PyTorch在CentOS上的模型部署有哪些方法

在centos系统上部署pytorch模型有多种途径，本文将介绍几种常见方法：

利用TorchScript进行部署

TorchScript是PyTorch的一种序列化模型格式，能够在无需Python解释器的情况下运行模型。部署步骤如下：

1. 模型转换:

   • 追踪(Tracing): 通过追踪模型执行路径生成TorchScript模块。此方法适用于无控制流的模型。示例代码如下：

     import torch
     import torchvision
     
     model = torchvision.models.resnet18()
     example = torch.rand(1, 3, 224, 224)
     traced_script_module = torch.jit.trace(model, example)

   • 脚本化(Scripting): 使用Torch脚本编写模型，并用torch.jit.script编译模块。示例代码如下：

     import torch
     
     class MyModule(torch.nn.Module):
         def __init__(self, n, m):
             super(MyModule, self).__init__()
             self.weight = torch.nn.Parameter(torch.rand(n, m))
     
         def forward(self, input):
             if input.sum() > 0:
                 output = self.weight.mv(input)
             else:
                 output = self.weight + input
             return output
     
     my_module = MyModule(10, 20)
     sm = torch.jit.script(my_module)

利用ONNX进行部署

ONNX (Open Neural Network Exchange) 是一种开放的深度学习模型表示格式。PyTorch支持将模型转换为ONNX格式，并在多种平台上部署。

1. 转换为ONNX:

   import torch
   import torchvision.models as models
   
   model = models.resnet18(pretrained=True)
   example = torch.rand(1, 3, 224, 224)
   torch.onnx.export(model, example, "resnet18.onnx", verbose=True)

2. 使用ONNX Runtime进行推理:

   import onnx
   import onnxruntime as ort
   
   # 加载ONNX模型
   model = onnx.load("resnet18.onnx")
   ort_session = ort.InferenceSession("resnet18.onnx")
   
   # 进行推理
   inputs = {ort_session.get_inputs()[0].name: example.numpy()}
   outputs = ort_session.run(None, inputs)

利用C++进行部署

PyTorch提供C++ API，可以将模型编译为TorchScript并在C++中加载和运行。

外卖吧1.0

一、本站采用PHP+mysql，核心程序使用了kingcms PHP版，重新设计了模板界面，增加了一些操作功能，方便外卖同行可以很好的展示宣传自己的外卖产品。本套源码的模板可以随意共享传播，程序版权仍归Kingcms所有。 二、网站部署操作： 第一步：将“upload”文件夹的所有文件上传到网站的根目录下。 第二步：在数据库管理后台创建好数据库并将源码中的“mysql”文件夹里的文件导入到数据库中

下载

1. 保存TorchScript模型:

   import torch
   import torchvision.models as models
   
   model = models.resnet18(pretrained=True)
   example = torch.rand(1, 3, 224, 224)
   traced_script_module = torch.jit.trace(model, example)
   traced_script_module.save("resnet18.pt")

2. 在C++中加载TorchScript模型:

   #include 
   
   int main(int argc, const char* argv[]) {
       torch::jit::script::Module module;
       try {
           module = torch::jit::load("resnet18.pt");
       }
       catch (const c10::Error& e) {
           std::cerr << "error loading the model\n";
           return -1;
       }
       // ...后续推理代码...
       return 0;
   }

利用Docker进行部署

Docker可以简化部署流程，将模型和环境打包在一起。

1. 创建Dockerfile:

   FROM pytorch/pytorch:latest
   COPY . /app
   WORKDIR /app
   RUN pip install -r requirements.txt
   CMD ["python", "app.py"]

2. 构建Docker镜像:

   docker build -t pytorch-resnet18 .

3. 运行Docker容器:

   docker run -p 5000:5000 pytorch-resnet18

选择哪种方法取决于您的具体需求和环境。 请根据您的实际情况选择最合适的方法。