模型运行的耗时，最后计算出模型运行的平均耗时。

基于Paddle Inference的单机推理部署，即在一台机器进行推理部署。相比Paddle Serving在多机多卡下进行推理部署，单机推理部署不产生多机通信与调度的时间成本，能够最大程度地利用机器的Paddle Inference算力来提高推理部署的性能。对于拥有高算力机器，已有线上业务系统服务，期望加入模型推理作为一个子模块，且对性能要求较高的用户，采用单机推理部署能够充分利用计算资源，加速部署过程。

Paddle Inference高性能实现

内存/显存复用提升服务吞吐量

在推理初始化阶段，对模型中的OP输出Tensor 进行依赖分析，将两两互不依赖的Tensor在内存/显存空间上进行复用，进而增大计算并行量，提升服务吞吐量。

细粒度OP横向纵向融合减少计算量

在推理初始化阶段，按照已有的融合模式将模型中的多个OP融合成一个OP，减少了模型的计算量的同时，也减少了 Kernel Launch的次数，从而能提升推理性能。目前Paddle Inference支持的融合模式多达几十个。

内置高性能的CPU/GPU Kernel

内置同Intel、Nvidia共同打造的高性能kernel，保证了模型推理高性能的执行。

子图集成TensorRT加快GPU推理速度

Paddle Inference采用子图的形式集成TensorRT，针对GPU推理场景，TensorRT可对一些子图进行优化，包括OP的横向和纵向融合，过滤冗余的OP，并为OP自动选择最优的kernel，加快推理速度。

子图集成Paddle Lite轻量化推理引擎

Paddle Lite 是飞桨深度学习框架的一款轻量级、低框架开销的推理引擎，除了在移动端应用外，还可以使用服务器进行 Paddle Lite 推理。Paddle Inference采用子图的形式集成 Paddle Lite，以方便用户在服务器推理原有方式上稍加改动，即可开启 Paddle Lite 的推理能力，得到更快的推理速度。并且，使用 Paddle Lite 可支持在百度昆仑等高性能AI芯片上执行推理计算。

支持加载PaddleSlim量化压缩后的模型

PaddleSlim是飞桨深度学习模型压缩工具，Paddle Inference可联动PaddleSlim，支持加载量化、裁剪和蒸馏后的模型并部署，由此减小模型存储空间、减少计算占用内存、加快模型推理速度。其中在模型量化方面，Paddle Inference在X86 CPU上做了深度优化，常见分类模型的单线程性能可提升近3倍，ERNIE模型的单线程性能可提升2.68倍。

推理部署实战

场景划分

Paddle Inference应用场景，按照API接口类型可以分C++, Python, C, Go和R。Python适合直接应用，可通过Python API实现性能要求不太高的场景的快速支持；C++接口属于高性能接口，可与线上系统联编；C接口是基于C++，用于支持更多语言的生产环境。
不同接口的使用流程一致，但个别操作细节存在差异。其中，比较常见的场景是C++和Python。因此本教程以这两类接口为例，介绍如何使用Pdddle Inference API进行单机服务器的推理预测部署。

推理部署流程

使用Paddle Inference进行推理部署的流程如下所示。详细API文档请参考API文档

1. 配置推理选项。Config是飞桨提供的配置管理器API。在使用Paddle Inference进行推理部署过程中，需要使用Config详细地配置推理引擎参数，包括但不限于在何种设备（CPU/GPU）上部署、加载模型路径、开启/关闭计算图分析优化、使用MKLDNN/TensorRT进行部署的加速等。参数的具体设置需要根据实际需求来定。
2. 创建Predictor。Predictor是飞桨提供的推理引擎API。根据设定好的推理配置Config创建推理引擎Predictor，也就是推理引擎的一个实例。创建期间会进行模型加载、分析和优化等工作。
3. 准备输入数据。准备好待输入推理引擎的数据，首先获得模型中每个输入的名称以及指向该数据块（CPU或GPU上）的指针，再根据名称将对应的数据块拷贝进Tensor。飞桨采用Tensor作为输入/输出数据结构，可以减少额外的拷贝，提升推理性能。
4. 调用Predictor.Run()执行推理。
5. 获取推理输出。与输入数据类似，根据输出名称将输出的数据（矩阵向量）由Tensor拷贝至（CPU或GPU上）以进行后续的处理。
6. 最后，获取输出并不意味着预测过程的结束，在一些特别的场景中，单纯的矩阵向量不能让使用者明白它有什么意义。进一步地，我们需要根据向量本身的意义，解析数据，获取实际的输出。举个例子，transformer 翻译模型，我们将字词变成向量输入到预测引擎中，而预测引擎反馈给我们的，仍然是矩阵向量。但是这些矩阵向量是有意义的，我们利用这些向量去找翻译结果所对应的句子，就完成了使用 transformer 翻译的过程。
   以上操作的具体使用方法和示例会在下文给出。

