使用 MegEngine Lite 进行推理#
本教程涉及的内容
(可选)理解静态图和动态图的区别,学会利用
trace
接口完成转换;(可选)学会将静态图模型借助
dump
接口序列化并导出.mge
文件;理解 megenginelite 的基本用法,使用它代替上一个教程中所用到的 Python 接口,并进行推理;
理解 MegEngine Lite 的基本用法,学会在本机环境编译 Lite 并作为 C++ 库使用。
什么是 MegEngine Lite#
MegEngine Lite 是 MegEngine 的一层接口封装,主要目的是为用户提供更加简洁、易用、高效的推理接口, 充分发挥 MegEngine 的多平台的推理能力。更加详细的介绍请参考 Deploy the model with MegEngine Lite 中的介绍。
本教程将衔接上一个教程,向你介绍 MegEngine Lite 最基本的用法,确保你跑通整个流程。
前置准备:获取模型文件#
开发阶段和部署阶段的 “模型文件” 是不同的概念
想要使用 MegEngine Lite 进行模型部署和推理,则需要有对应的模型文件。
这里提到的模型文件与模型开发中所提到的用
save
和 load
接口保存和加载的 Pickle 格式的模型(权重)文件是不同的概念。
这一小节主要介绍如何将已经开发完成的模型变成 Lite 可用的模型文件。
如果在工程团队中已经由上游直接提供了 .mge
文件,则可以跳过这一小节。⬇️ ⬇️ ⬇️
See also
我们将以使用
hub
模块获取到的 ShuffleNet 预训练模型为例进行说明;MegEngine 官网模型中心对 ShuffleNet V2 有详细的使用介绍(但没有用到 Lite 接口进行推理);
完整的脚本代码在 examples/deploy/lite/model.py, 默认将会得到
snetv2_x100_deploy.mge
文件。
获取预训练模型(你也可以加载使用自己开发的模型),切换到评估模式,以便用于推理:
import megengine.hub as hub net = hub.load("megvii-research/basecls", "snetv2_x100", pretrained=True) net.eval()
不清楚这一步骤的用户可以参考 Use Hub to publish and load pre-trained models 中的介绍。
编写模型推理步骤的函数代码,并使用
trace
进行装饰:from megengine.jit import trace import megengine.functional as F @trace(symbolic=True, capture_as_const=True) def infer_func(data, *, model): pred = model(data) pred_normalized = F.softmax(pred) return pred_normalized
通过引入一行代码,我们就已经将模型从动态图模式切换到了静态图模式。 关于这一部分的概念和原理,已经在 Just-in-time compilation (JIT) 和 Use the trace decorator 文档页面中进行了详细的解释。
生成随机数据(注意要满足输入形状),并实际执行一次上面的函数,以便得到静态图信息:
import numpy as np from megengine import Tensor data = np.random.random([1, 3, 224, 224]).astype(np.float32) infer_func(Tensor(data), model=net)
将静态图通过
dump
接口序列化导出成最终所需要的.mge
模型:infer_func.dump("snetv2_x100_deploy.mge", arg_names=["data"])
你会在当前目录下得到
snetv2_x100_deploy.mge
文件。
Note
为了方便和 Lite 接口调用结果对比,实际执行脚本时默认会使用一张暹罗猫图片作为输入样本, 并推理得到 Top-5 分类的预测结果(此处数值仅供参考,不同设备上可能会存在差异)。
0: class = Siamese_cat with probability = 20.2 %
1: class = lynx with probability = 13.3 %
2: class = Egyptian_cat with probability = 9.5 %
3: class = Persian_cat with probability = 4.9 %
4: class = Angora with probability = 3.0 %
使用 megenginelite 验证#
See also
在上一个教程《 使用 FastAPI 快速部署 MegEngine 模型 》中我们展示了如何快速部署一个手写数字分类模型, 当时使用的是 MegEngine 原生接口,而在这一小节,我们将展示 MegEngine Lite 的 Python 接口用法, 用户可以自行比对两种做法之间的流程和代码差异,并尝试再次用 FastAPI 进行快速部署。
See also
这里只展示核心逻辑,完整脚本代码在: examples/deploy/lite/inference.py
megenginelite
包提供 MegEngine Lite 的 Python 接口,伴随着 MegEngine Python 包存在:
>>> import megenginelite
在 Lite 中,我们通过 LiteNetwork
创建一个网络:
>>> from megenginelite import LiteNetwork
接下来要做的便是将上一步导出的静态图模型加载到 Lite 中:
>>> network = LiteNetwork()
>>> network.load("snetv2_x100_deploy.mge")
推理的步骤和 MegEngine 原生接口基本一致,区别在于数据此时是 LiteTensor
而非 Tensor
:
image = cv2.imread(path, cv2.IMREAD_COLOR)
