转换原理

在飞桨框架内部，动转静模块在转换上主要包括对输入数据的 InputSpec 的处理，对函数调用的递归转写，对 IfElse、For、While 控制语句的转写，以及 Layer 的 Parameters 和 Buffers 变量的转换。下面将介绍动转静模块的转换过程。

一、 概述

上图是动转静转换和训练执行的基本流程：

  1. AST 解析动态图代码

    • 当某个函数被 @to_static 装饰、或用 paddle.jit.to_static() 包裹时，飞桨会隐式地解析动态图的 Python 代码（即解析：抽象语法树，简称 AST）。

  2. AST 转写，得到静态图代码

    • 函数转写：递归地对所有函数进行转写，实现用户仅需在最外层函数添加 @to_static 的体验效果。

    • 控制流转写：用户的代码中可能包含依赖 Tensor 的控制流代码，飞桨框架会自动且有选择性地将 if、for、while 转换为静态图对应的控制流。

    • 其他语法处理：包括 break、continue、assert、提前 return 等语法的处理。

  3. 生成静态图的 Program 和 Parameters

    • 得到静态图代码后，根据用户指定的 InputSpec 信息（或训练时根据实际输入 Tensor 隐式创建的 InputSpec）作为输入，执行静态图代码生成 Program。每个被装饰的函数，都会被替换为一个 StaticFunction 对象，其持有此函数对应的计算图 Program，在执行 paddle.jit.save 时会被用到。

    • 对于 trainable=True 的 Buffers 变量，动转静会自动识别并将其和 Parameters 一起保存到 .pdiparams 文件中。

  4. 执行动转静训练

    • 使用执行引擎执行函数对应的 Program，返回输出 out。

    • 执行时会根据用户指定的 build_strategy 策略应用图优化技术，提升执行效率。

  5. 使用 paddle.jit.save 保存静态图模型

    • 使用 paddle.jit.save 时会遍历模型 net 中所有的函数，将每个的 StaticFunction 中的计算图 Program 和涉及到的 Parameters 序列化为磁盘文件。

二、设置输入数据的 InputSpec 信息

InputSpec 用于表示模型输入数据的 shape、dtype、name 信息，是辅助动静转换的必要描述信息。

在静态图模式下，飞桨框架会将神经网络描述为 Program 的数据结构，并对 Program 进行编译优化，再调用执行器获得计算结果。可以看到静态图模式下运行，在调用执行器前并不执行实际操作（这个阶段一般称为“组网阶段”或者“编译阶段”），因此也并不读入实际数据，所以在静态图中还需要一种特殊的变量来表示输入数据，一般称为“占位符”，动转静提供了 InputSpec 接口配置该“占位符”，用于表示输入数据的描述信息。

如下静态图的示例代码中，模型的 “占位符” 信息是通过 paddle.static.data 来指定的，并以此作为编译期的 InferShape 推导起点，即用于推导输出 Tensor 的 shape。

import paddle
# 开启静态图模式
paddle.enable_static()

# placeholder 信息
x = paddle.static.data(shape=[None, 10], dtype='float32', name='x')
y = paddle.static.data(shape=[None, 3], dtype='float32', name='y')

out = paddle.static.nn.fc(x, 3)
out = paddle.add(out, y)

动转静代码示例，通过 InputSpec 设置 “占位符” 信息：

import paddle
from paddle.jit import to_static
from paddle.static import InputSpec

class SimpleNet(paddle.nn.Layer):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.linear = paddle.nn.Linear(10, 3)

    def forward(self, x, y):
        out = self.linear(x)
        out = out + y
        return out

net = SimpleNet()

# 通过 InputSpec 设置 Placeholder 信息
x_spec = InputSpec(shape=[None, 10], name='x')
y_spec = InputSpec(shape=[3], name='y')

net = paddle.jit.to_static(net, input_spec=[x_spec, y_spec])  # 动静转换

在导出模型时，需要显式地指定输入 Tensor 的签名信息，优势是：

  • 可以指定某些维度为 None ， 如 batch_size ，seq_len 维度

  • 可以指定 Placeholder 的 name ，方便预测时根据 name 输入数据

注：InputSpec 接口的详细用法，请参见 InputSpec 的用法介绍。

三、动转静代码转写（AST 转写）

3.1 函数转写

在 NLP、CV 领域中，一个模型常包含层层复杂的子函数调用，动转静中是如何实现只需装饰最外层的 forward 函数，就能递归处理所有的函数。

如下是一个模型样例：

import paddle
from paddle.jit import to_static

class SimpleNet(paddle.nn.Layer):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.linear = paddle.nn.Linear(10, 3)