前提准备

1. 安装或源码编译推理库使用飞桨进行推理部署，需要使用与当前部署环境一致的Paddle推理库。如果使用Python API，只需本地电脑成功安装Paddle，安装方法请参考快速安装。如果使用C++/C API，需要下载或编译推理库。推荐先从飞桨官网下载推理库，下载请点击推理库。如果官网提供的推理库版本无法满足需求，或想要对代码进行自定义修改，可以采用源码编译的方式获取推理库，推理库的编译请参考前文“源码编译”。
2. 导出模型文件
   模型部署首先要有部署的模型文件。模型部署首先要有部署的模型文件。在动态图模型训练过程中或者模型训练结束后，可以通过paddle.jit.save 接口来导出用于部署的标准化模型文件。而对于静态图模型，则可以使用paddle.static.save_inference_model保存模型。两种方式都可以根据推理需要的输入和输出, 对训练模型进行剪枝, 去除和推理无关部分, 得到的模型相比训练时更加精简, 适合进一步优化和部署。
   我们用一个简单的例子来展示下导出模型文件的这一过程。

 

1. 我们用一个简单的例子来展示下导出模型文件的这一过程。

import numpy as np
import paddle
import paddle.nn as nn
import paddle.optimizer as opt

BATCH_SIZE = 16
BATCH_NUM = 4
EPOCH_NUM = 4

IMAGE_SIZE = 784
CLASS_NUM = 10

# define a random dataset
class RandomDataset(paddle.io.Dataset):
    def __init__(self, num_samples):
        self.num_samples = num_samples

    def __getitem__(self, idx):
        image = np.random.random([IMAGE_SIZE]).astype('float32')
        label = np.random.randint(0, CLASS_NUM - 1, (1, )).astype('int64')
        return image, label

    def __len__(self):
        return self.num_samples

class LinearNet(nn.Layer):
    def __init__(self):
        super(LinearNet, self).__init__()
        self._linear = nn.Linear(IMAGE_SIZE, CLASS_NUM)

    @paddle.jit.to_static
    def forward(self, x):
        return self._linear(x)

def train(layer, loader, loss_fn, opt):
    for epoch_id in range(EPOCH_NUM):
        for batch_id, (image, label) in enumerate(loader()):
            out = layer(image)
            loss = loss_fn(out, label)
            loss.backward()
            opt.step()
            opt.clear_grad()
            print("Epoch {} batch {}: loss = {}".format(
                epoch_id, batch_id, np.mean(loss.numpy())))

# create network
layer = LinearNet()
loss_fn = nn.CrossEntropyLoss()
adam = opt.Adam(learning_rate=0.001, parameters=layer.parameters())

# create data loader
dataset = RandomDataset(BATCH_NUM * BATCH_SIZE)
loader = paddle.io.DataLoader(dataset,
    batch_size=BATCH_SIZE,
    shuffle=True,
    drop_last=True,
    num_workers=2)

# train
train(layer, loader, loss_fn, adam)

# save
path = "example.model/linear"
paddle.jit.save(layer, path)

W0511 10:17:34.233616   117 gpu_context.cc:244] Please NOTE: device: 0, GPU Compute Capability: 7.0, Driver API Version: 10.1, Runtime API Version: 10.1
W0511 10:17:34.238706   117 gpu_context.cc:272] device: 0, cuDNN Version: 7.6.
/opt/conda/envs/python35-paddle120-env/lib/python3.7/site-packages/paddle/fluid/layers/utils.py:77: DeprecationWarning: Using or importing the ABCs from 'collections' instead of from 'collections.abc' is deprecated, and in 3.8 it will stop working
  return (isinstance(seq, collections.Sequence) and

Epoch 0 batch 0: loss = 2.361412286758423
Epoch 0 batch 1: loss = 2.555819511413574
Epoch 0 batch 2: loss = 2.3603224754333496
Epoch 0 batch 3: loss = 2.3046326637268066
Epoch 1 batch 0: loss = 2.0856692790985107
Epoch 1 batch 1: loss = 2.229004144668579
Epoch 1 batch 2: loss = 2.0080854892730713
Epoch 1 batch 3: loss = 2.091014862060547
Epoch 2 batch 0: loss = 2.35357666015625
Epoch 2 batch 1: loss = 2.4300479888916016
Epoch 2 batch 2: loss = 2.3404417037963867
Epoch 2 batch 3: loss = 2.212562084197998
Epoch 3 batch 0: loss = 2.0857276916503906
Epoch 3 batch 1: loss = 2.3606109619140625
Epoch 3 batch 2: loss = 2.3114867210388184
Epoch 3 batch 3: loss = 2.0755224227905273