transform = T.Compose([
T.Resize(256),
T.CenterCrop(224),
T.Normalize(mean=[103.530, 116.280, 123.675],
std=[57.375, 57.120, 58.395]), # BGR
T.ToMode("CHW"),
])
input_data = transform.apply(image)[np.newaxis, :] # CHW -> 1CHW
input_tensor = network.get_io_tensor("data")
input_tensor.set_data_by_copy(input_data)
# Inference
network.forward()
network.wait()
output_names = network.get_all_output_name()
output_tensor = network.get_io_tensor(output_names[0])
output_data = output_tensor.to_numpy()
如上操作,我们便能够使用 megenginelite 做到:给定一张图片,输出对它在 1000 个类别上的概率预测。
执行脚本,使用暹罗猫的图片进行验证:
python3 inference.py -m snetv2_x100_deploy.mge
0: class = Siamese_cat with probability = 20.2 %
1: class = lynx with probability = 13.3 %
2: class = Egyptian_cat with probability = 9.5 %
3: class = Persian_cat with probability = 4.9 %
4: class = Angora with probability = 3.0 %
可以发现得到的结果与我们使用 MegEngine 原生接口推理结果一致。
这和直接使用 MegEngine 原生接口相比,有什么区别
由于此时我们使用的是静态图模型,推理用时相较于动态图会更少,资源占用也会更低。 相较于原生接口,使用 megenginelite 是更加推荐的一种推理方式,能够满足我们对于推理性能的基本要求。
编译 MegEngine Lite#
See also
使用 Lite 的 Python 接口固然方便,但我们仍然有更加复杂的需求情景, 比如追求更高的性能、更低的资源占用,以及需要能够跨平台移植,这时我们则需要自行编译 Lite C++ 库。 在本小节,我们将展示 Linux x86 环境下本地编译的流程。 在后续的教程中,我们还将演示交叉编译流程,以便将模型部署到像 Android 和 IOS 这样的移动端设备上。 相关介绍的详细版本均可在 Compile and install through source code 页面中找到。
请自行参考上述链接,完成 MegEngine Lite 的 Host Build 过程,
最终应该在 Build 出的文件夹中得到 Lite 库和头文件,简记作 /path/to/megenginelite-lib
,
将其作为环境变量导出到当前的环境中:
export LITE_INSTALL_DIR=/path/to/megenginelite-lib
export LD_LIBRARY_PATH=$LITE_INSTALL_DIR/lib/x86_64/:$LD_LIBRARY_PATH
我们在这一步构建出的 Lite C++ 库将会在编译和链接 ShuffleNet 模型的 C++ 推理代码时用到。
编写 C++ 推理代码验证#
本小节的演示逻辑
我们将先用随机数据作为输入,通过 Softmax 计算来验证 MegEngine C++ 库的正确性;
然后,我们将引入 OpenCV 等 C++ 库,进行完整的 ShuffleNet 模型推理实现。
使用随机数据作为输入#
MegEngine Lite 的 C++ 接口和 Python 接口设计基本一致,因此整个流程相似:
展开完整代码
源代码位置:examples/deploy/lite/main.cpp
#include <cstdlib>
#include <memory>
#include <stdlib.h>
#include <iostream>
#include "lite/network.h"
#include "lite/tensor.h"
using namespace lite;
int main (int argc, char *argv[]) {
if (argc != 2) {
std::cout << "Usage: ./lite_softmax <model_path>" << std::endl;
return -1;
}
std::string model_path = argv[1];
//! Create and load the network
std::shared_ptr<Network> network = std::make_shared<Network>();
//! Load the model
network->load_model(model_path);
//! Get the input tensor of the network with name "data"
std::shared_ptr<Tensor> input_tesnor = network->get_io_tensor("data");
//! Fill random data to input tensor
srand(static_cast<unsigned>(time(NULL)));
size_t length = input_tesnor->get_tensor_total_size_in_byte() / sizeof(float);
float* in_data_ptr = static_cast<float*>(input_tesnor->get_memory_ptr());
for (size_t i = 0; i < length; i++) {