    @to_static
    def forward(self, x, y):
        out = self.my_fc(x)       # <---- self.other_func
        out = add_two(out, y)     # <---- other plain func
        return out

    def my_fc(self, x):
        out = self.linear(x)
        return out

# 此函数可以在任意文件
def add_two(x, y):
    out = x + y
    return out

net = SimpleNet()
# 查看转写的代码内容
paddle.jit.set_code_level(100)

x = paddle.zeros([2,10], 'float32')
y = paddle.zeros([3], 'float32')

out = net(x, y)

可以通过 paddle.jit.set_code_level(100) 在执行时打印代码转写的结果到终端，转写代码如下：

def forward(self, x, y):
    out = paddle.jit.dy2static.convert_call(self.my_fc)(x)
    out = paddle.jit.dy2static.convert_call(add_two)(out, y)
    return out

def my_fc(self, x):
    out = paddle.jit.dy2static.convert_call(self.linear)(x)
    return out

def add_two(x, y):
    out = x + y
    return out

如上所示，所有的函数调用都会被转写如下形式：

 out = paddle.jit.dy2static.convert_call( self.my_fc )( x )
  ^                    ^                      ^         ^
  |                    |                      |         |
返回列表           convert_call             原始函数    参数列表

即使函数定义分布在不同的文件中， convert_call 函数也会递归地处理和转写所有嵌套的子函数。

3.2 控制流转写

控制流 if/for/while 的转写和处理是动转静中比较重要的模块，也是动态图模型和静态图模型实现上差别最大的一部分。如下图所示，对于控制流的转写分为两个阶段：转写期和执行期。在转写期，动转静模块将控制流语句转写为统一的形式；在执行期，根据控制流是否依赖 Tensor 来决定是否将控制流转写为相应的 cond_op/while_op 。

转写上有两个基本原则：

  • 并非所有动态图中的 if/for/while 都会转写为 cond_op/while_op

  • 只有控制流的判断条件 依赖了Tensor（如 shape 或 value ），才会转写为对应 Op

这是因为模型代码中不依赖 Tensor 的 if/for/while 会正常按照 Python 原生的语法逻辑去执行；而依赖 Tensor 的 if/for/while 才会调用 paddle.static.cond 和 paddle.static.while_loop 两个飞桨的控制流 API。

3.2.1 IfElse

无论是否会转写为 cond_op ，动转静都会首先对代码进行处理，转写为 cond 接口可以接受的写法。

示例一：不依赖 Tensor 的控制流

如下代码样例中的 if label is not None, 此判断只依赖于 label 是否为 None（存在性），并不依赖 label 的 Tensor 值（数值性），因此属于不依赖 Tensor 的控制流。

from paddle.jit import to_static

def not_depend_tensor_if(x, label=None):
    out = x + 1
    if label is not None:              # <----- python bool 类型
        out = paddle.nn.functional.cross_entropy(out, label)
    return out

print(to_static(not_depend_tensor_if).code)
# 转写后的代码：
"""
def not_depend_tensor_if(x, label=None):
    out = x + 1

    def true_fn_0(label, out):  # true 分支
        out = paddle.nn.functional.cross_entropy(out, label)
        return out

    def false_fn_0(out):        # false 分支
        return out

    out = paddle.jit.dy2static.convert_ifelse(label is not None, true_fn_0,
        false_fn_0, (label, out), (out,), (out,))

    return out
"""

示例二：依赖 Tensor 的控制流

如下代码样例中的 if paddle.mean(x) > 5, 此判断直接依赖 paddle.mean(x) 返回的 Tensor 值（数值性），因此属于依赖 Tensor 的控制流。

from paddle.jit import to_static

def depend_tensor_if(x):
    if paddle.mean(x) > 5.:         # <---- Bool Tensor 类型
        out = x - 1
    else:
        out = x + 1
    return out

print(to_static(depend_tensor_if).code)
# 转写后的代码：
"""
def depend_tensor_if(x):
    out = paddle.jit.dy2static.data_layer_not_check(name='out_0', shape=[-1],
        dtype='float32')

    def true_fn_0(x):      # true 分支
        out = x - 1
        return out

    def false_fn_0(x):     # false 分支
        out = x + 1
        return out

    out = paddle.jit.dy2static.convert_ifelse(paddle.mean(x) > 5.0,
        true_fn_0, false_fn_0, (x,), (x,), (out,))

    return out
"""

