注意
PyTorch Vulkan 后端已不再维护。请参考 ExecuTorch Vulkan 委托 实现。
PyTorch Vulkan 后端用户工作流#
作者: Ivan Kobzarev
简介#
PyTorch 1.7 支持在支持 Vulkan 图形和计算 API 的 GPU 上运行模型推理。主要目标设备是 Android 设备上的移动 GPU。Vulkan 后端也可以在 Linux、Mac 和 Windows 桌面版本中使用 Vulkan 设备，例如 Intel 集成 GPU。此功能处于原型阶段，可能会发生更改。
使用 Vulkan 后端构建 PyTorch#
Vulkan 后端不包含在默认设置中。包含 Vulkan 后端的主要开关是 cmake 选项 USE_VULKAN，可以通过环境变量 USE_VULKAN 来设置。
要使用带有 Vulkan 后端的 PyTorch，我们需要从源代码构建它并添加额外的设置。从 GitHub master 分支检出 PyTorch 源代码。
可选的 Vulkan 包装器使用#
默认情况下，Vulkan 库将在运行时通过 vulkan_wrapper 库加载。如果您设置环境变量 USE_VULKAN_WRAPPER=0，libvulkan 将被直接链接。
桌面构建#
Vulkan SDK#
从 https://vulkan.lunarg.com/sdk/home 下载 VulkanSDK 并设置环境变量 VULKAN_SDK
将 VulkanSDK 解压到 VULKAN_SDK_ROOT 文件夹，并按照 VulkanSDK 的说明为您的系统安装 VulkanSDK。
对于 Mac
cd $VULKAN_SDK_ROOT
source setup-env.sh
sudo python install_vulkan.py
构建 PyTorch
对于 Linux
cd PYTORCH_ROOT
USE_VULKAN=1 USE_VULKAN_SHADERC_RUNTIME=1 USE_VULKAN_WRAPPER=0 python setup.py install
对于 Mac
cd PYTORCH_ROOT
USE_VULKAN=1 USE_VULKAN_SHADERC_RUNTIME=1 USE_VULKAN_WRAPPER=0 MACOSX_DEPLOYMENT_TARGET=10.9 CC=clang CXX=clang++ python setup.py install
构建成功后，打开另一个终端并验证已安装的 PyTorch 的版本。
import torch
print(torch.__version__)
在撰写此食谱时，版本为 1.8.0a0+41237a4。您可能会看到不同的数字，具体取决于您何时从 master 检出代码，但它应该大于 1.7.0。
Android 构建#
为指定的 ANDROID_ABI 构建带有 Vulkan 后端的 LibTorch for android。
cd PYTORCH_ROOT
ANDROID_ABI=arm64-v8a USE_VULKAN=1 sh ./scripts/build_android.sh
准备 pytorch_android aars，以便您可以在应用程序中直接使用
cd $PYTORCH_ROOT
USE_VULKAN=1 sh ./scripts/build_pytorch_android.sh
模型准备#
安装 torchvision，获取默认的预训练浮点模型。
pip install torchvision
将预训练的 mobilenet_v2 保存到文件的 Python 脚本
import torch
import torchvision
model = torchvision.models.mobilenet_v2(pretrained=True)
model.eval()
script_model = torch.jit.script(model)
torch.jit.save(script_model, "mobilenet2.pt")
PyTorch 1.7 Vulkan 后端仅支持 32 位浮点运算符。默认模型需要额外的步骤来优化运算符融合。
from torch.utils.mobile_optimizer import optimize_for_mobile
script_model_vulkan = optimize_for_mobile(script_model, backend='vulkan')
torch.jit.save(script_model_vulkan, "mobilenet2-vulkan.pt")
结果模型只能在 Vulkan 后端上使用，因为它包含 Vulkan 后端特有的运算符。
默认情况下，optimize_for_mobile 和 backend='vulkan' 会重写图，以便将输入传输到 Vulkan 后端，并将输出传输到 CPU 后端，因此，该模型可以使用 CPU 输入运行并产生 CPU 输出。要禁用此功能，请将参数 optimization_blocklist={MobileOptimizerType.VULKAN_AUTOMATIC_GPU_TRANSFER} 添加到 optimize_for_mobile 中。（MobileOptimizerType 可以从 torch.utils.mobile_optimizer 导入）