in_data_ptr[i] = static_cast<float>(rand()) / (static_cast<float>(RAND_MAX));
}
//! Forward (inference)
network->forward();
network->wait();
//! Get the inference output tensor of index 0
std::shared_ptr<Tensor> output_tensor = network->get_output_tensor(0);
float* predict_ptr = static_cast<float*>(output_tensor->get_memory_ptr());
float sum = 0.0f, max = predict_ptr[0];
for (size_t i = 0; i < 1000; i++) {
sum += predict_ptr[i];
if (predict_ptr[i] > max) {
max = predict_ptr[i];
}
}
std::cout << "The output SUM is " << sum << ", MAX is " << max << std::endl;
return 0;
}
编译并运行这份代码,将会看到输出 SUM 为 1, 符合 Softmax 的计算结果:
clang++ -o lite_softmax \
-I$LITE_INSTALL_DIR/include main.cpp \
-llite_shared -L$LITE_INSTALL_DIR/lib/x86_64
./lite_softmax snetv2_x100_deploy.mge
使用图片数据作为输入#
使用 C++ 推理时的注意事项
由于我们在执行推理前,存在着一些对输入图片进行预处理的步骤,
可能存在着对应的 Python 接口在 C++ 环境中没有提供,需要自行比对实现。
为了保证整个推理过程的一致性,我们需要保证输入数据的预处理也是一致的。
MegEngine 中对图片的预处理底层使用到了 opencv-python
,
其本质上是对 OpenCV 的 C++ 库做了语言绑定,在底层调用了一致的接口。
比如 imread
, resize
等等…
同理,如果你的输入数据是其它的格式,也需要保证预处理的步骤是一致的, 这样输入模型中的 Lite Tensor 的初始状态才能与 Python 推理一致。
将预处理流程作为模型的一部分
另一种处理方式是,在被 trace
的推理函数中加入预处理逻辑,
即图片读入转为 Tensor 后,借助 functional
模块,
在模型最开始进行预处理操作,这样就不用考虑编写一致的 C++ 预处理代码。
接下来我们需要用真实的图片进行验证,过程中需要用到 OpenCV C++ 库来处理图片:
export OpenCV_DIR=/path/to/opencv-lib/
获取 OpenCV C++ 库的步骤不会在这里进行介绍,请参考 OpenCV 文档进行操作。 为了保证 Lite 的推理结果高度一致,建议在同样的环境下进行相同版本 OpenCV 的编译。 如果使用第三方提供的预编译版本,可能会导致图片读取进来的像素值存在细微差异, 最终导致推理的结果值有较大误差(尽管可能依旧预测出正确的分类)。
展开完整代码
源代码位置:examples/deploy/lite/inference.cpp
#include <cstdint>
#include <iostream>
#include <opencv2/core/matx.hpp>
#include <opencv2/core/types.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include "lite/network.h"
#include "lite/tensor.h"
#include "ImageNetLabels.h"
using namespace lite;
int main (int argc, char *argv[]) {
if (argc != 3) {
std::cout << "Usage: ./inference <model_path> <image_path>" << std::endl;
return -1;
}
std::string model_path = argv[1];
//! Create and load the networ3
std::shared_ptr<Network> network = std::make_shared<Network>();
//! Load the model
network->load_model(model_path);
//! Get the input tensor of the network with name "data"
std::shared_ptr<Tensor> input_tesnor = network->get_io_tensor("data");
//! Read image data, preprocess and fill to input tensor
cv::Mat image = cv::imread(argv[2], cv::IMREAD_COLOR);
//! 1. Resize
const int resizeWidth = 256, resizeHeight = 256;
cv::Size scale(resizeWidth, resizeHeight);
cv::resize(image, image, scale, 0, 0, cv::INTER_LINEAR);
//! 2. Center crop
const int cropSize = 224;
const int offsetW = (image.cols - cropSize) / 2.0;
const int offsetH = (image.rows - cropSize) / 2.0;
const cv::Rect roi(offsetW, offsetH, cropSize, cropSize);
image = image(roi).clone();