该程序运行结束后，会在本目录中生成一个example.model目录，目录中包含linear.pdmodel, linear.pdiparams 两个文件，linear.pdmodel文件表示模型的结构文件，linear.pdiparams表示所有参数的融合文件。

 

基于C++ API的推理部署

为了简单方便地进行推理部署，飞桨提供了一套高度优化的C++ API推理接口。下面对各主要API使用方法进行详细介绍。

API详细介绍

在上述的推理部署流程中，我们了解到Paddle Inference预测包含了以下几个方面：

• 配置推理选项
• 创建predictor
• 准备模型输入
• 模型推理
• 获取模型输出

那我们先用一个简单的程序介绍这一过程：

std::unique_ptr<paddle_infer::Predictor> CreatePredictor() {
  // 通过Config配置推理选项
  paddle_infer::Config config;
  config.SetModel("./model/resnet50.pdmodel",
                     "./model/resnet50.pdiparams");
  config.EnableUseGpu(100, 0);
  config.EnableMKLDNN();
  config.EnableMemoryOptim();
  // 创建Predictor
  return paddle_infer::CreatePredictor(config);
}

void Run(paddle_infer::Predictor *predictor,
         const std::vector<float>& input,
         const std::vector<int>& input_shape, 
         std::vector<float> *out_data) {
  // 准备模型的输入
  int input_num = std::accumulate(input_shape.begin(), input_shape.end(), 1, std::multiplies<int>());

  auto input_names = predictor->GetInputNames();
  auto input_t = predictor->GetInputHandle(input_names[0]);
  input_t->Reshape(input_shape);
  input_t->CopyFromCpu(input.data());
  
  // 模型推理
  CHECK(predictor->Run());
  
  // 获取模型的输出
  auto output_names = predictor->GetOutputNames();
  
  // there is only one output of Resnet50
  auto output_t = predictor->GetOutputHandle(output_names[0]);
  std::vector<int> output_shape = output_t->shape();
  int out_num = std::accumulate(output_shape.begin(), output_shape.end(), 1, std::multiplies<int>());
  out_data->resize(out_num);
  output_t->CopyToCpu(out_data->data());
}

以上的程序中CreatePredictor函数对推理过程进行了配置以及创建了Predictor。 Run函数进行了输入数据的准备，模型推理以及输出数据的获取过程。

接下来我们依次对程序中出现的Config、模型输入输出和Predictor做一个详细的介绍。

 

使用Config管理推理配置

Config管理Predictor的推理配置，提供了模型路径设置、推理引擎运行设备选择以及多种优化推理流程的选项。配置中包括了必选配置以及可选配置。

1. 必选配置

1-1 设置模型和参数路径

• 从文件加载：模型文件夹model_dir下有一个模型文件my.pdmodel和一个参数文件my.pdiparams时，传入模型文件和参数文件路径。使用方式为：config->SetModel("./model_dir/my.pdmodel", "./model_dir/my.pdiparams");。
• 内存加载模式：如果模型是从内存加载，可以使用config->SetModelBuffer(model.data(), model.size(), params.data(), params.size())。

2. 可选配置

2-1 加速CPU推理

// 开启MKLDNN，可加速CPU推理，要求预测库带MKLDNN功能。
config->EnableMKLDNN();	  	  		
// 可以设置CPU数学库线程数math_threads，可加速推理。
// 注意：math_threads * 外部线程数 需要小于总的CPU的核心数目，否则会影响预测性能。
config->SetCpuMathLibraryNumThreads(10);

2-2 使用GPU推理

// EnableUseGpu后，模型将运行在GPU上。
// 第一个参数表示预先分配显存数目，第二个参数表示设备的ID。
config->EnableUseGpu(100, 0);

如果使用的预测lib带Paddle-TRT子图功能，可以打开TRT选项进行加速：

// 开启TensorRT推理，可提升GPU推理性能，需要使用带TensorRT的推理库
config->EnableTensorRtEngine(1 << 30      	   /*workspace_size*/,   
                        	 batch_size        /*max_batch_size*/,     
                        	 3                 /*min_subgraph_size*/, 
                       		 paddle_infer::PrecisionType::kFloat32 /*precision*/, 
                        	 false             /*use_static*/, 
                        	 false             /*use_calib_mode*/);

通过计算图分析，Paddle可以自动将计算图中部分子图融合，并调用NVIDIA的 TensorRT 来进行加速。

2-3 内存/显存优化

config->EnableMemoryOptim();  // 开启内存/显存复用

该配置设置后，在模型图分析阶段会对图中的变量进行依赖分类，两两互不依赖的变量会使用同一块内存/显存空间，缩减了运行时的内存/显存占用（模型较大或batch较大时效果显著）。

2-4 debug开关

// 该配置设置后，会关闭模型图分析阶段的任何图优化，预测期间运行同训练前向代码一致。
config->SwitchIrOptim(false);

