使用Python API实现TRT版BN/hswish/Silu等算子_tensorrt silu

BatchNorm2d的TRT实现

TensorRT未提供批量归一化层BatchNorm，但提供了更通用的Scale层。可以使用Scale层来实现BN层。

BatchNorm定义

PyTorch提供的BN层的定义，位于torch.nn.BatchNorm2d，公式已经在注释中说明，或者直接看Pytorch官方文档batchnorm2d也行：

$$y=\frac{x-E[x]}{\sqrt{Var[x]+ϵ}}\ast \gamma +\beta$$

简单地，$E[x]$是batch的均值，$Var[x]$是batch的方差，$ϵ$为了防止除0，$\gamma$对应batch学习得到的权重，$\beta$就是偏置。

下面给出基于通道的BN定义：

$$BN[i,:]=\frac{in[i,:]-mean[i]}{\sqrt{var[i]+ϵ}}\ast \gamma [i]+\beta [i]$$

在PyTorch中相对应的，对于任意一个bn层，它会有如下的结构：

weights  = torch.load(your_model_dict_state_path)
bn_gamma = weights['bn.weight'].numpy()
bn_beta  = weights['bn.bias'].numpy()
bn_mean  = weights['bn.running_mean'].numpy()
bn_var   = weights['bn.running_var'].numpy()
1
2
3
4
5

TRT的Scale层定义

BN层中的乘法是对4维矩阵按通道数进行矩阵乘法，官方指南#16.1中提到，使用IElementWiseLayer构建，这样做太复杂，不推荐。

本文推荐使用TRT API提供的IScaleLayer。

$$Scale=(in\ast scale+shift{)}^{power}$$

Scale实现BN

令：
$$\begin{gathered} scale=\frac{\gamma }{\sqrt{var+ϵ}} \\ shift=-\frac{mean}{\sqrt{var+ϵ}}\ast \gamma +\beta \\ power=1 \end{gathered}$$

#---------------BatchNorm层---------------
#获取训练后的BN相关参数
gamma = weights['bn.weight'].numpy()
beta = weights["bn.bias"].numpy()
mean = weights['bn.running_mean'].numpy()
var = weights['bn.running_var'].numpy()

#注意一定要设置为1e-3，如果设置为1e-4等更小的，输出的结果就和tf不完全一样，这是tf特色
scale = trt.Weights(gamma / np.sqrt(var + 1e-3))
shift = trt.Weights(beta-mean / np.sqrt(var + 1e-3) * gamma)
power = trt.Weights(np.ones(len(var), dtype=np.float32))

#添加BN层
bn = network.add_scale(layer.get_output(0), trt.ScaleMode.CHANNEL,shift, scale, power)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Fused Batch Normalization

进一步，实际上卷积层和BN层在推理过程中是可以融合在一起的，简单来讲，卷积层的过程为：

$$z=w\ast x+b$$

这里的$z$替换掉BN公式的$x$就可以得到：

$$y=\frac{w\ast \gamma }{\sqrt{Var[x]+ϵ}}\ast x+\frac{b-E[x]}{\sqrt{Var[x]+ϵ}}\ast \gamma +\beta$$
当然这里也是矩阵操作。$\frac{w\ast \gamma }{\sqrt{Var[x]+ϵ}}$就是新的$w$，$\frac{b-E[x]}{\sqrt{Var[x]+ϵ}}\ast \gamma +\beta$就是新的$b$了。

代码如下：

weights  = torch.load(your_model_dict_state_path)
conv_w   = weights['conv.weight'].numpy()
conv_b   = weights['conv.bias'].numpy()
bn_gamma = weights['bn.weight'].numpy()
bn_beta  = weights['bn.bias'].numpy()
bn_mean  = weights['bn.running_mean'].numpy()
bn_var   = weights['bn.running_var'].numpy()
eps      = 1e-05
bn_var   = np.sqrt(bn_var + eps)

fused_conv_w = conv_w * (bn_gamma / bn_var).reshape([conv_w.shape[0], 1, 1, 1])
fused_conv_b = (conv_b - bn_mean) / bn_var * bn_gamma + bn_beta
fused_conv   = network.add_convolution(input=last_layer.get_output(0), num_output_maps=your_conv_out, kernel_shape=(your_conv_kernel, your_conv_kernel), kernel=fused_conv_w, bias=fused_conv_b)
fused_conv.padding = (your_conv_pad, your_conv_pad)
fused_conv.stride  = (your_conv_stride, your_conv_stride)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

其中，conv是需要融合的卷积层，fused_conv是与bn融合后的卷积层，你需要规定fused_conv与conv拥有相同的参数(padding, stride, kernel_shape, num_output_maps)。