image.convertTo(image, CV_32FC2); // Usigned int to float
//! Fill image data to input tensor
float* imgptr = image.ptr<float>();
float* in_data_ptr = static_cast<float*>(input_tesnor->get_memory_ptr());
//! 4. Normalize and ToMode("HWC" to "CHW")
const float mean[] = {103.530f, 116.280f, 123.675f}; // BGR
const float std[] = {57.375f, 57.120f, 58.395f};
//!The following code can be processed in parallel,
//! not done here for ease of understanding
size_t pixelsPerChannel = image.cols * image.rows;
for (size_t i = 0; i < pixelsPerChannel; i++) {
for (size_t j = 0; j < 3; j++) {
float value = imgptr[3 * i + j];
float normalized_value = (value - mean[j]) / std[j];
in_data_ptr[i + pixelsPerChannel * j] = normalized_value;
}
}
//! Forward (inference)
network->forward();
network->wait();
//! Get the inference output tensor of index 0
std::shared_ptr<Tensor> output_tensor = network->get_output_tensor(0);
float* predict_ptr = static_cast<float*>(output_tensor->get_memory_ptr());
//! Output
ImageNetLabels label;
float max_prob = predict_ptr[0];
std::string max_class = label.imagenet_labelstring(0);
const int numClasses = 1000;
const float threshold = 0.025;
for (size_t i = 0; i < numClasses; i++) {
float cur_prob = predict_ptr[i];
std::string cur_label = label.imagenet_labelstring(i);
if (cur_prob > max_prob) {
max_prob = cur_prob;
max_class = cur_label;
}
if (cur_prob > threshold) {
std::cout << "The class " << cur_label
<< "with probability = "<< 100 * cur_prob << "%" << std::endl;
}
}
std::cout << "The final predicted class is " << max_class
<< " with probability = " << 100 * max_prob << "%" << std::endl;
return 0;
}
在同一目录下提供了 CMakeLists.txt 文件,可点开了解细节。
我们在这一步选择借助 CMake 来编译构建 C++ 推理代码:
cmake -S . -B build
cmake --build build
你会在 bin 目录下得到 inference
二进制文件,执行推理:
./bin/inference snetv2_x100_deploy.mge ../../../source/_static/images/cat.jpg
就能看到最终的推理结果,对暹罗猫图片的类别进行了正确的预测。
The class tabby, tabby catwith probability = 2.5972%
The class Persian catwith probability = 4.90259%
The class Siamese cat, Siamesewith probability = 20.1514%
The class Egyptian catwith probability = 9.49989%
The class lynx, catamountwith probability = 13.277%
The class Angora, Angora rabbitwith probability = 2.99404%
The final predicted class is Siamese cat, Siamese with probability = 20.1514%
拓展材料#
一定需要引入 OpenCV 第三方依赖吗
在某些情景下,我们在开发 C++ 程序时希望尽可能地减少对第三方库的依赖。 例如对于 ImageNet 的图像 Label 解析过程,官方提供的原本是一个 JSON 格式的文件,我们可以通过引入 cJSON 来灵活地进行处理。但事实上在本教程中,我们选择了将 Label 处理成单个头文件。
同理,思考一下我们对图片的处理过程,是否一定需要用到 OpenCV 呢?
我们可以尝试使用 stb 来完成图片的读取逻辑,
而 resize
/ centerCrop
等预处理步骤可以实现在 Tensor 推理逻辑中
(注意此时应当使用 functional
中的接口来实现 transform
步骤),
借助 MegEngine 的 trace
和 dump
机制序列化,
就不用再实现对应的 C++ 预处理代码了,你可以自行尝试实现上述完整流程。
在下一个 Andoird 部署教程中,我们将展示类似的做法。