大规模部署的功能 ¶
译者:片刻小哥哥
项目地址:https://pytorch.apachecn.org/2.0/docs/notes/large_scale_deployments
原始地址:https://pytorch.org/docs/stable/notes/large_scale_deployments.html
本说明讨论了在较大系统中运行 PyTorch 或在较大组织中使用 PyTorch 操作多个系统时可能有用的几个扩展点和技巧。
它不涵盖将模型部署到生产的主题。检查 torch.jit
或相应的教程之一。
本说明假设您从组织中的源代码构建 PyTorch,或者能够静态链接使用 PyTorch 时加载的其他代码。因此,许多钩子都作为 C++ API 公开,可以在集中位置触发一次,例如在静态初始化代码中。
舰队范围的操作员分析 ¶
PyTorch 附带了“torch.autograd.profiler”,能够根据需要测量各个操作员所花费的时间。人们可以使用相同的机制对运行 PyTorch 的任何进程进行“始终开启”测量。它对于收集有关在给定进程中或整个机器上运行的 PyTorch 工作负载的信息可能很有用。
任何运算符调用的新回调都可以使用 torch::addGlobalCallback
添加。钩子将使用描述调用上下文(例如 name )的 torch::RecordFunction
结构来调用。如果启用,RecordFunction::inputs()
包含表示为 torch::IValue
变体类型的函数参数。请注意,输入日志记录相对昂贵,因此必须显式启用。
运算符回调还可以访问 c10::ThreadLocalDebugInfo::get()
接口,该接口返回指向保存调试信息的结构的指针。可以使用 at::DebugInfoGuard
对象提前设置此调试信息。调试信息通过前向(包括异步“fork”任务)和后向传递进行传播,并且可用于将有关执行环境的一些额外信息(例如模型 ID)从应用程序的较高层传递到操作员回调。
调用回调会增加一些开销,因此通常随机采样运算符调用很有用。这可以在每个回调的基础上启用,并将可选的采样率传递给 torch::addGlobalCallback
。
请注意,“addGlobalCallback”不是线程安全的,只能在 noPyTorch 运算符运行时调用。通常,在初始化期间调用它们一次是个好主意。
这是一个例子:
// Called somewhere in the program beginning
void init() {
// Sample one in a hundred operator runs randomly
addGlobalCallback(
RecordFunctionCallback(
&onFunctionEnter,
&onFunctionExit)
.needsInputs(true)
.samplingProb(0.01)
);
// Note, to enable observers in the model calling thread,
// call enableRecordFunction() in the thread before running a model
}
void onFunctionEnter(const RecordFunction& fn) {
std::cerr << "Before function " << fn.name()
<< " with " << fn.inputs().size() << " inputs" << std::endl;
}
void onFunctionExit(const RecordFunction& fn) {
std::cerr << "After function " << fn.name();
}
API 使用日志记录 ¶
当在更广泛的生态系统中运行时,例如在托管作业调度程序中,跟踪哪些二进制文件调用特定的 PyTorch API 通常很有用。在几个重要的 API 点注入了简单的检测,可以触发给定的回调。因为 PyTorch 通常是在一次性 python 脚本中调用的,所以对于每个 API 的给定进程,回调仅触发一次。
c10::SetAPIUsageHandler
可用于注册 API 使用检测处理程序。传递的参数将是标识使用点的“api key”,例如用于 PyTorch 扩展导入的“python.import”或如果触发了 TorchScript 编译则为“torch.script.compile”。
SetAPIUsageLogger([](const std::string& event_name) {
std::cerr << "API was used: " << event_name << std::endl;
});
开发者请注意:新的 API 触发点可以通过 C++ 中的 C10_LOG_API_USAGE_ONCE("my_api")
或 torch._C._log_api_usage_once( Python 中的“my.api”)
。
将元数据附加到保存的 TorchScript 模型 ¶
TorchScript 模块可以保存为归档文件,该文件将序列化参数和模块代码捆绑为 TorchScript(请参阅 torch.jit.save()
)。将附加信息与模型捆绑在一起通常很方便,例如模型生成器或辅助工件的描述。
它可以通过将 _extra_files
参数传递给 torch.jit.save()
和 torch::jit::load
在保存过程中存储和检索任意二进制 blob。由于 TorchScript 文件是常规 ZIP 存档,因此额外信息将作为常规文件存储在存档的“extra/”目录中。
还有一个全局挂钩,允许将额外的文件附加到当前进程中生成的任何 TorchScriptarchive。使用生产者元数据标记模型可能很有用,类似于数码相机生成的 JPEG 元数据。用法示例可能如下所示:
SetExportModuleExtraFilesHook([](const Module&) {
ExtraFilesMap files;
files["producer_info.json"] = "{"user": "" + getenv("USER") + ""}";
return files;
});
构建环境注意事项 ¶
TorchScript 的编译需要访问原始 python 文件,因为它使用 python 的“inspect.getsource”调用。在某些生产环境中,可能需要显式部署“.py”文件以及预编译的“.pyc”。
常用扩展点 ¶
PyTorch API 通常是松散耦合的,并且很容易用专用版本替换组件。常见的扩展点包括:
- 用 C++ 实现的自定义运算符
- 请参阅教程了解更多详细信息。
- 自定义数据读取通常可以通过调用相应的 python 库直接集成。可以通过扩展
Dataset
或IterableDataset
。