基本原理¶
一、 @to_static概览¶
如下是一个使用 @to_static 装饰器的 Model 示例：
import paddle
from paddle.jit import to_static
class SimpleNet(paddle.nn.Layer):
def __init__(self):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
# 方式一：装饰 forward 函数
@to_static
def forward(self, x, y):
out = self.linear(x)
out = out + y
return out
net = SimpleNet()
# 方式二：(推荐)仅做预测模型导出时，推荐此种用法
net = paddle.jit.to_static(net) # 动静转换
1.1 动态图 layer 生成 Program¶
上述样例中的 forward 函数包含两行组网代码： Linear 和 add 操作。以 Linear 为例，在 Paddle 的框架底层，每个 Paddle 的组网 API 的实现包括两个分支：
class Linear(...):
def __init__(self, ...):
# ...(略)
def forward(self, input):
if in_dygraph_mode(): # 动态图分支
core.ops.matmul(input, self.weight, pre_bias, ...)
return out
else: # 静态图分支
self._helper.append_op(type="matmul", inputs=inputs, ...) # <----- 生成一个 Op
if self.bias is not None:
self._helper.append_op(type='elementwise_add', ...) # <----- 生成一个 Op
return out
动态图 layer 生成 Program ，其实是开启 paddle.enable_static() 时，在静态图下逐行执行用户定义的组网代码，依次添加(对应 append_op 接口) 到默认的主 Program（即 main_program ） 中。
1.2 动态图 Tensor 转为静态图 Variable¶
上面提到，所有的组网代码都会在静态图模式下执行，以生成完整的 Program 。但静态图 append_op 有一个前置条件必须满足：
前置条件：append_op() 时，所有的 inputs，outputs 必须都是静态图的 Variable 类型，不能是动态图的 Tensor 类型。
原因：静态图下，操作的都是描述类单元：计算相关的 OpDesc ，数据相关的 VarDesc 。可以分别简单地理解为 Program 中的 Op 和 Variable 。
因此，在动转静时，我们在需要在某个统一的入口处，将动态图 Layers 中 Tensor 类型（包含具体数据）的 Weight 、Bias 等变量转换为同名的静态图 Variable。
ParamBase → Parameters
VarBase → Variable
技术实现上，我们选取了框架层面两个地方作为类型转换的入口：
Paddle.nn.Layer基类的__call__函数def __call__(self, *inputs, **kwargs): # param_guard 会对将 Tensor 类型的 Param 和 buffer 转为静态图 Variable with param_guard(self._parameters), param_guard(self._buffers): # ... forward_pre_hook 逻辑 outputs = self.forward(*inputs, **kwargs) # 此处为forward函数 # ... forward_post_hook 逻辑 return outpus
Block.append_op函数中，生成Op之前def append_op(self, *args, **kwargs): if in_dygraph_mode(): # ... (动态图分支) else: inputs=kwargs.get("inputs", None) outputs=kwargs.get("outputs", None) # param_guard 会确保将 Tensor 类型的 inputs 和 outputs 转为静态图 Variable with param_guard(inputs), param_guard(outputs): op = Operator( block=self, desc=op_desc, type=kwargs.get("type", None), inputs=inputs, outputs=outputs, attrs=kwargs.get("attrs", None))
以上，是动态图转为静态图的两个核心逻辑，总结如下：
动态图
layer调用在动转静时会走底层append_op的分支，以生成Program动态图
Tensor转为静态图Variable，并确保编译期的InferShape正确执行
二、 输入层 InputSpec¶
静态图下，模型起始的 Placeholder 信息是通过 paddle.static.data 来指定的，并以此作为编译期的 InferShape 推导起点。
import paddle
# 开启静态图模式
paddle.enable_static()
# placeholder 信息
x = paddle.static.data(shape=[None, 10], dtype='float32', name='x')
y = paddle.static.data(shape=[None, 3], dtype='float32', name='y')
out = paddle.static.nn.fc(x, 3)
out = paddle.add(out, y)
动转静代码示例，通过 InputSpec 设置 Placeholder 信息：
import paddle
from paddle.jit import to_static
class SimpleNet(paddle.nn.Layer):
def __init__(self):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
