06 Graph Mode加速-洪萨配资

Graph Mode加速

背景介绍

AI编译框架有两种运行模式：动态图模式和静态图模式。MindSpore默认情况下是以动态图模式运行，但也支持手动切换为静态图模式。两种运行模式的详细介绍如下：

动态图模式

动态图的特点是计算图的构建和计算同时发生（Define by run），符合Python的解释执行方式。在计算图中定义一个Tensor时，其值就已经被计算且确定，因此在调试模型时较为方便，能够实时得到中间结果的值。但由于所有节点都需要被保存，导致难以对整个计算图进行优化。

在MindSpore中，动态图模式又被称为PyNative模式。由于动态图的解释执行特性，在脚本开发和网络流程调试过程中，推荐使用动态图模式。

如需要手动控制框架采用PyNative模式，可以通过以下代码进行网络构建：

importnumpyasnpimportmindsporeasmsfrommindsporeimportnn,Tensor ms.set_context(mode=ms.PYNATIVE_MODE)# 使用set_context进行动态图模式的配置classNetwork(nn.Cell):def__init__(self):super().__init__()self.flatten=nn.Flatten()self.dense_relu_sequential=nn.SequentialCell(nn.Dense(28*28,512),nn.ReLU(),nn.Dense(512,512),nn.ReLU(),nn.Dense(512,10))defconstruct(self,x):x=self.flatten(x)logits=self.dense_relu_sequential(x)returnlogits model=Network()input=Tensor(np.ones([64,1,28,28]).astype(np.float32))output=model(input)print(output)

[[-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342] [-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342] [-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342] [-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342] [-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342] ... [-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342] [-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342] [-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342] [-0.00134926 -0.13563682 -0.02863023 -0.05452826 0.03290743 -0.12423715 -0.0582641 -0.10854103 -0.08558805 0.06099342]]

静态图模式

相较于动态图而言，静态图的特点是将计算图的构建和实际计算分开（Define and run）。有关静态图模式的运行原理，可以参考静态图语法支持。

在MindSpore中，静态图模式又被称为Graph模式。在Graph模式下，基于图优化、计算图整图下沉等技术，编译器可以针对图进行全局的优化，获得较好的性能，因此比较适合网络固定且需要高性能的场景。

如需手动控制框架采用静态图模式，可以通过以下代码进行网络构建：

importnumpyasnpimportmindsporeasmsfrommindsporeimportnn,Tensor ms.set_context(mode=ms.GRAPH_MODE)# 使用set_context进行运行静态图模式的配置classNetwork(nn.Cell):def__init__(self):super().__init__()self.flatten=nn.Flatten()self.dense_relu_sequential=nn.SequentialCell(nn.Dense(28*28,512),nn.ReLU(),nn.Dense(512,512),nn.ReLU(),nn.Dense(512,10))defconstruct(self,x):x=self.flatten(x)logits=self.dense_relu_sequential(x)returnlogits model=Network()input=Tensor(np.ones([64,1,28,28]).astype(np.float32))output=model(input)print(output)

[[ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091 0.02790363 0.06269836 0.01838502 0.04387159] [ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091 0.02790363 0.06269836 0.01838502 0.04387159] [ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091 0.02790363 0.06269836 0.01838502 0.04387159] [ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091 0.02790363 0.06269836 0.01838502 0.04387159] ... [ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091 0.02790363 0.06269836 0.01838502 0.04387159] [ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091 0.02790363 0.06269836 0.01838502 0.04387159] [ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091 0.02790363 0.06269836 0.01838502 0.04387159] [ 0.05363735 0.05117104 -0.03343301 0.06347139 0.07546629 0.03263091 0.02790363 0.06269836 0.01838502 0.04387159]]

静态图模式的使用场景

MindSpore编译器重点面向Tensor数据的计算以及其微分处理。因此，使用MindSpore API以及基于Tensor对象的操作，更适合使用静态图编译优化。其他操作虽然可以部分入图编译，但实际优化作用有限。另外，静态图模式采用先编译后执行，存在编译耗时。如果函数无需反复执行，那么Graph Mode加速也可能没有价值。

有关使用静态图来进行网络编译的示例，请参考网络构建。

静态图模式开启方式

通常情况下，由于动态图的灵活性，我们会选择使用PyNative模式来进行自由的神经网络构建，以实现模型的创新和优化。但是当需要进行性能加速时，可以对神经网络部分或整体进行加速。MindSpore提供了两种切换为静态图模式的方式：基于装饰器的开启方式以及基于全局context的开启方式。

基于装饰器的开启方式

MindSpore提供了jit装饰器，可以通过修饰Python函数或者Python类的成员函数使其被编译成计算图，并通过图优化等技术提高运行速度。此时，可以对想要进行性能优化的模块进行图编译加速，而模型其他部分，仍旧使用解释执行方式，不丢失动态图的灵活性。无论全局context是设置成静态图模式还是动态图模式，被jit修饰的部分始终会以静态图模式进行运行。

在需要对Tensor的某些运算进行编译加速时，可以在其定义的函数上使用jit修饰器，在调用该函数时，该模块自动被编译为静态图。需要注意的是，jit装饰器只能用来修饰函数，无法对类进行修饰。jit的使用示例如下：

importnumpyasnpimportmindsporeasmsfrommindsporeimportnn,TensorclassNetwork(nn.Cell):def__init__(self):super().__init__()self.flatten=nn.Flatten()self.dense_relu_sequential=nn.SequentialCell(nn.Dense(28*28,512),nn.ReLU(),nn.Dense(512,512),nn.ReLU(),nn.Dense(512,10))defconstruct(self,x):x=self.flatten(x)logits=self.dense_relu_sequential(x)returnlogitsinput=Tensor(np.ones([64,1,28,28]).astype(np.float32))@ms.jit# 使用ms.jit装饰器，使被装饰的函数以静态图模式运行defrun(x):model=Network()returnmodel(x)output=run(input)print(output)

