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_filename 和 params_filename 变量控制：

  • non-combined形式：参数保存到独立的文件，如设置 model_filename 为 None , params_filename 为 None

    1. $ ls -l recognize_digits_model_non-combined/
    2. total 192K
    3. -rw-r--r-- 1 root root  28K Sep 24 09:39 __model__          # 模型文件
    4. -rw-r--r-- 1 root root  104 Sep 24 09:39 conv2d_0.b_0       # 独立权重文件
    5. -rw-r--r-- 1 root root 2.0K Sep 24 09:39 conv2d_0.w_0       # 独立权重文件
    6. -rw-r--r-- 1 root root  224 Sep 24 09:39 conv2d_1.b_0       # ...
    7. -rw-r--r-- 1 root root  98K Sep 24 09:39 conv2d_1.w_0
    8. -rw-r--r-- 1 root root   64 Sep 24 09:39 fc_0.b_0
    9. -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_filename 为 model , params_filename 为 params

    1. $ ls -l recognize_digits_model_combined/
    2. total 160K
    3. -rw-r--r-- 1 root root  28K Sep 24 09:42 model         # 模型文件
    4. -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

    1. $ paddle_lite_opt \
    2.       --model_dir=./recognize_digits_model_non-combined/ \
    3.       --valid_targets=arm \
    4.       --optimize_out_type=protobuf \ # 注意：这里必须输出为protobuf格式
    5.       --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

    1. $ ls -l model_opt_dir_non-combined/
    2. total 152K
    3. -rw-r--r-- 1 root root  17K Sep 24 09:51 model     # 优化后的模型文件
    4. -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和--param_file来分别指定Paddle模型的模型文件和权重文件

    1. $ paddle_lite_opt \
    2.       --model_file=./recognize_digits_model_combined/model \
    3.       --param_file=./recognize_digits_model_combined/params \
    4.       --valid_targets=arm \
    5.       --optimize_out_type=protobuf \ # 注意：这里必须输出为protobuf格式
    6.       --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

    1. ls -l model_opt_dir_combined/
    2. total 152K
    3. -rw-r--r-- 1 root root  17K Sep 24 09:56 model     # 优化后的模型文件
    4. -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。

模型可视化方法 - 图1

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。

以华为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。

  1. $ paddle_lite_opt \
  2.       --model_dir=./recognize_digits_model_non-combined/ \
  3.       --valid_targets=npu,arm \         # 注意：这里的目标硬件平台为NPU,ARM
  4.       --optimize_out_type=protobuf \
  5.       --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：

模型可视化方法 - 图2

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。

  1. $ export GLOG_v=5 # 注意：这里打开Lite中Level为5及以下的的Debug Log信息
  2. $ paddle_lite_opt \
  3.       --model_dir=./recognize_digits_model_non-combined/ \
  4.       --valid_targets=npu,arm \
  5.       --optimize_out_type=protobuf \
  6.       --optimize_out=model_opt_dir_npu > debug_log.txt 2>&1 
  7. # 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：

  1. I0924 10:50:12.715279 122828 optimizer.h:202] == Running pass: npu_subgraph_pass
  2. I0924 10:50:12.715335 122828 ssa_graph.cc:27] node count 33
  3. I0924 10:50:12.715412 122828 ssa_graph.cc:27] node count 33
  4. I0924 10:50:12.715438 122828 ssa_graph.cc:27] node count 33
  5. subgraphs: 1  # 注意：搜索subgraphs:这个关键词，
  6. digraph G {
  7.    node_30[label="fetch"]
  8.    node_29[label="fetch0" shape="box" style="filled" color="black" fillcolor="white"]
  9.    node_28[label="save_infer_model/scale_0.tmp_0"]
  10.    node_26[label="fc_0.tmp_1"]
  11.    node_24[label="fc_0.w_0"]
  12.    node_23[label="fc0_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
  13.    ...
  14.    node_15[label="batch_norm_0.tmp_1"]
  15.    node_17[label="conv2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
  16.    node_19[label="conv2d_1.b_0"]
  17.    node_1->node_0
  18.    node_0->node_2
  19.    node_2->node_3
  20.    ...
  21.    node_28->node_29
  22.    node_29->node_30
  23. } // end G
  24. I0924 10:50:12.715745 122828 op_lite.h:62] valid places 0
  25. I0924 10:50:12.715764 122828 op_registry.cc:32] creating subgraph kernel for host/float/NCHW
  26. 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。

模型可视化方法 - 图3

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的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：

  1. # 此txt配置文件文件中的内容为 batch_norm
  2. $ export SUBGRAPH_CUSTOM_PARTITION_CONFIG_FILE=./subgraph_custom_partition_config_file.txt
  3. $ export GLOG_v=5 # 继续打开Lite的Debug Log信息
  4. $ paddle_lite_opt \
  5.       --model_dir=./recognize_digits_model_non-combined/ \
  6.       --valid_targets=npu,arm \
  7.       --optimize_out_type=protobuf \
  8.       --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subgraph1和subgraph3两个子图，两个子图中间同样是被禁用NPU的batch_norm算子，如右图所示。

模型可视化方法 - 图4

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：

  1. digraph G {
  2.    node_30[label="fetch"]
  3.    node_29[label="fetch0" shape="box" style="filled" color="black" fillcolor="white"]
  4.    node_28[label="save_infer_model/scale_0.tmp_0"]
  5.    node_26[label="fc_0.tmp_1"]
  6.    node_24[label="fc_0.w_0"]
  7.    ...
  8.    node_17[label="conv2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
  9.    node_19[label="conv2d_1.b_0"]
  10.    node_0[label="feed0" shape="box" style="filled" color="black" fillcolor="white"]
  11.    node_5[label="conv2d_0.b_0"]
  12.    node_1[label="feed"]
  13.    node_23[label="fc0_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
  14.    node_7[label="pool2d0_subgraph_1" shape="box" style="filled" color="black" fillcolor="green"]
  15.    node_21[label="pool2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
  16.    ...
  17.    node_18[label="conv2d_1.w_0"]
  18.    node_1->node_0
  19.    node_0->node_2
  20.    ...
  21.    node_28->node_29
  22.    node_29->node_30
  23. } // 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。

模型可视化方法 - 图5

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