评价此页
★ ★ ★ ★ ★
recipes/torch_export_challenges_solutions

torch.export 流演示、常见挑战及解决方案#

作者： Ankith Gunapal, Jordi Ramon, Marcos Carranza

在 torch.export 入门教程 中，我们学习了如何使用 torch.export。本教程在前一教程的基础上进行了扩展，通过代码演示了导出流行模型的流程，并解决了使用 torch.export 时可能遇到的常见挑战。

在本教程中，您将学习如何为以下用例导出模型

选择这四个模型是为了展示 torch.export 的独特功能，以及在实现过程中遇到的一些实际考虑和问题。

先决条件#

  • PyTorch 2.4 或更高版本

  • 对 torch.export 和 PyTorch Eager 推理有基本了解。

torch.export 的关键要求：无图中断#

torch.compile 通过使用 JIT 将 PyTorch 代码编译为优化内核来加速 PyTorch 代码。它使用 TorchDynamo 优化给定模型，并创建一个优化的图，然后通过 API 中指定的后端将其降低到硬件。当 TorchDynamo 遇到不支持的 Python 功能时，它会中断计算图，让默认的 Python 解释器处理不支持的代码，然后恢复捕获图。计算图中的这种中断称为 图中断。

torch.export 和 torch.compile 的关键区别之一是 torch.export 不支持图中断，这意味着您要导出的整个模型或模型的一部分需要是一个单独的图。这是因为处理图中断涉及使用默认的 Python 评估来解释不支持的操作，这与 torch.export 的设计目的不兼容。您可以通过此 链接 阅读各种 PyTorch 框架之间差异的详细信息。

您可以使用以下命令识别程序中的图中断

TORCH_LOGS="graph_breaks" python <file_name>.py

您需要修改您的程序以消除图中断。解决后，您就可以导出模型了。PyTorch 会在流行的 HuggingFace 和 TIMM 模型上运行 torch.compile 的夜间基准测试。其中大多数模型没有图中断。

本实践中的模型没有图中断，但与 torch.export 失败。

视频分类#

MViT 是一类基于 MultiScale Vision Transformers 的模型。该模型已使用 Kinetics-400 数据集 进行了视频分类训练。该模型配合相关数据集，可在游戏场景中用于动作识别。

下面的代码通过使用 batch_size=2 进行跟踪来导出 MViT，然后检查导出的程序是否可以使用 batch_size=4 运行。

import numpy as np
import torch
from torchvision.models.video import MViT_V1_B_Weights, mvit_v1_b
import traceback as tb

model = mvit_v1_b(weights=MViT_V1_B_Weights.DEFAULT)

# Create a batch of 2 videos, each with 16 frames of shape 224x224x3.
input_frames = torch.randn(2,16, 224, 224, 3)
# Transpose to get [1, 3, num_clips, height, width].
input_frames = np.transpose(input_frames, (0, 4, 1, 2, 3))

# Export the model.
exported_program = torch.export.export(
    model,
    (input_frames,),
)

# Create a batch of 4 videos, each with 16 frames of shape 224x224x3.
input_frames = torch.randn(4,16, 224, 224, 3)
input_frames = np.transpose(input_frames, (0, 4, 1, 2, 3))
try:
    exported_program.module()(input_frames)
except Exception:
    tb.print_exc()

错误：静态批次大小#

    raise RuntimeError(
RuntimeError: Expected input at *args[0].shape[0] to be equal to 2, but got 4

默认情况下，导出流程会假设所有输入形状都是静态的进行跟踪，因此如果您使用与跟踪时不同的输入形状运行程序，将会遇到错误。

解决方案#

为了解决此错误，我们将输入的第一维度（batch_size）指定为动态，指定 batch_size 的预期范围。在下面显示的已更正示例中，我们指定预期的 batch_size 范围可以是从 1 到 16。一个需要注意的细节是 min=2 并不是一个 bug，它在 0/1 特殊化问题 中有解释。有关 torch.export 动态形状的详细描述，请参阅导出教程。下面的代码演示了如何导出具有动态批次大小的 mViT。

import numpy as np
import torch
from torchvision.models.video import MViT_V1_B_Weights, mvit_v1_b
import traceback as tb


model = mvit_v1_b(weights=MViT_V1_B_Weights.DEFAULT)