BatchNorm1d的TRT实现

同样地，参考BatchNorm2d的实现方法，这里需要添加一个IShuffleLayer将1D的tensor转成2D，再在2D进行BN，最后转回1D，这里你需要规定输入tensor的大小，因为TRT在shuffle的时候需要知道该参数。大概的实现代码如下所示：

weights  = torch.load(your_model_dict_state_path)
bn_gamma = weights['bn.weight'].numpy()
bn_beta  = weights['bn.bias'].numpy()
bn_mean  = weights['bn.running_mean'].numpy()
bn_var   = weights['bn.running_var'].numpy()
eps      = 1e-05
bn_var   = np.sqrt(bn_var + eps)

bn_scale = bn_gamma / bn_var
bn_shift = - bn_mean / bn_var * bn_gamma + bn_beta

# reshape to 2D
shuffle  = network.add_shuffle(last_layer.get_output(0))
shuffle.reshape_dims = (your_input_shape, your_input_shape, 1)

# do bn1d
bn       = network.add_scale(input=shuffle.get_output(0), mode=trt.ScaleMode.CHANNEL, shift=bn_shift, scale=bn_scale)

# reshape to 1D
shuffle  = network.add_shuffle(bn.get_output(0))
shuffle.reshape_dims = (your_input_shape, your_input_shape, 1)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

TRT实现hswish

参考PyTorch的hswish的实现：

class hswish(nn.Module):
    def forward(self, x):
        out = x * F.relu6(x + 3, inplace=True) / 6
        return out
1
2
3
4

参考relu6的公式：
$$ReLU6(x)=min(max(0,x),6)$$
我们可以得到如下TRT的实现代码：

# x + 3
shape  = (1, ) * len(your_input_shape)
tensor = 3.0 * torch.ones(shape, dtype=trt.float32).cpu().numpy()
trt_3  = network.add_constant(shape, tensor)
tmp    = network.add_elementwise(last_layer.get_output(0), trt_3.get_output(0), trt.ElementWiseOperation.SUM)

# relu6(x + 3)
relu   = network.add_activation(input=tmp.get_output(0), type=trt.ActivationType.RELU)
shape  = (1, ) * len(your_input_shape)
tensor = 6.0 * torch.ones(shape, dtype=trt.float32).cpu().numpy()
trt_6  = network.add_constant(shape, tensor)
relu_6 = network.add_elementwise(relu.get_output(0), trt_6.get_output(0), trt.ElementWiseOperation.MIN)

# x * relu6(x + 3)
tmp    = network.add_elementwise(last_layer.get_output(0), tmp.get_output(0), trt.ElementWiseOperation.PROD)

# x * relu6(x + 3) / 6
out    = network.add_elementwise(tmp.get_output(0), trt_6.get_output(0), trt.ElementWiseOperation.DIV)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

TRT实现Silu算子

方法1：转ONNX时替换源码silu算子

当将模型转换为onnx模型时，会出现以下报错：

RuntimeError: Exporting the operator silu to ONNX opset version 11 is not supported. Please open a bug to request ONNX export support for the missing operator.
1

原因是onnx1.8.0还未支持silu算子，可以修改torch源码。源码位置：{your_python_path}/lib/python3.7/site-packages/torch/nn/modules/activation.py：
源代码：

class SiLU(Module):

    __constants__ = ['inplace']
    inplace: bool

    def __init__(self, inplace: bool = False):
        super(SiLU, self).__init__()
        self.inplace = inplace

    def forward(self, input: Tensor) -> Tensor:
        return F.silu(input, inplace=self.inplace)
1
2
3
4
5
6
7
8
9
10
11

把F.silu替换掉，修改为：

class SiLU(Module):

    __constants__ = ['inplace']
    inplace: bool

    def __init__(self, inplace: bool = False):
        super(SiLU, self).__init__()
        self.inplace = inplace

    def forward(self, input: Tensor) -> Tensor:
        # return F.silu(input, inplace=self.inplace)
        return input * torch.sigmoid(input)
1
2
3
4
5
6
7
8
9
10
11
12

方法2：TRT API间接实现Silu

激活函数Silu：

$$\begin{gathered} f(x)=x\cdot \sigma (x) \\ {f}^{{}^{\prime }}(x)=f(x)+\sigma (x)(1-f(x)) \end{gathered}$$

图3 Silu与Relu

从上面公式可以看出来其实就是给sigmoid激活函数加了一个权重，这个权重恰恰就是输入。

同样，TensorRT中也没有直接提供Silu的api，通过add_activation配合add_elementwise中的乘操作可以轻松构建Silu。

    sig = network.add_activation(bn1.get_output(0), trt.ActivationType.SIGMOID)
    silu = network.add_elementwise(bn1.get_output(0), sig.get_output(0), trt.ElementWiseOperation.PROD)
1
2

BN与track_running_stats

参考3. BN与track_running_stats_麦克斯韦恶魔CSDN

参考

Pytorch中的Batch Normalization操作