// 该配置设置后，会在模型图分析的每个阶段后保存图的拓扑信息到.dot文件中，该文件可用graphviz可视化。
config->SwitchIrDebug();

使用Tensor管理输入/输出

1. 准备输入

1-1 获取模型所有输入的tensor名字

std::vector<std::string> input_names = predictor->GetInputNames();

1-2 获取对应名字下的tensor

// 获取第0个输入
auto input_t = predictor->GetInputHandle(input_names[0]);

1-3 将数据copy到tensor中

// 在copy前需要设置tensor的shape
input_t->Reshape({batch_size, channels, height, width});
// tensor会根据上述设置的shape从input_data中拷贝对应数目的数据到tensor中。
input_t->CopyFromCpu<float>(input_data /*数据指针*/);

当然我们也可以用mutable_data获取tensor的数据指针:

// 参数可为paddle_infer::PlaceType::kGPU, paddle_infer::PlaceType::kCPU
float *input_d = input_t->mutable_data<float>(paddle_infer::PlaceType::kGPU);

2. 获取输出
2-1 获取模型所有输出的tensor名字

std::vector<std::string> out_names = predictor->GetOutputNames();

2-2 获取对应名字下的tensor

// 获取第0个输出
auto output_t = predictor->GetOutputHandle(out_names[0]);

2-3 将数据copy到tensor中

std::vector<float> out_data;
// 获取输出的shpae
std::vector<int> output_shape = output_t->shape();
int out_num = std::accumulate(output_shape.begin(), output_shape.end(), 1, std::multiplies<int>());
out_data->resize(out_num);
output_t->CopyToCpu(out_data->data());

我们可以用data接口获取tensor的数据指针：

// 参数可为paddle_infer::PlaceType::kGPU, paddle_infer::PlaceType::kCPU
int output_size;
float *output_d = output_t->data<float>(paddle_infer::PlaceType::kGPU, &output_size);

使用Predictor进行高性能推理

Predictor是在模型上执行推理的预测器，根据Config中的配置进行创建。

auto predictor = paddle_infer::CreatePredictor(config);

paddle_infer::CreatePredictor期间首先对模型进行加载，并且将模型转换为由变量和运算节点组成的计算图。接下来将进行一系列的图优化，包括OP的横向纵向融合，删除无用节点，内存/显存优化，以及子图（Paddle-TRT）的分析，加速推理性能，提高吞吐。

 

C++ API使用示例

本节提供一个使用飞桨 C++ 预测库和ResNet50模型进行图像分类预测的代码示例，展示预测库使用的完整流程。示例代码地址

一：获取Resnet50模型

点击链接下载模型， 该模型在imagenet 数据集训练得到的，如果你想获取更多的模型训练信息，请访问这里。

二：样例编译

文件resnet50_test.cc 为预测的样例程序（程序中的输入为固定值，如果您有opencv或其他方式进行数据读取的需求，需要对程序进行一定的修改）。
脚本compile.sh 包含了第三方库、预编译库的信息配置。

编译Resnet50样例，我们首先需要对脚本compile.sh 文件中的配置进行修改。

1）修改compile.sh

打开compile.sh，我们对以下的几处信息进行修改：

# 根据预编译库中的version.txt信息判断是否将以下三个标记打开
WITH_MKL=ON       
WITH_GPU=ON         
USE_TENSORRT=OFF

# 配置预测库的根目录
LIB_DIR=${YOUR_LIB_DIR}/paddle_inference_install_dir

# 如果上述的WITH_GPU 或 USE_TENSORRT设为ON，请设置对应的CUDA， CUDNN， TENSORRT的路径。
CUDNN_LIB=/paddle/nvidia-downloads/cudnn_v7.5_cuda10.1/lib64
CUDA_LIB=/paddle/nvidia-downloads/cuda-10.1/lib64
# TENSORRT_ROOT=/paddle/nvidia-downloads/TensorRT-6.0.1.5

运行 sh compile.sh， 会在目录下产生build目录。

2） 运行样例

bash run.sh
# 或者
bash compile.sh
./build/resnet50_test -model_file resnet50/inference.pdmodel --params_file resnet50/inference.pdiparams

运行结束后，程序会将模型结果打印到屏幕，说明运行成功。

 

C++ API性能调优

在前面预测接口的介绍中，我们了解到，通过使用Config可以对Predictor进行配置模型运行的信息。
在本节中，我们会对Config中的优化配置进行详细的介绍。

优化原理
预测主要存在两个方面的优化，一是预测期间内存/显存的占用，二是预测花费的时间。

• 预测期间内存/显存的占用决定了一个模型在机器上的并行的数量，如果一个任务是包含了多个模型串行执行的过程，内存/显存的占用也会决定任务是否能够正常执行（尤其对GPU的显存来说）。内存/显存优化增大了模型的并行量，提升了服务吞吐量，同时也保证了任务的正常执行，因此显的极为重要。
• 预测的一个重要的指标是模型预测的时间，通过对 kernel 的优化，以及加速库的使用，能够充份利用机器资源，使得预测任务高性能运行。