# Create a batch of 2 videos, each with 16 frames of shape 224x224x3.
input_frames = torch.randn(2,16, 224, 224, 3)

# Transpose to get [1, 3, num_clips, height, width].
input_frames = np.transpose(input_frames, (0, 4, 1, 2, 3))

# Export the model.
batch_dim = torch.export.Dim("batch", min=2, max=16)
exported_program = torch.export.export(
    model,
    (input_frames,),
    # Specify the first dimension of the input x as dynamic
    dynamic_shapes={"x": {0: batch_dim}},
)

# Create a batch of 4 videos, each with 16 frames of shape 224x224x3.
input_frames = torch.randn(4,16, 224, 224, 3)
input_frames = np.transpose(input_frames, (0, 4, 1, 2, 3))
try:
    exported_program.module()(input_frames)
except Exception:
    tb.print_exc()

自动语音识别#

自动语音识别（ASR）是使用机器学习将口语转换为文本。 Whisper 是来自 OpenAI 的基于 Transformer 的编码器-解码器模型，它在 680k 小时的标注数据上进行了 ASR 和语音翻译的训练。下面的代码尝试导出用于 ASR 的 whisper-tiny 模型。

import torch
from transformers import WhisperProcessor, WhisperForConditionalGeneration
from datasets import load_dataset

# load model
model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-tiny")

# dummy inputs for exporting the model
input_features = torch.randn(1,80, 3000)
attention_mask = torch.ones(1, 3000)
decoder_input_ids = torch.tensor([[1, 1, 1 , 1]]) * model.config.decoder_start_token_id

model.eval()

exported_program: torch.export.ExportedProgram= torch.export.export(model, args=(input_features, attention_mask, decoder_input_ids,))

错误：TorchDynamo 严格跟踪#

torch._dynamo.exc.InternalTorchDynamoError: AttributeError: 'DynamicCache' object has no attribute 'key_cache'

默认情况下，torch.export 使用 TorchDynamo（一个字节码分析引擎）跟踪您的代码，它会符号化地分析您的代码并构建图。此分析提供了更强的安全性保证，但并非所有 Python 代码都受支持。当我们使用默认的严格模式导出 whisper-tiny 模型时，它通常会在 Dynamo 中因不支持的功能而返回错误。要了解为什么这会在 Dynamo 中导致错误，您可以参考此 GitHub issue。

解决方案#

为了解决上述错误，torch.export 支持 non_strict 模式，在该模式下，程序使用 Python 解释器进行跟踪，其工作方式类似于 PyTorch Eager 执行。唯一的区别是所有 Tensor 对象将被替换为 ProxyTensors，它们会将所有操作记录到图中。通过使用 strict=False，我们能够导出程序。

import torch
from transformers import WhisperProcessor, WhisperForConditionalGeneration
from datasets import load_dataset

# load model
model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-tiny")

# dummy inputs for exporting the model
input_features = torch.randn(1,80, 3000)
attention_mask = torch.ones(1, 3000)
decoder_input_ids = torch.tensor([[1, 1, 1 , 1]]) * model.config.decoder_start_token_id

model.eval()

exported_program: torch.export.ExportedProgram= torch.export.export(model, args=(input_features, attention_mask, decoder_input_ids,), strict=False)

图像字幕#

图像字幕 是用文字来定义图像内容的任务。在游戏背景下，图像字幕可以通过动态生成场景中各种游戏对象的文本描述来增强游戏体验，从而为玩家提供额外的信息。 BLIP 是一个流行的图像字幕模型，由 SalesForce Research 发布。下面的代码尝试使用 batch_size=1 导出 BLIP。

import torch
from models.blip import blip_decoder

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
image_size = 384
image = torch.randn(1, 3,384,384).to(device)
caption_input = ""

model_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_base_capfilt_large.pth'
model = blip_decoder(pretrained=model_url, image_size=image_size, vit='base')
model.eval()
model = model.to(device)

exported_program: torch.export.ExportedProgram= torch.export.export(model, args=(image,caption_input,), strict=False)

