模型可视化方法

Paddle Lite 框架中主要使用到的模型结构有2种：(1) 为 PaddlePaddle 深度学习框架产出的模型格式; (2) 使用 Lite 模型优化工具 opt 优化后的模型格式。因此本章节包含内容如下：

1. Paddle 推理模型可视化

2. Lite 优化模型可视化

3. Lite 子图方式下模型可视化

Paddle 推理模式可视化

Paddle 用于推理的模型是通过 save_inference_model 这个 API 保存下来的，存储格式有两种，由 save_inference_model 接口中的 model_filename 和 params_filename 变量控制：

• non-combined 形式 ：参数保存到独立的文件，如设置 model_filename 为 None , params_filename 为 None

  $ ls -l recognize_digits_model_non-combined/
  total 192K
  -rw-r--r-- 1 root root  28K Sep 24 09:39 __model__          # 模型文件
  -rw-r--r-- 1 root root  104 Sep 24 09:39 conv2d_0.b_0       # 独立权重文件
  -rw-r--r-- 1 root root 2.0K Sep 24 09:39 conv2d_0.w_0       # 独立权重文件
  -rw-r--r-- 1 root root  224 Sep 24 09:39 conv2d_1.b_0       # ...
  -rw-r--r-- 1 root root  98K Sep 24 09:39 conv2d_1.w_0
  -rw-r--r-- 1 root root   64 Sep 24 09:39 fc_0.b_0
  -rw-r--r-- 1 root root  32K Sep 24 09:39 fc_0.w_0
  

• combined 形式：参数保存到同一个文件，如设置 model_filename 为 model , params_filename 为 params

  $ ls -l recognize_digits_model_combined/
  total 160K
  -rw-r--r-- 1 root root  28K Sep 24 09:42 model         # 模型文件
  -rw-r--r-- 1 root root 132K Sep 24 09:42 params        # 权重文件
  

通过以上方式保存下来的模型文件都可以通过 Netron 工具来打开查看模型的网络结构。

注意： Netron 当前要求 PaddlePaddle 的保存模型文件名必须为__model__，否则无法识别。如果是通过第二种方式保存下来的 combined 形式的模型文件，需要将文件重命名为__model__。

Lite 优化模型可视化

Paddle Lite 在执行模型推理之前需要使用模型优化工具 opt 来对模型进行优化，优化后的模型结构同样可以使用 Netron 工具进行查看。

注意: 为了减少第三方库的依赖、提高 Lite 预测框架的通用性，在移动端使用 Lite API 您需要准备 Naive Buffer 存储格式的模型(该模型格式是以.nb为后缀的单个文件)。Naive Buffer 格式模型的可视化也可以参考文档使用可执行文件 opt 工具中的功能三。

这里以 paddle_lite_opt 工具为例：

• 当模型输入为non-combined格式的 Paddle 模型时，需要通过--model_dir来指定模型文件夹

  $ paddle_lite_opt \
        --model_dir=./recognize_digits_model_non-combined/ \
        --valid_targets=arm \
        --optimize_out_type=protobuf \ # 注意：这里必须输出为protobuf格式
        --optimize_out=model_opt_dir_non-combined
  

  优化后的模型文件会存储在由--optimize_out指定的输出文件夹下，格式如下

  $ ls -l model_opt_dir_non-combined/
  total 152K
  -rw-r--r-- 1 root root  17K Sep 24 09:51 model     # 优化后的模型文件
  -rw-r--r-- 1 root root 132K Sep 24 09:51 params    # 优化后的权重文件
  

• 当模式输入为combined格式的 Paddle 模型时，需要同时输入--model_file和--param_file来分别指定 Paddle 模型的模型文件和权重文件

  $ paddle_lite_opt \
        --model_file=./recognize_digits_model_combined/model \
        --param_file=./recognize_digits_model_combined/params \
        --valid_targets=arm \
        --optimize_out_type=protobuf \ # 注意：这里必须输出为protobuf格式
        --optimize_out=model_opt_dir_combined
  

  优化后的模型文件同样存储在由--optimize_out指定的输出文件夹下，格式相同

  ls -l model_opt_dir_combined/
  total 152K
  -rw-r--r-- 1 root root  17K Sep 24 09:56 model     # 优化后的模型文件
  -rw-r--r-- 1 root root 132K Sep 24 09:56 params    # 优化后的权重文件
  

将通过以上步骤输出的优化后的模型文件model重命名为__model__，然后用 Netron 工具打开即可查看优化后的模型结构。将优化前后的模型进行对比，即可发现优化后的模型比优化前的模型更轻量级，在推理任务中耗费资源更少且执行速度也更快。

Lite子图方式下模型可视化

当模型优化的目标硬件平台为 华为 NPU, 昆仑芯 XPU, 瑞芯微 NPU, 联发科 APU 等通过子图方式接入的硬件平台时，得到的优化后的protobuf格式模型中运行在这些硬件平台上的算子都由subgraph算子包含，无法查看具体的网络结构。

以华为 NPU 为例，运行以下命令进行模型优化，得到输出文件夹下的model, params两个文件。

$ paddle_lite_opt \
      --model_dir=./recognize_digits_model_non-combined/ \
      --valid_targets=huawei_kirin_npu,arm \         # 注意：这里的目标硬件平台为NPU,ARM
      --optimize_out_type=protobuf \
      --optimize_out=model_opt_dir_npu

将优化后的模型文件model重命名为__model__，然后用 Netron 工具打开，只看到单个的 subgraph 算子，如下图所示：

如果想要查看 subgraph 中的具体模型结构和算子信息需要打开 Lite Debug Log，Lite 在优化过程中会以 .dot 文本形式输出模型的拓扑结构，将 .dot 的文本内容复制到 webgraphviz 即可查看模型结构。