1. 内存/显存优化
在预测初始化阶段，飞桨预测引擎会对模型中的 OP 输出 Tensor 进行依赖分析，将两两互不依赖的 Tensor 在内存/显存空间上进行复用。

可以通过调用以下接口方式打开内存/显存优化。

Config config;
config.EnableMemoryOptim();

运行过推理之后，如果想回收推理引擎使用的临时内存/显存，降低内存/显存的使用，可以通过以下接口。

config.TryShrinkMemory();

内存/显存优化效果

模型	关闭优化	打开优化
MobileNetv1（batch_size=128 ）	3915MB	1820MB
ResNet50(batch_size=128)	6794MB	2204MB

2. 性能优化

在模型预测期间，飞将预测引擎会对模型中进行一系列的 OP 融合，比如 Conv 和 BN 的融合，Conv 和 Bias、Relu 的融合等。OP 融合不仅能够减少模型的计算量，同时可以减少 Kernel Launch 的次数，从而能提升模型的性能。

可以通过调用以下接口方式打开 OP 融合优化：

Config config;
config.SwitchIrOptim(true);  // 默认打开

除了通用的 OP 融合优化外，飞桨预测引擎有针对性的对 CPU 以及 GPU 进行了性能优化。

CPU 性能优化

1.对矩阵库设置多线程

模型在CPU预测期间，大量的运算依托于矩阵库，如 OpenBlas，MKL。 通过设置矩阵库内部多线程，能够充分利用 CPU 的计算资源，加速运算性能。

可以通过调用以下接口方式设置矩阵库内部多线程。

Config config;
// 通常情况下，矩阵内部多线程（num） * 外部线程数量 <= CPU核心数
config->SetCpuMathLibraryNumThreads(num);

2.使用 MKLDNN 加速

MKLDNN是Intel发布的开源的深度学习软件包。目前飞桨预测引擎中已经有大量的OP使用MKLDNN加速，包括：Conv，Batch Norm，Activation，Elementwise，Mul，Transpose，Pool2d，Softmax 等。

可以通过调用以下接口方式打开MKLDNN优化。

Config config;
config.EnableMKLDNN();

开关打开后，飞桨预测引擎会使用 MKLDNN 加速的 Kernel 运行，从而加速 CPU 的运行性能。

GPU 性能优化

使用 TensorRT 子图性能优化

TensorRT 是 NVIDIA 发布的一个高性能的深度学习预测库，飞桨预测引擎采用子图的形式对 TensorRT 进行了集成。在预测初始化阶段，通过对模型分析，将模型中可以使用 TensorRT 运行的 OP 进行标注，同时把这些标记过的且互相连接的 OP 融合成子图并转换成一个 TRT OP 。在预测期间，如果遇到 TRT OP ，则调用 TensorRT 库对该 OP 进行优化加速。

可以通过调用以下接口的方式打开 TensorRT 子图性能优化：

config->EnableTensorRtEngine(1 << 30      /* workspace_size*/,   
                        batch_size        /* max_batch_size*/,     
                        3                 /* min_subgraph_size*/, 
                        paddle_infer::PrecisionType::kFloat32 /* precision*/, 
                        false             /* use_static*/, 
                        false             /* use_calib_mode*/);

该接口中的参数的详细介绍如下：

• workspace_size，类型：int，默认值为1 << 20。指定TensorRT使用的工作空间大小，TensorRT会在该大小限制下筛选合适的kernel执行预测运算，一般可以设置为几百兆（如1 << 29, 512M）。
• max_batch_size，类型：int，默认值为1。需要提前设置最大的batch大小，运行时batch大小不得超过此限定值。
• min_subgraph_size，类型：int，默认值为3。Paddle-TRT 是以子图的形式运行，为了避免性能损失，当子图内部节点个数大于min_subgraph_size的时候，才会使用Paddle-TRT运行。
• precision，类型：enum class Precision {kFloat32 = 0, kHalf, kInt8,};, 默认值为PrecisionType::kFloat32。指定使用TRT的精度，支持FP32（kFloat32），FP16（kHalf），Int8（kInt8）。若需要使用Paddle-TRT int8离线量化校准，需设定precision为 - PrecisionType::kInt8, 且设置use_calib_mode 为true。
• use_static，类型：bool, 默认值为 false 。如果指定为 true ，在初次运行程序的时候会将 TRT 的优化信息进行序列化到磁盘上，下次运行时直接加载优化的序列化信息而不需要重新生成。
• use_calib_mode，类型：bool, 默认值为false。若要运行 Paddle-TRT int8 离线量化校准，需要将此选项设置为 true 。