[[-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392 0.10143848 -0.0200909 -0.09724037 0.0114444 ] [-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392 0.10143848 -0.0200909 -0.09724037 0.0114444 ] [-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392 0.10143848 -0.0200909 -0.09724037 0.0114444 ] [-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392 0.10143848 -0.0200909 -0.09724037 0.0114444 ] ... [-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392 0.10143848 -0.0200909 -0.09724037 0.0114444 ] [-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392 0.10143848 -0.0200909 -0.09724037 0.0114444 ] [-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392 0.10143848 -0.0200909 -0.09724037 0.0114444 ] [-0.12126954 0.06986676 -0.2230821 -0.07087803 -0.01003947 0.01063392 0.10143848 -0.0200909 -0.09724037 0.0114444 ]]

除使用修饰器外，也可使用函数变换方式调用jit方法，示例如下：

importnumpyasnpimportmindsporeasmsfrommindsporeimportnn,TensorclassNetwork(nn.Cell):def__init__(self):super().__init__()self.flatten=nn.Flatten()self.dense_relu_sequential=nn.SequentialCell(nn.Dense(28*28,512),nn.ReLU(),nn.Dense(512,512),nn.ReLU(),nn.Dense(512,10))defconstruct(self,x):x=self.flatten(x)logits=self.dense_relu_sequential(x)returnlogitsinput=Tensor(np.ones([64,1,28,28]).astype(np.float32))defrun(x):model=Network()returnmodel(x)run_with_jit=ms.jit(run)# 通过调用jit将函数转换为以静态图方式执行output=run_with_jit(input)print(output)

[[ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197 -0.1572069 -0.14151613 -0.04531277 0.07521383] [ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197 -0.1572069 -0.14151613 -0.04531277 0.07521383] [ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197 -0.1572069 -0.14151613 -0.04531277 0.07521383] [ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197 -0.1572069 -0.14151613 -0.04531277 0.07521383] ... [ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197 -0.1572069 -0.14151613 -0.04531277 0.07521383] [ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197 -0.1572069 -0.14151613 -0.04531277 0.07521383] [ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197 -0.1572069 -0.14151613 -0.04531277 0.07521383] [ 0.11027216 -0.09628229 0.0457969 0.05396656 -0.06958974 0.0428197 -0.1572069 -0.14151613 -0.04531277 0.07521383]]

当我们需要对神经网络的某部分进行加速时，可以直接在construct方法上使用jit修饰器，在调用实例化对象时，该模块自动被编译为静态图。示例如下：

importnumpyasnpimportmindsporeasmsfrommindsporeimportnn,TensorclassNetwork(nn.Cell):def__init__(self):super().__init__()self.flatten=nn.Flatten()self.dense_relu_sequential=nn.SequentialCell(nn.Dense(28*28,512),nn.ReLU(),nn.Dense(512,512),nn.ReLU(),nn.Dense(512,10))@ms.jit# 使用ms.jit装饰器，使被装饰的函数以静态图模式运行defconstruct(self,x):x=self.flatten(x)logits=self.dense_relu_sequential(x)returnlogitsinput=Tensor(np.ones([64,1,28,28]).astype(np.float32))model=Network()output=model(input)print(output)

[[ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117 -0.06813788 0.01986085 0.0216996 -0.05345828] [ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117 -0.06813788 0.01986085 0.0216996 -0.05345828] [ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117 -0.06813788 0.01986085 0.0216996 -0.05345828] [ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117 -0.06813788 0.01986085 0.0216996 -0.05345828] ... [ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117 -0.06813788 0.01986085 0.0216996 -0.05345828] [ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117 -0.06813788 0.01986085 0.0216996 -0.05345828] [ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117 -0.06813788 0.01986085 0.0216996 -0.05345828] [ 0.10522258 0.06597593 -0.09440921 -0.04883489 0.07194916 0.1343117 -0.06813788 0.01986085 0.0216996 -0.05345828]]

基于context的开启方式

context模式是一种全局的设置模式。代码示例如下：

importnumpyasnpimportmindsporeasmsfrommindsporeimportnn,Tensor ms.set_context(mode=ms.GRAPH_MODE)# 使用set_context进行运行静态图模式的配置classNetwork(nn.Cell):def__init__(self):super().__init__()self.flatten=nn.Flatten()self.dense_relu_sequential=nn.SequentialCell(nn.Dense(28*28,512),nn.ReLU(),nn.Dense(512,512),nn.ReLU(),nn.Dense(512,10))defconstruct(self,x):x=self.flatten(x)logits=self.dense_relu_sequential(x)returnlogits model=Network()input=Tensor(np.ones([64,1,28,28]).astype(np.float32))output=model(input)print(output)

[[ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456 0.02748473 -0.19415936 -0.00278988 0.04024826] [ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456 0.02748473 -0.19415936 -0.00278988 0.04024826] [ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456 0.02748473 -0.19415936 -0.00278988 0.04024826] [ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456 0.02748473 -0.19415936 -0.00278988 0.04024826] ... [ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456 0.02748473 -0.19415936 -0.00278988 0.04024826] [ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456 0.02748473 -0.19415936 -0.00278988 0.04024826] [ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456 0.02748473 -0.19415936 -0.00278988 0.04024826] [ 0.08501796 -0.04404321 -0.05165704 0.00357929 0.00051521 0.00946456 0.02748473 -0.19415936 -0.00278988 0.04024826]]