[Dy2St] PyTorch 和 Paddle 仓库模型导出成功率对比任务

[2742195759]

背景

PyTorch 最近在 2.1.0 版本发布了 torch.export 功能，提供了以 PyTorch 2.x 的 dynamo 为核心的模型导出方法。其功能上与我们 Paddle 动转静模型导出 paddle.jit.save 相类似，因此我们想要建设一个 repo 能够自动对比 torch.export 和 paddle.jit.save 的导出成功与否，PaddleJitLab/jit-exportable-models 就诞生了～

为了确保对比的公平性，需要两个模型使用相同/等价的组网 API，因此我们选取了一些 PaConvert 能够以较高成功率转换经典的 PyTorch 模型作为测试集合，通过 PaConvert 即可将 PyTorch 模型转换为等价的 Paddle 模型。

之后我们分别对转换前后的模型分别调用 torch.export.export 和 paddle.jit.save 就可以了解两者模型导出是否成功啦～

任务详情

我们在下面的 #58985 (comment) 提供了详细的操作流程，你可以跟随下面的步骤来完成任务。

最终任务需要提交如下几部分内容：

• Fork 后并添加 torch.export.export 代码的 PyTorch 模型 repo 1
• 通过 PaConvert 转换并添加 paddle.jit.save 代码的 Paddle 模型 repo 2
• 向 PaddleJitLab/jit-exportable-models 提交 PR，增加可运行的自动化测试 shell 脚本

任务完成且通过后会邀请进入 PaddleJitLab 组织，并迁移 repo 1 和 repo 2 进组织～

参考资料

• torch.export tutorial
• torch.export API document
• paddle.jit.save document
• Paddle 动转静原理

任务列表 （整体进展：12/80）

按 merge 的时间顺序，排名不分先后： @2742195759 (1)、@GreatV (11)

已完成部分

序号	模型名称	模型地址	难度	认领人	PR链接
✅1	TiSASRec.pytorch	https://github.com/pmixer/TiSASRec.pytorch/tree/master	⭐	@2742195759
✅4	pytorch-hed	https://github.com/sniklaus/pytorch-hed	⭐	@GreatV	PaddleJitLab/jit-exportable-models#1
✅5	ConSinGAN	https://github.com/tohinz/ConSinGAN	⭐	@GreatV	PaddleJitLab/jit-exportable-models#2
✅7	ScaledYOLOv4	https://github.com/WongKinYiu/ScaledYOLOv4	⭐⭐	@GreatV	PaddleJitLab/jit-exportable-models#11
✅11	DINO	https://github.com/facebookresearch/dino	⭐⭐⭐	@GreatV	PaddleJitLab/jit-exportable-models#7
✅26	EAST	https://github.com/SakuraRiven/EAST	⭐	@GreatV	PaddleJitLab/jit-exportable-models#3
✅31	recurrent-visual-attention	https://github.com/kevinzakka/recurrent-visual-attention	⭐	@GreatV	PaddleJitLab/jit-exportable-models#4
✅38	few-shot	https://github.com/Shandilya21/Few-Shot	⭐	@GreatV	PaddleJitLab/jit-exportable-models#5
✅39	PyTorch-BayesianCNN	https://github.com/kumar-shridhar/PyTorch-BayesianCNN	⭐⭐	@GreatV	PaddleJitLab/jit-exportable-models#9
✅55	DeepRecommender	https://github.com/NVIDIA/DeepRecommender	⭐⭐	@GreatV	PaddleJitLab/jit-exportable-models#10
✅56	pren	https://github.com/RuijieJ/pren	⭐	@GreatV	PaddleJitLab/jit-exportable-models#8
✅61	wide-resnet.pytorch	https://github.com/meliketoy/wide-resnet.pytorch	⭐	@GreatV	PaddleJitLab/jit-exportable-models#6

