目前支流深度学习框架反对的编程形式有两种，别离为动态图和动态图。动态图的 Pythonic 编程体验更佳、更易调试，但性能方面与动态图有肯定差距。动态图先组网再执行，事后领有残缺网络结构，更利于全局优化，虽调试难度大，但执行性能更佳。
百度飞桨采纳动静对立的技术架构设计，提供了动转静（@to_static）模块性能，反对用户动态图编程，并可一键切换动态图训练和部署。2022 年 11 月，飞桨框架 2.4 版本 (以下简称飞桨 v2.4) 正式公布，动转静“转换成功率”和“训练性能”迎来全面降级，带来了全新的用户应用体验。
- 动转静成功率显著晋升，一键转换成功率达到 92.1%。
- 动转静训练减速成果显著，重点模型训练可提速 18%+。
一键转静成功率显著晋升
动转静的转换成功率是动转静性能的一个重要指标，与用户的应用体验非亲非故，飞桨 v2.4 从“动转静语法欠缺”和“API 动静行为对立”两个方面进行了重点优化和降级：动转静语法欠缺
JIT 式动静执行
新增 Shape、Len、Attr、List、Unpack、Indexable 等 JIT 模式接口，晋升语法转写的鲁棒性。
控制流语法重构
重构了控制流 IF/For/While 语法转写逻辑，齐备反对简单嵌套场景下变量名解析等疑难问题。
关键字语法优化
优化了控制流中提前 return、break、continue 等关键字语法转写机制，无效缩小了动态图两头示意多余算子的引入，晋升执行效率。
API 动静行为对立
属性参数可变
实现了 20 多个中高频动态图 API 参数的降级，如
Reduce 系列的 paddle.mean/sum/max/min API 的参数 axis，新增反对为 Tensor 类型，动静可变。
接口动静对立
补齐了 Tensor 类动态图下缺失的接口，降级了 paddle.to_tensor、paddle.grad 等高频 API 性能，反对动态图调用。
Einsum 降级
实现了动静对立爱因斯坦求和算子，并反对 Python 二元、多元输出，训推一体。
动转静成功率和语法反对度 飞桨 v2.4 下，动转静具备了更丰盛的语法反对，Python 语法反对比例达到了 90%，在 80 多个内部用户实在论文复现模型汇合上，动转静一键转写成功率晋升至 92.1%，性能齐备性和易用性都有显著晋升。 如下是一个动转静导出预测模型的样例代码：
import paddle
class SimpleNet(paddle.nn.Layer):
def __init__(self):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
@paddle.jit.to_static # step 1：增加装璜器
def forward(self, x):
out = self.linear(x)
out = out + 1
return out
net = SimpleNet()
train(net) # 此处略去了训练过程
# step 2: 切换到 eval() 模式
net.eval()
# step 3: 调用 jit.save 接口
paddle.jit.save(net, path='./simple_net')执行上述代码样例后，在当前目录下会生成三个文件，即代表胜利导出预测模型：
simple_net.pdiparams // 寄存模型中所有的权重数据
simple_net.pdmodel // 寄存模型的网络结构
simple_net.pdiparams.info // 寄存额定的其余信息动转静导出模型个别包含三个步骤：
- 增加装璜器
将 @to_static 装璜器装璜在 forward 函数上。
- 切换 eval 模式
如 Dropout、LayerNorm 接口在 train() 和 eval() 模式下行为存在较大的差别，在模型导出前，请务必确认模型已切换到正确的模式。
- 调用 save 接口
调用 paddle.jit.save 接口导出其对应的模型文件和参数文件。飞桨动转静 @to_staitc 更多功能用法，可参考【扩大浏览—动转静应用样例】
动转静训练减速成果显著
在飞桨框架中，通常状况下应用动态图训练即可满足大部分场景需要。飞桨 v2.4 优化了动转静训练的相干逻辑，面向重点模型，动态图训练的性能曾经能够和动态图媲美，例如在 ResNet50、Transformer、YOLOv3 等模型上，动转静训练相较于动态图有 18.6%~21.5% 的显著减速成果。
重点模型减速成果 在如下场景中，开发者能够思考应用动转静形式进行模型训练，将会取得较显著的性能晋升成果。 场景一： 重调度模型
即每个 API 背地的 GPU Kernel 计算耗时较少，在 CPU 端拉起后很快就执行完了，此类工作的特点：
- PU 利用率较低（可通过 watch -n 1 nvidia-smi 命令查看）。
- 常见于 NLP 畛域或 AMP/FP16 工作。
- 训练性能瓶颈点次要是 Host 端调度开销。
如上图是重调度模型的动态图和动转静 Timeline 示意图。从图中能够看出：
- 一个 Batch 的训练耗时取决于 Host 端总耗时。
- 动态图每个 Python API 在运行时，都会产生一次 Python 和 C ++ 交互，会产生较大的调度开销。
- 动转静之后，整体上切分为执行前向和反向的两个 Python C API，故缩小了很多个 API 间的调度开销。
- 动转静内核执行器也通过了极致的优化（如 Instruction 缓存等），Kernel launch 效率也会比纯动态图模式要高。