$ export GLOG_v=5 # 注意：这里打开Lite中Level为5及以下的的Debug Log信息
$ paddle_lite_opt \
      --model_dir=./recognize_digits_model_non-combined/ \
      --valid_targets=huawei_kirin_npu,arm \
      --optimize_out_type=protobuf \
      --optimize_out=model_opt_dir_npu > debug_log.txt 2>&1 
# 以上命令会将所有的debug log存储在debug_log.txt文件中

打开 debug_log.txt 文件，将会看到多个由以下格式构成的拓扑图定义，由于 recognize_digits 模型在优化后仅存在一个 subgraph，所以在文本搜索subgraph clusters的关键词，即可得到子图拓扑如下：

I0924 10:50:12.715279 122828 optimizer.h:202] == Running pass: npu_subgraph_pass
I0924 10:50:12.715335 122828 ssa_graph.cc:27] node count 33
I0924 10:50:12.715412 122828 ssa_graph.cc:27] node count 33
I0924 10:50:12.715438 122828 ssa_graph.cc:27] node count 33
subgraph clusters: 1  # 注意：搜索subgraph clusters:这个关键词，
digraph G {
   node_30[label="fetch"]
   node_29[label="fetch0" shape="box" style="filled" color="black" fillcolor="white"]
   node_28[label="save_infer_model/scale_0.tmp_0"]
   node_26[label="fc_0.tmp_1"]
   node_24[label="fc_0.w_0"]
   node_23[label="fc0_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   ...
   node_15[label="batch_norm_0.tmp_1"]
   node_17[label="conv2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   node_19[label="conv2d_1.b_0"]
   node_1->node_0
   node_0->node_2
   node_2->node_3
   ...
   node_28->node_29
   node_29->node_30
} // end G
I0924 10:50:12.715745 122828 op_lite.h:62] valid places 0
I0924 10:50:12.715764 122828 op_registry.cc:32] creating subgraph kernel for host/float/NCHW
I0924 10:50:12.715770 122828 op_lite.cc:89] pick kernel for subgraph host/float/NCHW get 0 kernels

将以上文本中以digraph G {开头和以} // end G结尾的这段文本复制粘贴到 webgraphviz，即可看到子图中的具体模型结构，如下图。其中高亮的方形节点为算子，椭圆形节点为变量或张量。

若模型中存在多个子图，以上方法同样可以得到所有子图的具体模型结构。

同样以华为 NPU 和 ARM 平台混合调度为例，子图的产生往往是由于模型中存在部分算子无法运行在 NPU 平台上(比如 NPU 不支持的算子)，这会导致整个模型被切分为多个子图，子图中包含的算子会运行在 NPU 平台上，而子图与子图之间的一个或多个算子则只能运行在 ARM 平台上。这里可以通过华为 NPU 的自定义子图分割功能，将 recognize_digits 模型中的batch_norm设置为禁用 NPU 的算子，从而将模型分割为具有两个子图的模型：

# 此txt配置文件文件中的内容为 batch_norm
$ export SUBGRAPH_PARTITION_CONFIG_FILE=./subgraph_partition_config_file.txt
$ export GLOG_v=5 # 继续打开Lite的Debug Log信息
$ paddle_lite_opt \
      --model_dir=./recognize_digits_model_non-combined/ \
      --valid_targets=huawei_kirin_npu,arm \
      --optimize_out_type=protobuf \
      --optimize_out=model_opt_dir_npu > debug_log.txt 2>&1 #

将执行以上命令之后，得到的优化后模型文件model重命名为__model__，然后用 Netron 工具打开，就可以看到优化后的模型中存在2个 subgraph 算子，如左图所示，两个子图中间即为通过环境变量和配置文件指定的禁用NPU的batch_norm算子。

打开新保存的 debug_log.txt 文件，搜索final program关键字，拷贝在这之后的以digraph G {开头和以} // end G结尾的文本用 webgraphviz 查看，也是同样的模型拓扑结构，存在subgraph1和subgraph3两个子图，两个子图中间同样是被禁用NPU的batch_norm算子，如下图所示:

之后继续在 debug_log.txt 文件中，搜索subgraph clusters关键字，可以得到所有子图的 .dot 格式内容如下：

digraph G {
   node_30[label="fetch"]
   node_29[label="fetch0" shape="box" style="filled" color="black" fillcolor="white"]
   node_28[label="save_infer_model/scale_0.tmp_0"]
   node_26[label="fc_0.tmp_1"]
   node_24[label="fc_0.w_0"]
   ...
   node_17[label="conv2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   node_19[label="conv2d_1.b_0"]
   node_0[label="feed0" shape="box" style="filled" color="black" fillcolor="white"]
   node_5[label="conv2d_0.b_0"]
   node_1[label="feed"]
   node_23[label="fc0_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   node_7[label="pool2d0_subgraph_1" shape="box" style="filled" color="black" fillcolor="green"]
   node_21[label="pool2d1_subgraph_0" shape="box" style="filled" color="black" fillcolor="red"]
   ...
   node_18[label="conv2d_1.w_0"]
   node_1->node_0
   node_0->node_2
   ...
   node_28->node_29
   node_29->node_30
} // end G

将以上文本复制到 webgraphviz 查看，即可显示两个子图分别在整个模型中的结构，如下图所示。可以看到图中绿色高亮的方形节点的为subgraph1中的算子，红色高亮的方形节点为subgraph2中的算子，两个子图中间白色不高亮的方形节点即为被禁用NPU的batch_norm算子。

注意： 本章节用到的 recognize_digits 模型代码位于 PaddlePaddle/book。