序号	模型名称	模型地址	难度	认领人	PR链接
2	FastSAM	https://github.com/CASIA-IVA-Lab/FastSAM	⭐⭐
3	caser_pytorch	https://github.com/graytowne/caser_pytorch	⭐
6	Real-ESRGAN	https://github.com/xinntao/Real-ESRGAN	⭐⭐
8	pytorch-segmentation	https://github.com/qubvel/segmentation_models.pytorch	⭐⭐
9	tabnet	https://github.com/dreamquark-ai/tabnet	⭐⭐
10	ContrastiveSeg	https://github.com/tfzhou/ContrastiveSeg	⭐⭐⭐
12	DAMO-YOLO	https://github.com/tinyvision/DAMO-YOLO	⭐⭐⭐
13	NCR	https://github.com/rutgerswiselab/NCR	⭐
14	PAN	https://github.com/WenmuZhou/PAN.pytorch	⭐⭐
15	monodepth2	https://github.com/OniroAI/MonoDepth-PyTorch	⭐
16	pspnet-pytorch	https://github.com/Lextal/pspnet-pytorch	⭐
17	yolact	https://github.com/dbolya/yolact/tree/master	⭐⭐
18	OV-DETR	https://github.com/yuhangzang/OV-DETR	⭐⭐
19	yolov5	https://github.com/ultralytics/yolov5	⭐⭐
20	deeplab-pytorch	https://github.com/kazuto1011/deeplab-pytorch	⭐⭐
21	SimCC	https://github.com/leeyegy/SimCC	⭐
22	MODNet	https://github.com/ZHKKKe/MODNet/tree/master	⭐⭐
23	ESPNet	https://github.com/espnet/espnet	⭐
24	CORA	https://github.com/AkariAsai/CORA	⭐⭐⭐
25	AoANet	https://github.com/husthuaan/AoANet	⭐⭐
27	detr	https://github.com/facebookresearch/detr	⭐⭐
28	pytorch-YOLOv4	https://github.com/Tianxiaomo/pytorch-YOLOv4	⭐⭐
29	pytorch_Realtime_Multi-Person_Pose_Estimation	https://github.com/tensorboy/pytorch_Realtime_Multi-Person_Pose_Estimation	⭐⭐
30	CLIP	https://github.com/openai/CLIP	⭐⭐
32	MVFNet	https://github.com/Fanziapril/mvfnet	⭐⭐⭐
33	ADDS-DepthNet	https://github.com/LINA-lln/ADDS-DepthNet	⭐
34	deep-image-prior	https://github.com/DmitryUlyanov/deep-image-prior	⭐
35	vilbert-multi-task	https://github.com/facebookresearch/vilbert-multi-task	⭐⭐
36	TorchSeg	https://github.com/ycszen/TorchSeg	⭐⭐
37	CenterNet	https://github.com/gakkiri/simple-centernet-pytorch	⭐⭐
40	ViTPose	https://github.com/gpastal24/ViTPose-Pytorch	⭐⭐⭐
41	r2c	https://github.com/rowanz/r2c	⭐
42	DeepCTR-Torch	https://github.com/shenweichen/DeepCTR-Torch	⭐⭐
43	hacksc	https://github.com/ZoneLikeWonderland/HACK-Model/	⭐⭐
44	YOLOX	https://github.com/Megvii-BaseDetection/YOLOX	⭐⭐
45	a-PyTorch-Tutorial-to-Image-Captioning	https://github.com/sgrvinod/a-PyTorch-Tutorial-to-Image-Captioning	⭐⭐
46	prototypical-networks	https://github.com/jakesnell/prototypical-networks	⭐
47	AdvSemiSeg	https://github.com/hfslyc/AdvSemiSeg	⭐⭐
48	FastFCN	https://github.com/wuhuikai/FastFCN	⭐⭐
49	STDC-Seg	https://github.com/MichaelFan01/STDC-Seg	⭐⭐
50	AdaptSegNet	https://github.com/wasidennis/AdaptSegNet	⭐
51	tiny-faces-pytorch	https://github.com/varunagrawal/tiny-faces-pytorch	⭐
52	pytorch_GAN_zoo	https://github.com/facebookresearch/pytorch_GAN_zoo	⭐
53	efficientdet-pytorch	https://github.com/zylo117/Yet-Another-EfficientDet-Pytorch	⭐⭐⭐
54	mmocr	https://github.com/open-mmlab/mmocr	⭐⭐⭐
57	VideoMAE	https://github.com/MCG-NJU/VideoMAE	⭐⭐⭐
58	pixel2style2pixel	https://github.com/eladrich/pixel2style2pixel	⭐⭐
59	dlrm	https://github.com/facebookresearch/dlrm	⭐⭐	EmbeddingBag 暂不支持
60	torecsys	https://github.com/p768lwy3/torecsys	⭐⭐⭐
62	pit	https://github.com/naver-ai/pit	⭐⭐⭐
63	ESPNetv2	https://github.com/sacmehta/ESPNetv2	⭐
64	SupContrast	https://github.com/HobbitLong/SupContrast	⭐
65	3D-ResNets-PyTorch	https://github.com/kenshohara/3D-ResNets-PyTorch	⭐
66	beit2	https://github.com/sfatimakhan/BEIT	⭐⭐⭐
67	PyTorch-GAN	https://github.com/eriklindernoren/PyTorch-GAN	⭐⭐
68	vnet.pytorch	https://github.com/mattmacy/vnet.pytorch	⭐
69	mmaction2	https://github.com/open-mmlab/mmaction2	⭐⭐⭐
70	FSPNet	https://github.com/ZhouHuang23/FSPNet	⭐⭐⭐
71	CMT	https://github.com/gnebehay/CMT	⭐⭐⭐
72	PseCo	https://github.com/ligang-cs/PseCo	⭐⭐⭐
73	BackgroundMattingV2	https://github.com/PeterL1n/BackgroundMattingV2	⭐⭐⭐
74	MapTR	https://github.com/hustvl/MapTR	⭐⭐⭐
75	mae	https://github.com/facebookresearch/mae	⭐⭐⭐
76	xcit	https://github.com/facebookresearch/xcit	⭐⭐⭐
77	T2T-ViT	https://github.com/yitu-opensource/T2T-ViT	⭐⭐⭐
78	ContextPrior	https://github.com/ycszen/ContextPrior	⭐⭐⭐
79	moco	https://github.com/facebookresearch/moco	⭐⭐
80	moco-v3	https://github.com/facebookresearch/moco-v3/tree/main	⭐⭐⭐