规范化代码之后，所有的 IfElse 均转为了如下形式：

 out = convert_ifelse(paddle.mean(x) > 5.0, true_fn_0, false_fn_0, (x,), (x,), (out,))
  ^          ^                   ^             ^           ^        ^      ^      ^
  |          |                   |             |           |        |      |      |
 输出   convert_ifelse          判断条件       true 分支   false 分支  分支输入 分支输入 输出

convert_ifelse 是框架底层的函数，在逐行执行用户代码生成 Program 时，执行到此处时，会根据判断条件的类型（ bool 还是 Bool Tensor ），自适应决定是否转为 cond_op 。

def convert_ifelse(pred, true_fn, false_fn, true_args, false_args, return_vars):

    if isinstance(pred, Variable):  # 触发 cond_op 的转换
        return _run_paddle_cond(pred, true_fn, false_fn, true_args, false_args,
                                return_vars)
    else:                           # 正常的 python if
        return _run_py_ifelse(pred, true_fn, false_fn, true_args, false_args)

3.2.2 For/While

For/While 也会先进行代码层面的规范化，在逐行执行用户代码时，才会决定是否转为 while_op。

示例一：不依赖 Tensor 的控制流

如下代码样例中的 while a < 10, 此循环条件中的 a 是一个 int 类型，并不是 Tensor 类型，因此属于不依赖 Tensor 的控制流。

from paddle.jit import to_static

def not_depend_tensor_while(x):
    a = 1

    while a < 10:           # <---- a is python scalar
        x = x + 1
        a += 1

    return x

print(to_static(not_depend_tensor_while).code)
"""
def not_depend_tensor_while(x):
    a = 1

    def while_condition_0(a, x):
        return a < 10

    def while_body_0(a, x):
        x = x + 1
        a += 1
        return a, x

    [a, x] = paddle.jit.dy2static.convert_while_loop(while_condition_0,
        while_body_0, [a, x])

    return x
"""

示例二：依赖 Tensor 的控制流

如下代码样例中的 for i in range(bs), 此循环条件中的 bs 是一个 paddle.shape 返回的 Tensor 类型，且将其 Tensor 值作为了循环的终止条件，因此属于依赖 Tensor 的控制流。

from paddle.jit import to_static

def depend_tensor_while(x):
    bs = paddle.shape(x)[0]

    for i in range(bs):       # <---- bs is a Tensor
        x = x + 1

    return x

print(to_static(depend_tensor_while).code)
"""
def depend_tensor_while(x):
    bs = paddle.shape(x)[0]
    i = 0

    def for_loop_condition_0(x, i, bs):
        return i < bs

    def for_loop_body_0(x, i, bs):
        x = x + 1
        i += 1
        return x, i, bs

    [x, i, bs] = paddle.jit.dy2static.convert_while_loop(for_loop_condition_0,
        for_loop_body_0, [x, i, bs])
    return x
"""

convert_while_loop 的底层的逻辑同样会根据 判断条件是否为Tensor 来决定是否转为 while_op。

四、 生成静态图的 Program 和 Parameters

静态图模式下，神经网络会被描述为 Program 的数据结构，并对 Program 进行编译优化，再调用执行器获得计算结果。另外静态图的变量是 Variable 类型（动态图是 Tensor 类型），因此要运行静态图模型，需要生成静态图的 Program 和 Parameters。

4.1 动态图 layer 生成 Program

文档开始的样例中 forward 函数包含两行组网代码： Linear 和 add 操作。以 Linear 为例，在飞桨框架底层，每个组网 API 的实现包括两个分支：动态图分支和静态图分支。

class Linear(...):
    def __init__(self, ...):
        # ...(略)

    def forward(self, input):

        if in_dygraph_mode():  # 动态图分支
            core.ops.matmul(input, self.weight, pre_bias, ...)
            return out
        else:                  # 静态图分支
            self._helper.append_op(type="matmul", inputs=inputs, ...)     # <----- 生成一个 Op
            if self.bias is not None:
                self._helper.append_op(type='elementwise_add', ...)       # <----- 生成一个 Op

            return out

动态图 layer 生成 Program ，其实是开启 paddle.enable_static() 时，在静态图下逐行执行用户定义的组网代码，依次添加(对应 append_op 接口) 到默认的主 Program（即 main_program ） 中。

