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 paddleclass 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 outnet = 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 paddleclass 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 networknet = 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 npimport paddleimport paddle.nn as nndef 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_strategyclass 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 networknet = 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...