其他模型

序号	模型名称	模型地址	难度	认领人	PR链接
81	???	???	⭐⭐⭐⭐
82	???	???	⭐⭐⭐⭐

[2742195759]

一个小教程～

AI Studio 开发环境申请

由于本任务需要编写测试脚本，建议使用统一环境来进行开发，推荐使用 AI Studio 框架开发功能开发～

可以参考飞桨线上开发环境——AI Studio 申请 AI Studio 开发环境～

AI Studio 环境创建

进入AI Studio 主页，选择创建项目

选择框架开发任务

注意，这里选择环境 cuda11.2-cudnn8。大家保持一致，防止不必要的环境问题。

创建完毕之后，启动即可。

仓库Clone：

进入环境之后clone仓库：

git clone https://github.com/PaddleJitLab/jit-exportable-models
cd jit-exportable-models

这里的仓库是主要的脚本仓库，大家可以参看里面的样例进行编写，这里针对这个样例详细的讲解一下开发过程：

样例讲解：TiSASRec.pytorch/start_export.sh

首先这个样例里面只有一个文件：./start_export.sh 脚本：

我们的主要目的是编写一个 ./start_export.sh 脚本作为总启动命令，这个脚本文件需要做：

• 为仓库准备好必要依赖，对应到 start_export.sh 中是如下的部分

  