# 方式一：在函数定义处装饰
@to_static
def forward(self, x, y):
out = self.linear(x)
out = out + y
return out
net = SimpleNet()
# 方式二：(推荐)仅做预测模型导出时，推荐此种用法
x_spec = InputSpec(shape=[None, 10], name='x')
y_spec = InputSpec(shape=[3], name='y')
net = paddle.jit.to_static(net, input_spec=[x_spec, y_spec]) # 动静转换
在导出模型时，需要显式地指定输入 Tensor 的签名信息，优势是：
可以指定某些维度为
None， 如batch_size，seq_len维度可以指定 Placeholder 的
name，方面预测时根据name输入数据
注：InputSpec 接口的高阶用法，请参看 【官方文档】InputSpec 功能介绍
三、函数转写¶
在 NLP、CV 领域中，一个模型常包含层层复杂的子函数调用，动转静中是如何实现只需装饰最外层的 forward 函数，就能递归处理所有的函数？
如下是一个模型样例：
import paddle
from paddle.jit import to_static
class SimpleNet(paddle.nn.Layer):
def __init__(self):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
@to_static
def forward(self, x, y):
out = self.my_fc(x) # <---- self.other_func
out = add_two(out, y) # <---- other plain func
return out
def my_fc(self, x):
out = self.linear(x)
return out
# 此函数可以在任意文件
def add_two(x, y):
out = x + y
return out
net = SimpleNet()
# 查看转写的代码内容
paddle.jit.set_code_level(100)
x = paddle.zeros([2,10], 'float32')
y = paddle.zeros([3], 'float32')
out = net(x, y)
可以通过 paddle.jit.set_code_level(100) 在执行时打印代码转写的结果到终端，转写代码如下：
def forward(self, x, y):
out = paddle.jit.dy2static.convert_call(self.my_fc)(x)
out = paddle.jit.dy2static.convert_call(add_two)(out, y)
return out
def my_fc(self, x):
out = paddle.jit.dy2static.convert_call(self.linear)(x)
return out
def add_two(x, y):
out = x + y
return out
如上所示，所有的函数调用都会被转写如下形式：
out = paddle.jit.dy2static.convert_call( self.my_fc )( x )
^ ^ ^ ^
| | | |
返回列表 convert_call 原始函数 参数列表
即使函数定义分布在不同的文件中， convert_call 函数也会递归地处理和转写所有嵌套的子函数。
四、控制流转写¶
控制流 if/for/while 的转写和处理是动转静中比较重要的模块，也是动态图模型和静态图模型实现上差别最大的一部分。
转写上有两个基本原则：
并非所有动态图中的
if/for/while都会转写为cond_op/while_op只有控制流的判断条件**依赖了
Tensor**（如shape或value），才会转写为对应 Op
4.1 IfElse¶
首先，无论是否会转写为 cond_op ，动转静都会首先都会对代码进行处理，转写为 cond 接口可以接受的写法
示例一：不依赖 Tensor 的控制流
def not_depend_tensor_if(x, label=None):
out = x + 1
if label is not None: # <----- python bool 类型
out = paddle.nn.functional.cross_entropy(out, label)
return out
print(to_static(not_depend_tensor_ifw).code)
# 转写后的代码：
"""
def not_depend_tensor_if(x, label=None):
out = x + 1
def true_fn_1(label, out): # true 分支
out = paddle.nn.functional.cross_entropy(out, label)
return out
def false_fn_1(out): # false 分支
return out
out = paddle.jit.dy2static.convert_ifelse(label is not None, true_fn_1,
false_fn_1, (label, out), (out,), (out,))
return out
"""
示例二：依赖 Tensor 的控制流
def depend_tensor_if(x):
if paddle.mean(x) > 5.: # <---- Bool Tensor 类型
out = x - 1
else:
out = x + 1
return out
print(to_static(depend_tensor_if).code)
# 转写后的代码：
"""
def depend_tensor_if(x):
out = paddle.jit.dy2static.data_layer_not_check(name='out', shape=[-1],
dtype='float32')
def true_fn_0(x): # true 分支
out = x - 1
return out
def false_fn_0(x): # false 分支
out = x + 1
return out
out = paddle.jit.dy2static.convert_ifelse(paddle.mean(x) > 5.0,
