模型可视化方法

Paddle Lite框架中主要使用到的模型结构有2种:(1) 为PaddlePaddle深度学习框架产出的模型格式; (2) 使用Lite模型优化工具opt优化后的模型格式。因此本章节包含内容如下:

  1. Paddle推理模型可视化
  2. Lite优化模型可视化
  3. Lite子图方式下模型可视化

Paddle推理模式可视化

Paddle用于推理的模型是通过save_inference_model这个API保存下来的,存储格式有两种,由save_inference_model接口中的 model_filenameparams_filename 变量控制:

  • non-combined形式:参数保存到独立的文件,如设置 model_filenameNone , params_filenameNone

    $ ls -l recognize_digits_model_non-combined/
    total 192K
    -rw-r--r-- 1 root root  28K Sep 24 09:39 __model__          # 模型文件
    -rw-r--r-- 1 root root  104 Sep 24 09:39 conv2d_0.b_0       # 独立权重文件
    -rw-r--r-- 1 root root 2.0K Sep 24 09:39 conv2d_0.w_0       # 独立权重文件
    -rw-r--r-- 1 root root  224 Sep 24 09:39 conv2d_1.b_0       # ...
    -rw-r--r-- 1 root root  98K Sep 24 09:39 conv2d_1.w_0
    -rw-r--r-- 1 root root   64 Sep 24 09:39 fc_0.b_0
    -rw-r--r-- 1 root root  32K Sep 24 09:39 fc_0.w_0
    
  • combined形式:参数保存到同一个文件,如设置 model_filenamemodel , params_filenameparams

    $ ls -l recognize_digits_model_combined/
    total 160K
    -rw-r--r-- 1 root root  28K Sep 24 09:42 model         # 模型文件
    -rw-r--r-- 1 root root 132K Sep 24 09:42 params        # 权重文件
    

通过以上方式保存下来的模型文件都可以通过Netron工具来打开查看模型的网络结构。

注意:Netron当前要求PaddlePaddle的保存模型文件名必须为__model__,否则无法识别。如果是通过第二种方式保存下来的combined形式的模型文件,需要将文件重命名为__model__

Lite优化模型可视化

Paddle Lite在执行模型推理之前需要使用模型优化工具opt来对模型进行优化,优化后的模型结构同样可以使用Netron工具进行查看,但是必须保存为protobuf格式,而不是naive_buffer格式。

注意: 为了减少第三方库的依赖、提高Lite预测框架的通用性,在移动端使用Lite API您需要准备Naive Buffer存储格式的模型(该模型格式是以.nb为后缀的单个文件)。但是Naive Buffer格式的模型为序列化模型,不支持可视化。

这里以paddle_lite_opt工具为例:

  • 当模型输入为non-combined格式的Paddle模型时,需要通过--model_dir来指定模型文件夹

    $ paddle_lite_opt \
          --model_dir=./recognize_digits_model_non-combined/ \
          --valid_targets=arm \
          --optimize_out_type=protobuf \ # 注意:这里必须输出为protobuf格式
          --optimize_out=model_opt_dir_non-combined
    

    优化后的模型文件会存储在由--optimize_out指定的输出文件夹下,格式如下

    $ ls -l model_opt_dir_non-combined/
    total 152K
    -rw-r--r-- 1 root root  17K Sep 24 09:51 model     # 优化后的模型文件
    -rw-r--r-- 1 root root 132K Sep 24 09:51 params    # 优化后的权重文件
    
  • 当模式输入为combined格式的Paddle模型时,需要同时输入--model_file--param_file来分别指定Paddle模型的模型文件和权重文件

    $ paddle_lite_opt \
          --model_file=./recognize_digits_model_combined/model \
          --param_file=./recognize_digits_model_combined/params \
          --valid_targets=arm \
          --optimize_out_type=protobuf \ # 注意:这里必须输出为protobuf格式
          --optimize_out=model_opt_dir_combined
    

    优化后的模型文件同样存储在由--optimize_out指定的输出文件夹下,格式相同

    ls -l model_opt_dir_combined/
    total 152K
    -rw-r--r-- 1 root root  17K Sep 24 09:56 model     # 优化后的模型文件
    -rw-r--r-- 1 root root 132K Sep 24 09:56 params    # 优化后的权重文件
    

将通过以上步骤输出的优化后的模型文件model重命名为__model__,然后用Netron工具打开即可查看优化后的模型结构。将优化前后的模型进行对比,即可发现优化后的模型比优化前的模型更轻量级,在推理任务中耗费资源更少且执行速度也更快。

Lite子图方式下模型可视化

当模型优化的目标硬件平台为 华为NPU, 百度XPU, 瑞芯微NPU, 联发科APU 等通过子图方式接入的硬件平台时,得到的优化后的protobuf格式模型中运行在这些硬件平台上的算子都由subgraph算子包含,无法查看具体的网络结构。

华为NPU为例,运行以下命令进行模型优化,得到输出文件夹下的model, params两个文件。

$ paddle_lite_opt \
      --model_dir=./recognize_digits_model_non-combined/ \
      --valid_targets=npu,arm \         # 注意:这里的目标硬件平台为NPU,ARM
      --optimize_out_type=protobuf \
      --optimize_out=model_opt_dir_npu

将优化后的模型文件model重命名为__model__,然后用Netron工具打开,只看到单个的subgraph算子,如下图所示:

如果想要查看subgraph中的具体模型结构和算子信息需要打开Lite Debug Log,Lite在优化过程中会以.dot文本形式输出模型的拓扑结构,将.dot的文本内容复制到webgraphviz即可查看模型结构。

$ export GLOG_v=5 # 注意:这里打开Lite中Level为5及以下的的Debug Log信息
$ paddle_lite_opt \
      --model_dir=./recognize_digits_model_non-combined/ \
      --valid_targets=npu,arm \
      --optimize_out_type=protobuf \
      --optimize_out=model_opt_dir_npu > debug_log.txt 2>&1 
# 以上命令会将所有的debug log存储在debug_log.txt文件中

打开debug_log.txt文件,将会看到多个由以下格式构成的拓扑图定义,由于recognize_digits模型在优化后仅存在一个subgraph,所以在文本搜索subgraphs的关键词,即可得到子图拓扑如下:

I0924 10:50:12.715279 122828 optimizer.h:202] == Running pass: npu_subgraph_pass
I0924 10:50:12.715335 122828 ssa_graph.cc:27] node count 33
I0924 10:50:12.715412 122828 ssa_graph.cc:27] node count 33
I0924 10:50:12.715438 122828 ssa_graph.cc:27] node count 33
subgraphs: 1  # 注意:搜索subgraphs:这个关键词,
digraph G {
   node_30[label="fetch"]
   node_29[label="fetch0" shape="box" style="filled" color="black" fillcolor="white"]
   node_28[label="save_infer_model/scale_0.tmp_0"]
   node_26[label="fc_0.tmp_1"]
   node_24[label="fc_0.w_0"]
   node_23[label="fc0_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   ...
   node_15[label="batch_norm_0.tmp_1"]
   node_17[label="conv2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   node_19[label="conv2d_1.b_0"]
   node_1->node_0
   node_0->node_2
   node_2->node_3
   ...
   node_28->node_29
   node_29->node_30
} // end G
I0924 10:50:12.715745 122828 op_lite.h:62] valid places 0
I0924 10:50:12.715764 122828 op_registry.cc:32] creating subgraph kernel for host/float/NCHW
I0924 10:50:12.715770 122828 op_lite.cc:89] pick kernel for subgraph host/float/NCHW get 0 kernels

将以上文本中以digraph G {开头和以} // end G结尾的这段文本复制粘贴到webgraphviz,即可看到子图中的具体模型结构,如下图。其中高亮的方形节点为算子,椭圆形节点为变量或张量。

若模型中存在多个子图,以上方法同样可以得到所有子图的具体模型结构。

同样以华为NPU和ARM平台混合调度为例,子图的产生往往是由于模型中存在部分算子无法运行在NPU平台上(比如NPU不支持的算子),这会导致整个模型被切分为多个子图,子图中包含的算子会运行在NPU平台上,而子图与子图之间的一个或多个算子则只能运行在ARM平台上。这里可以通过华为NPU自定义子图分割功能,将recognize_digits模型中的batch_norm设置为禁用NPU的算子,从而将模型分割为具有两个子图的模型:

# 此txt配置文件文件中的内容为 batch_norm
$ export SUBGRAPH_CUSTOM_PARTITION_CONFIG_FILE=./subgraph_custom_partition_config_file.txt
$ export GLOG_v=5 # 继续打开Lite的Debug Log信息
$ paddle_lite_opt \
      --model_dir=./recognize_digits_model_non-combined/ \
      --valid_targets=npu,arm \
      --optimize_out_type=protobuf \
      --optimize_out=model_opt_dir_npu > debug_log.txt 2>&1 #

将执行以上命令之后,得到的优化后模型文件model重命名为__model__,然后用Netron工具打开,就可以看到优化后的模型中存在2个subgraph算子,如左图所示,两个子图中间即为通过环境变量和配置文件指定的禁用NPU的batch_norm算子。

打开新保存的debug_log.txt文件,搜索final program关键字,拷贝在这之后的以digraph G {开头和以} // end G结尾的文本用webgraphviz查看,也是同样的模型拓扑结构,存在subgraph1subgraph3两个子图,两个子图中间同样是被禁用NPU的batch_norm算子,如右图所示。

之后继续在debug_log.txt文件中,搜索subgraphs关键字,可以得到所有子图的.dot格式内容如下:

digraph G {
   node_30[label="fetch"]
   node_29[label="fetch0" shape="box" style="filled" color="black" fillcolor="white"]
   node_28[label="save_infer_model/scale_0.tmp_0"]
   node_26[label="fc_0.tmp_1"]
   node_24[label="fc_0.w_0"]
   ...
   node_17[label="conv2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   node_19[label="conv2d_1.b_0"]
   node_0[label="feed0" shape="box" style="filled" color="black" fillcolor="white"]
   node_5[label="conv2d_0.b_0"]
   node_1[label="feed"]
   node_23[label="fc0_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   node_7[label="pool2d0_subgraph_1" shape="box" style="filled" color="black" fillcolor="green"]
   node_21[label="pool2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   ...
   node_18[label="conv2d_1.w_0"]
   node_1->node_0
   node_0->node_2
   ...
   node_28->node_29
   node_29->node_30
} // end G

将以上文本复制到webgraphviz查看,即可显示两个子图分别在整个模型中的结构,如下图所示。可以看到图中绿色高亮的方形节点的为subgraph1中的算子,红色高亮的方形节点为subgraph2中的算子,两个子图中间白色不高亮的方形节点即为被禁用NPU的batch_norm算子。

注意: 本章节用到的recognize_digits模型代码位于PaddlePaddle/book