目前 TensorRT 子图对图像模型有很好的支持，支持的模型如下

• 分类：Mobilenetv1/2, ResNet, NasNet, VGG, ResNext, Inception, DPN，ShuffleNet
• 检测：SSD，YOLOv3，FasterRCNN，RetinaNet
• 分割：ICNET，UNET，DeepLabV3，MaskRCNN

 

基于Python API的推理部署

飞桨提供了高度优化的C++测库，为了方便使用，我们也提供了与C++预测库对应的Python接口。使用Python预测API与C++预测API相似，主要包括Tensor, Config和Predictor，分别对应于C++ API中同名的数据类型。接下来给出更为详细的介绍。

使用Config管理推理配置

paddle.inference.Config是创建预测引擎的配置，提供了模型路径设置、预测引擎运行设备选择以及多种优化预测流程的选项。通过Config，可以指定，预测引擎执行的方式。举几个例子，如果我们希望预测引擎在 CPU 上运行，那么，我们可以设置disable_gpu()的选项配置，那么在实际执行的时候，预测引擎会在 CPU 上执行。同样，如果设置switch_ir_optim()为True或是False，则决定了预测引擎是否会自动进行优化。

使用之前，我们需要创建一个Config的实例，用于完成这些选项的设置。

config = paddle.inference.Config()

Config可以设置的选项，具体如下：

• set_model(): 设置模型的路径，model_filename:模型文件名，params_filename:参数文件名。

config.set_model(model_filename, params_filename)

既然模型的文件已经配置好了，那么我们还需要指定我们的预测引擎是在什么设备上执行的，就是说，需要指定在 CPU 上或是在 GPU 的哪一张卡上预测。

• enable_use_gpu(): 启用使用 GPU 的预测方式，并且设置 GPU 初始分配的显存(单位M)和 Device ID，即是在哪一张 GPU 的卡上执行预测。 需要另外注意的是，Device ID，假设，我们现在有一台8张显卡的机器，我们设定环境变量如下：

export CUDA_VISIBLE_DEVICES=1,3,5

那么，在使用enable_use_gpu()设置 Device ID 的时候，可以设置的卡的编号是：0，1，2。0号卡实际代表的是机器上的编号为1的显卡，而1号卡实际代表的是机器上编号为3的显卡，同理，2号卡实际代表的是机器上的编号为5的显卡。

• gpu_device_id(): 返回使用的 GPU 的 Device ID。
• disable_gpu(): 该方法从字面上理解是禁用 GPU，即，是使用 CPU 进行预测。

完成了模型的配置，执行预测引擎的设备的设定，我们还可以进行一些其他的配置。比如：

• switch_ir_optim(): 打开或是关闭预测引擎的优化，默认是开启的。设置的方式如下：

config.switch_ir_optim(True)

• enable_tensorrt_engine(): 启用TensorRT的引擎进行预测优化。具体的参数信息和上文使用TensorRT子图性能优化是一样的。这里提供一个简单的设置示例。

config.enable_tensorrt_engine(precision_mode=paddle.inference.PrecisionType.Float32,
                            use_calib_mode=True)

• enable_mkldnn(): 开启 MKLDNN 加速选项，一般是使用 CPU 进行预测的时候，如果机器支持 MKLDNN 可以开启。

config.enable_mkldnn()

• disable_glog_info(): 禁用预测中所有的日志信息。

在完成了Config的设置之后，我们可以通过配置的Config，创建一个用于执行预测引擎的实例，这个实例是基于数据结构Predictor，创建的方式是直接调用paddle.inference.create_predictor()方法。如下：

predictor = paddle.inference.create_predictor(config)

Config示例

首先，如前文所说，设置模型和参数路径：

config = paddle.inference.Config("./model/resnet50.pdmodel", "./model/resnet50.pdiparams")

使用set_model()方法设置模型和参数路径方式同上。

其他预测引擎配置选项示例如下:

config.enable_use_gpu(100, 0) # 初始化100M显存，使用gpu id为0
config.gpu_device_id()        # 返回正在使用的gpu device id
config.disable_gpu()		  # 禁用gpu，使用cpu进行预测
config.switch_ir_optim(True)  # 开启IR优化
config.enable_tensorrt_engine(precision_mode=paddle.inference.PrecisionType.Float32,
                              use_calib_mode=True) # 开启TensorRT预测，精度为fp32，开启int8离线量化
config.enable_mkldnn()		  # 开启MKLDNN

最后，根据config得到预测引擎的实例predictor:

predictor = paddle.inference.create_predictor(config)

使用Tensor管理输入/输出

Tensor是Predictor的一种输入/输出数据结构，下面我们将用详细的例子加以讲解。

首先，我们配置好了Config的一个实例config，接下来，需要使用这个config创建一个predictor。

# 创建predictor
predictor = paddle.inference.create_predictor(config)

因为config里面包含了模型的信息，在这里，我们创建好了predictor之后，实际上已经可以获取模型的输入的名称了。因此，可以通过

input_names = predictor.get_input_names()

