编写 TorchScript 转换器¶

背景¶

在 JIT IR 中，操作被表示为图中的节点。节点具有输入和输出，由 torch::jit::Values 表示，它们是流入和流出节点的类型化抽象数据表示。TensorRT 通过使用 nvinfer1::ILayers 和 nvinfer1::ITensors 来表示其图，它们是节点和值的类似物。转换器的目标是创建新的 ILayers 和子图，以执行由节点指定的运算，并将生成的 ITensors 和 Values 关联起来。

转换器¶

转换器应该是函数，它们将使用输入列表（nvinfer1::ITensors 或 torch::jit::IValues）来构建等效于 LibTorch op 的层。

可以使用 RegisterNodeConversionPatterns 辅助类注册转换器，您可以在其中实例化一个 RegisterNodeConversionPatterns 对象，并在其上调用模式函数（如下所示），该函数接受一个字符串，描述将触发转换器运行的 op 的函数 schema，以及一个用于执行实际转换的 lambda 或函数。

请注意，模式函数可以链接。

auto acthardtanh TORCHTRT_UNUSED = RegisterNodeConversionPatterns()
    .pattern({
        "aten::hardtanh(Tensor self, Scalar min_val=-1, Scalar max_val=1) -> (Tensor)",
        [](ConversionCtx* ctx, const torch::jit::Node* n, args& args) -> bool {
            auto in = args[0].ITensor();
            auto min = args[1].unwrapToDouble();
            auto max = args[2].unwrapToDouble();

            auto new_layer = ctx->net->addActivation(*in, nvinfer1::ActivationType::kCLIP);
            TORCHTRT_CHECK(new_layer, "Unable to create layer for aten::hardtanh");

            new_layer->setAlpha(min);
            new_layer->setBeta(max);

            new_layer->setName(util::node_info(n).c_str());
            auto out_tensor = ctx->AssociateValueAndTensor(n->outputs()[0], new_layer->getOutput(0));

            LOG_DEBUG("Output shape: " << out_tensor->getDimensions());
            return true;
        }
    });

转换器契约¶

对转换器的保证¶

在 args 中，将为每个节点输入值（ITensor 或 IValue）提供一个条目。
输入将根据函数 schema 按顺序提供。

转换器的职责¶

Args 必须保证是无需检查即可解包 Arg 联合的类型，通常输入张量参数可以预期为 ITensors。
任何权重或静态值必须保证在转换结束之前有效。
1. 一个有用的工具是下面介绍的 Weights 辅助类。
转换器应为节点的每个输出生成一个 IValue 或 ITensor。编译器将检查这一点，并在存在未关联 ITensors 或 IValues 的 Values 时生成警告。
输出必须进行注解。
1. 在转换上下文的 value_tensor_map 中，必须将 JIT 节点的输出值与新的 TRT 层的输出张量关联起来。
为您的图层命名
1. 当我们可以跟踪图层和节点之间的对应关系时，调试会容易得多。我们当前使用的系统是将节点的“节点信息”用作图层的名称。
为您的张量命名
1. 使用输出值的调试名称作为新 ITensor 的名称（同样是为了调试）。

转换上下文¶

转换上下文维护转换状态，它管理网络定义、两个映射，一个存储 Values 和 IValues 之间的关联（evaluated_value_map），另一个存储 Values 和 ITensors 之间的关联，以及任何需要在转换结束前保留的内存。您将在转换器中直接使用的大部分 API 是直接访问网络定义以添加图层 ctx->net 和数据关联函数 ctx->AssociateValueAndTensor() 和 ctx->AssociateValueAndIValue()，您将使用这些函数将图层添加到 TRT 图层并记录节点输出与静态值或 TensorRT 图层输出的配对。

参数¶

提供给转换器的参数是 nvinfer1::ITensors 和 torch::jit::IValues（即 TensorRT 图中的抽象数据流和静态值）的可检查联合。您保证每个节点输入值都会有一个参数。它们按照函数 schema 的顺序提供。可以预期输入（即在 PyTorch 中模块的 forward 函数中传递的参数）将是 ITensors，但 Arg 类还提供了在解包之前安全检查参数的机制，如果您不确定。Args 还具有深度解包方法，可让您直接获取 IValue 中的底层数据（如果您知道它是安全的）。您也可以传入一个备用值，以防 IValue 为 None。IValues 已扩展，可以仅在 TensorLists 的情况下保存 ITensors 的包装器。您可以通过类似这样的模式从 IValue 中获取 ITensor： ivalue.toCustomClass<TensorContainer>()->tensor()。您可以使用 ivalue.isTensor() 或 ivalue.isCustomClass() 来判断 IValue 是否包含 Tensor 或 ITensor。

权重¶

权重在构建时使用，因此任何权重都需要保证在转换阶段结束之前都可用。TensorRT 还使用其自己的权重结构来保存权重。有一个围绕此类的包装器可供转换器使用，它抽象了其中的许多内容。

权重包装器类目前可以接受 at::Tensors 或单个值。在构造这些权重时，您还需要传递转换上下文，因为在内部，权重类将分配由转换上下文管理的内存来存储张量数据的副本。当转换上下文析构函数被销毁时，这些数据将被释放，因此转换器实际上不必考虑它。

从输入数据的形状会生成元数据，这些元数据在与 TensorRT 交互时非常有用，例如输入映射的数量、输出映射的数量和内核形状。

其他建议¶

在处理权重和其他静态值时，您可以利用完整的 aten 库。这意味着您可以在转换时执行大量工作以实现高效转换。一个很好的例子是 batch_norm 转换器，其中转换器在创建 TensorRT 层之前与 PyTorch 进行操作的融合。