4.2 动态图 Tensor 转为静态图 Variable

上面提到，所有的组网代码都会在静态图模式下执行，以生成完整的 Program 。但静态图 append_op 有一个前置条件必须满足：

前置条件： append_op() 时，所有的 inputs，outputs 必须都是静态图的 Variable 类型，不能是动态图的 Tensor 类型。

原因：静态图下，操作的都是描述类单元：计算相关的 OpDesc ，数据相关的 VarDesc 。可以分别简单地理解为 Program 中的 Op 和 Variable 。

因此，在动转静时，我们在需要在某个统一的入口处，将动态图 Layers 中 Tensor 类型（包含具体数据）的 Weight 、Bias 等变量转换为同名的静态图 Variable。

  • ParamBase → Parameters

  • VarBase → Variable

技术实现上，我们选取了框架层面两个地方作为类型转换的入口：

  • Paddle.nn.Layer 基类的 __call__ 函数

    def __call__(self, *inputs, **kwargs):
    # param_guard 会对将 Tensor 类型的 Param 和 buffer 转为静态图 Variable
    with param_guard(self._parameters), param_guard(self._buffers):
        # ... forward_pre_hook 逻辑

        outputs = self.forward(*inputs, **kwargs) # 此处为 forward 函数

        # ... forward_post_hook 逻辑

        return outputs

  • Block.append_op 函数中，生成 Op 之前

    def append_op(self, *args, **kwargs):
    if in_dygraph_mode():
        # ... (动态图分支)
    else:
        inputs=kwargs.get("inputs", None)
        outputs=kwargs.get("outputs", None)
        # param_guard 会确保将 Tensor 类型的 inputs 和 outputs 转为静态图 Variable
        with param_guard(inputs), param_guard(outputs):
            op = Operator(
                block=self,
                desc=op_desc,
                type=kwargs.get("type", None),
                inputs=inputs,
                outputs=outputs,
                attrs=kwargs.get("attrs", None))

以上，是动态图转为静态图的两个核心逻辑，总结如下：

  • 动态图 layer 调用在动转静时会走底层 append_op 的分支，以生成 Program

  • 动态图 Tensor 转为静态图 Variable ，并确保编译期的 InferShape 正确执行

4.3 Buffers 变量

什么是 Buffers 变量？

  • Parameters：persistable 为 True ，且每个 batch 都被 Optimizer 更新的变量

  • Buffers：persistable 为 True ，is_trainable = False ，不参与更新，但与预测相关；如 BatchNorm 层中的均值和方差

在动态图模型代码中，若一个 paddle.to_tensor 接口生成的 Tensor 参与了最终预测结果的的计算，则此 Tensor 需要在转换为静态图预测模型时，也需要作为一个 persistable 的变量保存到 .pdiparam 文件中。

举一个例子（错误写法）：

import paddle
from paddle.jit import to_static

class SimpleNet(paddle.nn.Layer):
    def __init__(self, mask):
        super(SimpleNet, self).__init__()
        self.linear = paddle.nn.Linear(10, 3)

        # mask value，此处不会保存到预测模型文件中
        self.mask = mask # 假设为 [0, 1, 1]

    def forward(self, x, y):
        out = self.linear(x)
        out = out + y
        mask = paddle.to_tensor(self.mask)    # <----- 每次执行都转为一个 Tensor
        out = out * mask
        return out

推荐的写法是：

class SimpleNet(paddle.nn.Layer):
    def __init__(self, mask):
        super(SimpleNet, self).__init__()
        self.linear = paddle.nn.Linear(10, 3)

        # 此处的 mask 会当做一个 buffer Tensor，保存到 .pdiparam 文件
        self.mask = paddle.to_tensor(mask) # 假设为 [0, 1, 1]

    def forward(self, x, y):
        out = self.linear(x)
        out = out + y
        out = out * self.mask                 # <---- 直接使用 self.mask
        return out

总结一下 Buffers 的用法：

  • 若某个非 Tensor 数据需要当做 Persistable 的变量序列化到磁盘，则最好在 __init__ 中调用 self.XX= paddle.to_tensor(xx) 接口转为 buffer 变量