• 在 PaddleJitLab 中创建 PyTorch 和 Paddle 两个版本的仓库（clone 或则是创建新的都可以）。然后 clone 下来，运行对应的命令。
  

最终的执行成功与否只需要在 export.py 中打印出下面两个log即可：

上述的 ./start_export.sh 的总体架构很简单，但是依赖了两个 PaddleJitLab 的仓库地址，以及对这两个仓库中的 export.py 脚本的调用。这个章节我们讲述如何创建这两个仓库。分别是 PyTorch 仓库和 Paddle 仓库的创建两个部分。

PyTorch 仓库创建：

首先对于 torch.export 的运行仓库。作为每个任务，我们都会获取一个初始的仓库地址，比如这里的 TiSASRec.pytorch 就是初始的地址。

用户获取了初始地址之后，阅读项目的README，首先尝试复现仓库的训练流程，比如这里我们发现README中提到了复现流程是：

所以我们查看 main.py ，查看 model 的创建位置：

我们发现在这里进行了model的forward调用，同时传入了需要的数据。因为我们的目的是测试 torch.export.export 接口是否可以导出成功，所以我们使用成本最小的方式来实现，直接拷贝一份main.py，命名为export.py（名字随意，只要 start_export.sh 可以启动即可），然后进行如下的修改：

可以看到，就是在forward后面插入 torch.export.export 的调用。所以我们的export.py 就会测试export，如果导出成功，那么就输出标志性的日志，表示成功。【注意这里的日志一定要一致，不要有任何的diff，后续数据统计会通过这个来统计】。

这样我们将新的 export.py 连同原来的仓库文件，一起提交到 JitLab 组织下。就完成了Torch仓库的构建。

Paddle仓库创建：

为了确保 Paddle 和 Torch 对比的权威性和公平性，我们希望 Torch 和 Paddle 的模型有同样的代码结构。为了获取到同样结构的两个模型。我们使用 PaConvert 工具将 Torch 仓库转化为 Paddle 仓库。 PaConvert 仓库地址如下：可以参考README来使用 https://github.com/PaddlePaddle/PaConvert 。这里使用下面的命令

python3.8 -m pip install -U paconvert
paconvert --in_dir TiSASRec.pytorch/ --out_dir TiSASRec.pytorch.paddle

然后我们可以看到输出：

发现有一些代码无法转写，大概率是Paddle中没有对应的Torch API，这类问题需要开发者手动解决，全局搜索 >>> 就可以知道哪些问题需要手动解决了：

比如 utils.py 中，这个 start() 不是 Torch的组网API，所以我们直接保留即可，后面的 zero_grad 通过查看Paddle的Adam的文档，可以知道对应的是 clear_grad ，所以我们换了即可。

最后我们就得到了 Paddle 的仓库：TiSASRec.pytorch.paddle。然后将加上 save 的调用即可：

paddle 仓库的 export.py 如下所示：

其他的和 torch 的 export.py 类似，然后我们运行命令，可以查看是否可以正确测试 save，一切没有问题之后，就可以给PaddleJitLab提交上述的仓库了。

总结：

到此，两个仓库的都构建完毕，而且 start_export.py 也写完了，这里总结一下完整的工作：

• 提供给Torch原始仓库：TiSASRec.pytorch
• 我们给Torch仓库添加一个export.py脚本，测试export功能，记得打印日志，然后创建新仓库并提交到 PaddleJitLab 组织中：https://github.com/PaddleJitLab/TiSASRec.pytorch
• 我们使用PaConvert工具将Torch仓库转变为Paddle仓库，然后添加export.py，测试save功能。创建新仓库并提交到 PaddleJitLab 组织中：https://github.com/PaddleJitLab/TiSASRec.pytorch.paddle
• 我们在 https://github.com/PaddleJitLab/jit-exportable-models 中创建一个新的目录TiSASRec.pytorch，并在目录下放置一个 start_export.sh 作为入口脚本（执行的word directory就是 TiSASRec.pytorch 目录中）然后提一个PR即可。
  一定要确保我们的start_export.sh 可以完成运行，自动测试torch+paddle的导出功能（torch.export.export和 paddle.jit.save）输出如下的【JIT】日志：