对于想应用动态图训练代码的用户来说，只须要在组网入口的 forward 函数处增加装璜器 @to_static，其余代码无需改变就能够一键切换为动转静训练。@to_static 装璜器会将此函数内的所有 subLayers 转化为一个动态子图并执行。如下是一个动转静训练样例代码：
import paddle
class SimpleNet(paddle.nn.Layer):
def __init__(self):
super(SimpleNet, self).__init__()
self.linear = paddle.nn.Linear(10, 3)
@paddle.jit.to_static # 仅需一行代码
def forward(self, x):
out = self.linear(x)
out = out + 1
return out
# create network
net = SimpleNet()
adam = opt.Adam(learning_rate=0.001, parameters=net.parameters())
for batch_id, x in enumerate(data_loader()):
out = net(x)
loss = paddle.mean(out)
loss.backward()
opt.step()
opt.clear_grad()场景二：调度 + 计算共存模型 即模型训练时同时存在计算量小和计算量大的 GPU Kernel，且一个 Batch 的起始地位常为小 Kernel，此类工作的特点：
- GPU 利用率稳定比拟大（可通过 watch -n 1 nvidia-smi 命令查看）。
- 训练性能瓶颈点同时受部分调度和部分 Kernel 计算效率影响。
如上图是调度 + 计算共存的动态图和动转静 Timeline 示意图。从图中能够看出：
- 一个 Batch 的训练耗时取决于 Max(Host 端，GPU 端)。
- 动转静升高了 Python C API 调度开销，收益点大多在 Batch 前半部分，后半局部可能会被 overlap，调度方面的收益会打折扣。
- 动转静可借助全局图优化技术，通过算子交融等技术晋升模型训练的吞吐。
在此种场景下，飞桨动转静 @to_static API 提供 build_strategy 参数，在动转静的全图视角下，用户能够通过 build_strategy 参数开启不同的全局图优化策略。通过装璜器 @to_static(build_strategy=get_build_strategy())或者 API 调用 paddle.jit.to_static(net, build_strategy=get_build_strategy())两种形式开启全局图优化策略，如下是一个简略的应用样例：
import numpy as np
import paddle
import paddle.nn as nn
def get_build_strategy():
build_strategy = paddle.static.BuildStrategy()
# 算子交融策略
build_strategy.fuse_elewise_add_act_ops = True
# 梯度 addto 策略
build_strategy.enable_addto = True
os.environ['FLAGS_max_inplace_grad_add'] = "8"
return build_strategy
class ResNet(paddle.nn.Layer):
# 此处省略了模型定义
@to_static(build_strategy=get_build_strategy()) # 形式一
def forward(self, image):
# 省略前向代码
# create network
net = ResNet()
# 借助 build_strategy 参数自定义开启「全局图优化」策略
net = paddle.jit.to_static(net, build_strategy=get_build_strategy()) # 形式二
adam = opt.Adam(learning_rate=0.001, parameters=net.parameters())
for batch_id, image in enumerate(data_loader()):
out = layer(image)
loss = paddle.mean(out)
loss.backward()
opt.step()
opt.clear_grad()飞桨动转静 @to_static 开启更多全局图优化用法，可参考【扩大浏览—动转静训练图优化策略】
拓展浏览
[1]动转静应用样例 https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/…
[2] 动转静训练图优化策略 https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/…
[3]动转静转换原理 https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/…
[4] 动转静报错调试 https://www.paddlepaddle.org.cn/documentation/docs/zh/guides/…
[5] 动转静 Limitationshttps://www.paddlepaddle.org.cn/documentation/docs/zh/develop…