获取模型输入的名称。需要注意的是，这里的input_names是一个List[str]，存储着模型所有输入的名称。进而，可以通过每一个输入的名称，得到Tensor的一个实例，此时，输入数据的名称已经和对应的Tensor关联起来了，无需再另外设置数据的名称。

input_tensor = predictor.get_input_handle(input_names[0])

得到数据之后，就可以完成对数据的设置了。

fake_input = numpy.random.randn(1, 3, 224, 224).astype("float32")
input_tensor.copy_from_cpu(fake_input)

使用一个copy_from_cpu()方法即可完成设置，数据类型，通过numpy来保证。 在实际的使用过程中，有的用户会问到，”如果我想将预测引擎在 GPU 上执行怎么办呢？是否有一个copy_from_gpu()的方法？“ 回答也很简单，没有copy_from_gpu()的方法，无论是在 CPU 上执行预测引擎，还是在 GPU 上执行预测引擎，copy_from_cpu()就够了。

接着，执行预测引擎：

# 运行predictor
predictor.run()

完成预测引擎的执行之后，我们需要获得预测的输出。与设置输入类似 首先，我们获取输出的名称 其次，根据输出的名称得到Tensor的实例，用来关联输出的Tensor。 最后，使用copy_to_cpu()得到输出的矩阵向量。

output_names = predictor.get_output_names()
output_tensor = predictor.get_output_handle(output_names[0])
output_data = output_tensor.copy_to_cpu() # numpy.ndarray类型

使用Predictor进行高性能推理

class paddle.inference.Predictor

Predictor是运行预测的引擎，由paddle.inference.create_predictor(config)创建。

Predictor示例

import numpy

# 引用 paddle inference 预测库
import paddle.inference as paddle_infer

# 创建 config
config = paddle_infer.Config("./model/resnet50.pdmodel", "./model/resnet50.pdiparams")

# 根据 config 创建 predictor
predictor = paddle_infer.create_predictor(config)

# 获取输入 Tensor
input_names = predictor.get_input_names()
input_tensor = predictor.get_input_handle(input_names[0])

# 从 CPU 获取数据，设置到 Tensor 内部
fake_input = numpy.random.randn(1, 3, 224, 224).astype("float32")
input_tensor.copy_from_cpu(fake_input)

# 执行预测
predictor.run()

支持方法列表

在这里，我们先做一个总结。总结下前文介绍的使用预测库的 Python API 都有哪些方法。

• Tensor

• copy_from_cpu(input: numpy.ndarray) -> None
• copy_to_cpu() -> numpy.ndarray
• reshape(input: numpy.ndarray|List[int]) -> None
• shape() -> List[int]
• set_lod(input: numpy.ndarray|List[List[int]]) -> None
• lod() -> List[List[int]]
• type() -> PaddleDType

• Config

• set_model(prog_file: str, params_file: str) -> None
• prog_file() -> str
• params_file() -> str
• enable_use_gpu(memory_pool_init_size_mb: int, device_id: int) -> None
• gpu_device_id() -> int
• switch_ir_optim(x: bool = True) -> None
• enable_tensorrt_engine(workspace_size: int = 1 << 20, max_batch_size: int, min_subgraph_size: int, precision_mode: PrecisionType, use_static: bool, use_calib_mode: bool) -> None
• enable_mkldnn() -> None
• disable_glog_info() -> None
• delete_pass(pass_name: str) -> None

• Predictor

• run() -> None
• get_input_names() -> List[str]
• get_input_handle(input_name: str) -> Tensor
• get_output_names() -> List[str]
• get_output_handle(output_name: str) -> Tensor

Python API使用示例

下面是使用Python API进行推理的一个完整示例。

使用前文提前准备生成的模型example.model，在该路径下即可找到预测需要的模型文件linear.pdmodel和参数文件linear.pdiparams。

我们可以ls查看一下对应的路径下面内容：

ls example.model

linear.pdiparams  linear.pdiparams.info  linear.pdmodel

模型文件准备好了，接下来，可以直接运行下面的代码得到预测的结果，预测的结果。

最后的output_data就是预测程序返回的结果，output_data是一个numpy.ndarray类型的数组，可以直接获取其数据的值。output_data作为一个numpy.ndarray，大家需要自定义不同的后处理方式也更为方便。以下的代码就是使用Python预测API全部的部分。

如下的实例中，我们打印出了前10个数据。输出的数据的形状是[1, 1000]，其中1代表的是batch_size的大小，1000是这唯一一个样本的输出，有1000个数据。

import numpy as np
# 引用 paddle inference 预测库
import paddle.inference as paddle_infer

def main():
    # 设置Config
    config = set_config()