true_fn_0, false_fn_0, (x,), (x,), (out,))
return out
"""
规范化代码之后，所有的 IfElse 均转为了如下形式：
out = convert_ifelse(paddle.mean(x) > 5.0, true_fn_0, false_fn_0, (x,), (x,), (out,))
^ ^ ^ ^ ^ ^ ^ ^
| | | | | | | |
输出 convert_ifelse 判断条件 true分支 false分支 分支输入 分支输入 输出
conver_ifelse 是框架底层的函数，在逐行执行用户代码生成 Program 时，执行到此处时，会根据判断条件的类型（ bool 还是 Bool Tensor ），自适应决定是否转为 cond_op 。
def convert_ifelse(pred, true_fn, false_fn, true_args, false_args, return_vars):
if isinstance(pred, Variable): # 触发 cond_op 的转换
return _run_paddle_cond(pred, true_fn, false_fn, true_args, false_args,
return_vars)
else: # 正常的 python if
return _run_py_ifelse(pred, true_fn, false_fn, true_args, false_args)
4.2 For/While¶
For/While 也会先进行代码层面的规范化，在逐行执行用户代码时，才会决定是否转为 while_op。
示例一：不依赖 Tensor 的控制流
def not_depend_tensor_while(x):
a = 1
while a < 10: # <---- a is python scalar
x = x + 1
a += 1
return x
print(to_static(not_depend_tensor_while).code)
"""
def not_depend_tensor_while(x):
a = 1
def while_condition_0(a, x):
return a < 10
def while_body_0(a, x):
x = x + 1
a += 1
return a, x
[a, x] = paddle.jit.dy2static.convert_while_loop(while_condition_0,
while_body_0, [a, x])
return x
"""
示例二：依赖 Tensor 的控制流
def depend_tensor_while(x):
bs = paddle.shape(x)[0]
for i in range(bs): # <---- bas is a Tensor
x = x + 1
return x
print(to_static(depend_tensor_while).code)
"""
def depend_tensor_while(x):
bs = paddle.shape(x)[0]
i = 0
def for_loop_condition_0(x, i, bs):
return i < bs
def for_loop_body_0(x, i, bs):
x = x + 1
i += 1
return x, i, bs
[x, i, bs] = paddle.jit.dy2static.convert_while_loop(for_loop_condition_0,
for_loop_body_0, [x, i, bs])
return x
"""
convert_while_loop 的底层的逻辑同样会根据**判断条件是否为Variable**来决定是否转为 while_op
五、 Parameters 与 Buffers¶
什么是 Buffers 变量？
Parameters：
persistable为True，且每个 batch 都被 Optimizer 更新的变量Buffers：
persistable为True，is_trainable = False，不参与更新，但与预测相关；如BatchNorm层中的均值和方差
在动态图模型代码中，若一个 paddle.to_tensor 接口生成的 Tensor 参与了最终预测结果的的计算，则此 Tensor 需要在转换为静态图预测模型时，也需要作为一个 persistable 的变量保存到 .pdparam 文件中。
举一个例子（错误写法）：
import paddle
from paddle.jit import to_static
class SimpleNet(paddle.nn.Layer):
def __init__(self, mask):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
# mask value，此处不会保存到预测模型文件中
self.mask = mask # 假设为 [0, 1, 1]
def forward(self, x, y):
out = self.linear(x)
out = out + y
mask = paddle.to_tensor(self.mask) # <----- 每次执行都转为一个 Tensor
out = out * mask
return out
推荐的写法是：
class SimpleNet(paddle.nn.Layer):
def __init__(self, mask):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
# 此处的 mask 会当做一个 buffer Tensor，保存到 .pdparam 文件
self.mask = paddle.to_tensor(mask) # 假设为 [0, 1, 1]
def forward(self, x, y):
out = self.linear(x)
out = out + y
out = out * self.mask # <---- 直接使用 self.mask
return out
总结一下 buffers 的用法：
若某个非
Tensor数据需要当做Persistable的变量序列化到磁盘，则最好在__init__中调用self.XX= paddle.to_tensor(xx)接口转为buffer变量