有关更多信息，请参阅 torch.utils.mobile_optimizer API 文档。
在代码中使用 Vulkan 后端#
C++ API#
at::is_vulkan_available()
auto tensor = at::rand({1, 2, 2, 3}, at::device(at::kCPU).dtype(at::kFloat));
auto tensor_vulkan = t.vulkan();
auto module = torch::jit::load("$PATH");
auto tensor_output_vulkan = module.forward(inputs).toTensor();
auto tensor_output = tensor_output.cpu();
函数 at::is_vulkan_available() 尝试初始化 Vulkan 后端，如果成功找到 Vulkan 设备并创建了上下文，则返回 true，否则返回 false。
在 Tensor 上调用函数 .vulkan() 会将 Tensor 复制到 Vulkan 设备，对于以该 Tensor 作为输入的运算符，该运算符将在 Vulkan 设备上运行，并且其输出将在 Vulkan 设备上。
在 Vulkan Tensor 上调用函数 .cpu() 会将其数据复制到 CPU Tensor（默认）。
以 Vulkan 设备上的 Tensor 作为输入的运算符将在 Vulkan 设备上执行。如果某个运算符不支持 Vulkan 后端，则会抛出异常。
支持的运算符列表
_adaptive_avg_pool2d
_cat
add.Scalar
add.Tensor
add_.Tensor
addmm
avg_pool2d
clamp
convolution
empty.memory_format
empty_strided
hardtanh_
max_pool2d
mean.dim
mm
mul.Scalar
relu_
reshape
select.int
slice.Tensor
transpose.int
transpose_
unsqueeze
upsample_nearest2d
view
这些运算符允许在 Vulkan 后端上使用 torchvision 模型进行图像分类。
Python API#
torch.is_vulkan_available() 已暴露给 Python API。
tensor.to(device='vulkan') 的作用与 .vulkan() 相同，将 Tensor 移动到 Vulkan 设备。
在撰写本教程时，.vulkan() 尚未暴露给 Python API，但计划在未来添加。
Android Java API#
对于 Android API，要在 Vulkan 后端上运行模型，我们必须在加载模型时指定。
import org.pytorch.Device;
Module module = Module.load("$PATH", Device.VULKAN)
FloatBuffer buffer = Tensor.allocateFloatBuffer(1 * 3 * 224 * 224);
Tensor inputTensor = Tensor.fromBlob(buffer, new int[]{1, 3, 224, 224});
Tensor outputTensor = mModule.forward(IValue.from(inputTensor)).toTensor();
在这种情况下，所有输入都将从 CPU 透明地复制到 Vulkan 设备，模型将在 Vulkan 设备上运行，输出将透明地复制到 CPU。
使用 Vulkan 构建 Android 测试应用#
cd $PYTORCH_ROOT
USE_VULKAN=1 sh ./scripts/build_pytorch_android.sh
或者，如果您只需要特定的 ABI，可以将其作为参数设置。
cd $PYTORCH_ROOT
USE_VULKAN=1 sh ./scripts/build_pytorch_android.sh $ANDROID_ABI
将准备好的模型 mobilenet2-vulkan.pt 添加到测试应用程序的 assets 中。
cp mobilenet2-vulkan.pt $PYTORCH_ROOT/android/test_app/app/src/main/assets/
cd $PYTORCH_ROOT
gradle -p android test_app:installMbvulkanLocalBaseDebug
成功安装后，可以在设备上启动名为“MBQ”的应用程序。
无需将模型上传到 Android 设备即可进行测试#
Vulkan 的软件实现（例如 https://swiftshader.googlesource.com/SwiftShader）可用于测试模型是否可以使用 PyTorch Vulkan 后端运行（例如，检查模型的所有运算符是否受支持）。