    # 创建Predictor
    predictor = paddle_infer.create_predictor(config)

    # 获取输入的名称
    input_names = predictor.get_input_names()
    input_tensor = predictor.get_input_handle(input_names[0])

    # 设置输入
    fake_input = np.random.randn(1,784).astype("float32")
    input_tensor.copy_from_cpu(fake_input)

    # 运行predictor
    predictor.run()

    # 获取输出
    output_names = predictor.get_output_names()
    output_tensor = predictor.get_output_handle(output_names[0])
    output_data = output_tensor.copy_to_cpu() # numpy.ndarray类型
    print("输出的形状如下: ")
    print(output_data.shape)
    print("输出前10个的数据如下: ")
    print(output_data[:10])

def set_config():
    config = paddle_infer.Config("./example.model/linear.pdmodel", "./example.model/linear.pdiparams")
    config.disable_gpu()
    return config

if __name__ == "__main__":
    main()

输出的形状如下: 
(1, 10)
输出前10个的数据如下: 
[[ 1.392835   -2.1492589  -1.244189   -0.5736715   1.6074656   2.109792
  -0.04553057  1.1988349   1.3468434  -0.6586081 ]]

--- Running analysis [ir_graph_build_pass]

--- Running analysis [ir_graph_clean_pass]
--- Running analysis [ir_analysis_pass]
--- Running IR pass [simplify_with_basic_ops_pass]
--- Running IR pass [layer_norm_fuse_pass]
---    Fused 0 subgraphs into layer_norm op.
--- Running IR pass [attention_lstm_fuse_pass]
--- Running IR pass [seqconv_eltadd_relu_fuse_pass]
--- Running IR pass [seqpool_cvm_concat_fuse_pass]
--- Running IR pass [mul_lstm_fuse_pass]
--- Running IR pass [fc_gru_fuse_pass]
---    fused 0 pairs of fc gru patterns
--- Running IR pass [mul_gru_fuse_pass]
--- Running IR pass [seq_concat_fc_fuse_pass]
--- Running IR pass [gpu_cpu_squeeze2_matmul_fuse_pass]
--- Running IR pass [gpu_cpu_reshape2_matmul_fuse_pass]
--- Running IR pass [gpu_cpu_flatten2_matmul_fuse_pass]
--- Running IR pass [matmul_v2_scale_fuse_pass]
--- Running IR pass [gpu_cpu_map_matmul_v2_to_mul_pass]
I0511 10:18:07.135977   117 fuse_pass_base.cc:57] ---  detected 1 subgraphs
--- Running IR pass [gpu_cpu_map_matmul_v2_to_matmul_pass]
--- Running IR pass [matmul_scale_fuse_pass]
--- Running IR pass [gpu_cpu_map_matmul_to_mul_pass]
--- Running IR pass [fc_fuse_pass]
I0511 10:18:07.136333   117 fuse_pass_base.cc:57] ---  detected 1 subgraphs
--- Running IR pass [repeated_fc_relu_fuse_pass]
--- Running IR pass [squared_mat_sub_fuse_pass]
--- Running IR pass [conv_bn_fuse_pass]
--- Running IR pass [conv_eltwiseadd_bn_fuse_pass]
--- Running IR pass [conv_transpose_bn_fuse_pass]
--- Running IR pass [conv_transpose_eltwiseadd_bn_fuse_pass]
--- Running IR pass [is_test_pass]
--- Running IR pass [runtime_context_cache_pass]
--- Running analysis [ir_params_sync_among_devices_pass]
--- Running analysis [adjust_cudnn_workspace_size_pass]
--- Running analysis [inference_op_replace_pass]
--- Running analysis [ir_graph_to_program_pass]
I0511 10:18:07.138321   117 analysis_predictor.cc:1006] ======= optimize end =======
I0511 10:18:07.138358   117 naive_executor.cc:102] ---  skip [feed], feed -> generated_var_0
I0511 10:18:07.138401   117 naive_executor.cc:102] ---  skip [linear_1.tmp_1], fetch -> fetch

 

Python API性能调优

Python 预测 API 的优化与 C++ 预测 API 的优化方法完全一样。大家在使用的时候，可以参照 C++ 预测 API 的优化说明。唯一存在不同的是，调用的方法的名称，在这里，我们做了一个对应的表格供大家查阅。

C++预测API函数名称	Python预测API函数名称
EnableMemoryOptim()	enable_memory_optim()
SwitchIrOptim(true)	switch_ir_optim(True)
EnableMKLDNN()	enable_mkldnn()
SetCpuMathLibraryNumThreads(num)	set_cpu_math_library_num_threads(num)
EnableTensorRtEngine()	enable_tensorrt_engine()

以上方法在使用 Python 预测 API 的时候，都可以直接使用

config.methods_name()

完成调用与配置。