错误：无法修改具有冻结存储的张量#

在导出模型时，可能会失败，因为模型实现可能包含某些 Python 操作，而这些操作尚未得到 torch.export 的支持。其中一些失败可能有解决方法。BLIP 是一个例子，其中原始模型会出错，但通过对代码进行少量更改即可解决。 torch.export 在 ExportDB 中列出了支持和不支持的操作的常见情况，并显示了如何修改代码以使其兼容导出。

File "/BLIP/models/blip.py", line 112, in forward
    text.input_ids[:,0] = self.tokenizer.bos_token_id
  File "/anaconda3/envs/export/lib/python3.10/site-packages/torch/_subclasses/functional_tensor.py", line 545, in __torch_dispatch__
    outs_unwrapped = func._op_dk(
RuntimeError: cannot mutate tensors with frozen storage

解决方案#

克隆张量，发生导出失败的张量。

text.input_ids = text.input_ids.clone() # clone the tensor
text.input_ids[:,0] = self.tokenizer.bos_token_id

注意

此限制已在 PyTorch 2.7 Nightly 版本中放宽。这应该在 PyTorch 2.7 中开箱即用。

可提示图像分割#

图像分割 是一种计算机视觉技术，它根据像素的特征将数字图像划分为不同的像素组，即段。 Segment Anything Model (SAM) 引入了可提示图像分割，它可以通过指示所需对象的提示来预测对象掩码。 SAM 2 是第一个用于分割图像和视频中对象的统一模型。 SAM2ImagePredictor 类为模型提供了一个简单的接口，用于提示模型。该模型可以同时接受点和框提示作为输入，以及来自前一迭代预测的掩码。由于 SAM2 为对象跟踪提供了强大的零样本性能，因此可用于跟踪场景中的游戏对象。

SAM2ImagePredictor 的 predict 方法中的张量操作发生在 _predict 方法中。因此，我们尝试像这样导出。

ep = torch.export.export(
    self._predict,
    args=(unnorm_coords, labels, unnorm_box, mask_input, multimask_output),
    kwargs={"return_logits": return_logits},
    strict=False,
)

错误：模型不是 torch.nn.Module 类型#

torch.export 要求模块的类型为 torch.nn.Module。然而，我们尝试导出的模块是一个类方法。因此会报错。

Traceback (most recent call last):
  File "/sam2/image_predict.py", line 20, in <module>
    masks, scores, _ = predictor.predict(
  File "/sam2/sam2/sam2_image_predictor.py", line 312, in predict
    ep = torch.export.export(
  File "python3.10/site-packages/torch/export/__init__.py", line 359, in export
    raise ValueError(
ValueError: Expected `mod` to be an instance of `torch.nn.Module`, got <class 'method'>.

解决方案#

我们编写一个继承自 torch.nn.Module 的辅助类，并在该类的 forward 方法中调用 _predict 方法。完整的代码可以在 这里 找到。

class ExportHelper(torch.nn.Module):
    def __init__(self):
        super().__init__()

    def forward(_, *args, **kwargs):
        return self._predict(*args, **kwargs)

 model_to_export = ExportHelper()
 ep = torch.export.export(
      model_to_export,
      args=(unnorm_coords, labels, unnorm_box, mask_input,  multimask_output),
      kwargs={"return_logits": return_logits},
      strict=False,
      )

结论#

在本教程中，我们学习了如何通过正确的配置和简单的代码修改来解决挑战，从而使用 torch.export 为流行用例导出模型。一旦您能够导出模型，您就可以使用服务器的 AOTInductor 和边缘设备的 ExecuTorch 将 ExportedProgram 降低到您的硬件。要了解有关 AOTInductor (AOTI) 的更多信息，请参阅 AOTI 教程。要了解有关 ExecuTorch 的更多信息，请参阅 ExecuTorch 教程。

在此页面上
PyTorch 库