野路子码农系列（9）利用ONNX加速Pytorch模型推断

最近在做一个文本多分类的模型，非常常规的BERT+finetune的套路，考虑到运行成本，打算GPU训练后用CPU做推断。

在小破本上试了试，发现推断速度异常感人，尤其是序列长度增加之后，一条4-5秒不是梦。

于是只能寻找加速手段，早先听过很多人提到过ONNX，但从来没试过，于是就学习了一下，发现效果还挺不错的，手法其实也很简单，就是有几个小坑。

第1步 - 保存模型

首先得从torch中将模型导出成ONNX格式，可以在cross-validation的eval阶段进行这一步骤：

def eval_fn(data_loader, model, device):
    '此处省略其他代码'
    
    onnx_path = 'inference_model.onnx' # 指定保存路径
    torch.onnx._export(
        model, # BERT fintune model (instance)
        (ids, mask, token_type_ids), # model的输入参数，装入tuple
        onnx_path, # 保存路径
        opset_version=10, # 此处有坑，必须指定≥10，否则会报错
        do_constant_folding=True,
        input_names=['ids', 'mask', 'token_type_ids'], # model输入参数的名称
        output_names=['output'],
        export_params=True,
        dynamic_axes={
            'ids': {0: 'batch_size', 1: 'seq_length'}, # 0, 1分别代表axis 0和axis 1
            'mask': {0: 'batch_size', 1: 'seq_length'},
            'token_type_ids': {0: 'batch_size', 1: 'seq_length'},
            'output': {0: 'batch_size', 1: 'seq_length'}
        } # 用于变长序列（比如dynamic padding）和可能改变batch size的情况
    )
    
    
    return '此处省略返回值'

　　

这里需要注意的几个点：

•  torch自带了导出ONNX的方法，直接用就行
• 你的模型可以有1个输入参数，也可以有多个，如果有多个，得装在tuple里
• 相应的input_names要与你的参数一一对应，放在list里
• opset_version建议设成10，默认不设的话可能会报错（ONNX export of Slice with dynamic inputs）
• 如果你在data loader里设置了collate func来进行dynamic padding的话（不同batch的文本长度可能不一样），一定要设置dynamic_axes，否则之后加载推断时会出错（因为它会要求你推断时输入的各个维度与你保存ONNX模型时的输入纬度完全一致）。

第2步 - 加载模型与推断

接下来是推断环节，首先别忘了用 pip install onnx 和 pip install onnxruntime 来安装必需的库，之后通过以下代码导入使用：

import onnxruntime as ort

接下来你可以照常写你的dataset和data loader，但需要注意的是，data loader返回的得是numpy.array，而不是torch.tensor（collate_fn里改改就行），否则报错伺候。

然后就是导入模型：

import onnxruntime as ort

onnx_model_path = 'inference_model.onnx' 
session = ort.InferenceSession(onnx_model_path)

再把data loader的输出分别接入对应的三个参数就好了：

session.run(ids, mask, token_type_ids)

用%%timeit看一下运行时间（CPU）：

4条长度为10的文本

torch：4.77s

torch+ONNX：39.7ms

4条长度为50的文本

torch：21.2s

torch+ONNX：246ms

差不多快了百倍有余，效果相当不错啦。