参考资料：

1. https://github.com/PaddlePaddle/PaConvert 【PaConvert项目地址】

Note

• 初次参与任务可能没有权限在 PaddleJitLab 创建 repo，可先在个人账户创建 repo，在首次任务通过后会邀请加入组织，之后可直接在组织中创建 repo
• 如有模型 PyTorch 动态图就跑不通，直接反馈即可

[GreatV]

第一步的fork，怎么fork到组织仓库呀？

[SigureMo]

第一步的fork，怎么fork到组织仓库呀？

• Fork 后并添加 torch.export.export 代码的 PyTorch 模型 repo 1
• 通过 PaConvert 转换并添加 paddle.jit.save 代码的 Paddle 模型 repo 2
• 向 PaddleJitLab/jit-exportable-models 提交 PR，增加可运行的自动化测试 shell 脚本

任务完成且通过后会邀请进入 PaddleJitLab 组织，并迁移 repo 1 和 repo 2 进组织～

以上面描述为准，先 fork 到个人账户，任务完成后统一迁移到组织账户，目前任务描述还有些地方没有修改～

[GreatV]

怎么解决不同仓库环境不一致的问题呀，有的年久失修pytorch版本会跑不起来

[SigureMo]

怎么解决不同仓库环境不一致的问题呀，有的年久失修pytorch版本会跑不起来

跑不起来的模型可以反馈下即可～

[GreatV]

认领 pytorch-hed

[ooooo-create]

认领 vnet.pytorch

[GreatV]

ConSinGAN 好像导不了

https://github.com/GreatV/ConSinGAN.paddle/blob/40988d58f9117c1efe5586e26a4223440b9a6107/export.py#L27-L41

ValueError: The feeded_var_names[1]: 'eager_tmp_1' doesn't exist in pruned inference program. Please check whether 'eager_tmp_1' is a valid feed_var name, or remove it from feeded_var_names if 'eager_tmp_1' is not involved in the target_vars calculation.

[SigureMo]

ConSinGAN 好像导不了

无法导出的也要如实的记录，这些模型我们也没测过，所以并不能保证 Paddle 能成功导出，没有其他问题的话可以直接提交的

[Liyulingyue]

认领1 3

[sanbuphy]

认领 2 FastSAM

[rhmaaa]

认领 65

[enkilee]

认领13，33

[ccsuzzh]

认领 51

[enkilee]

认领33

[sunzhongkai588]

认领16

[DrRyanHuang]

认领 23,19,27,69

[longranger2]

认领15，23

[xiaoyewww]

认领26

[GreatV]

54 mmocr 的模型非常多，每一个都要转吗

[GreatV]

59 dlrm 需要用到 EmbeddingBag，paddle 暂不支持。

[2742195759]

54 mmocr 的模型非常多，每一个都要转吗

可以先选一个转吧，不用全都转。

[2742195759]

59 dlrm 需要用到 EmbeddingBag，paddle 暂不支持。

好的，麻烦再列表后面标记一下吧。也算是一个摸底了。

[Little-chick]

认领52

[GreatV]

6 Real-ESRGAN 依赖 BasicSR 依赖比较复杂，模型不好导出。

[GreatV]

8 pytorch-segmentation 依赖 timm 依赖比较复杂，模型不好导出。

[Mister-TT]

认领63

[Mister-TT]

63 需要用到kaiming_normal_的fan_out模式，paddle不支持

[Little-chick]

认领50AdaptSegNet