PyTorch/TensorRT 动态编译模型序列化问题解析

问题背景

在使用PyTorch与TensorRT结合进行模型优化时，开发者可能会遇到一个典型问题：当使用torch.export.export导出的模型经过保存、加载后，再使用torch_tensorrt.dynamo.compile进行编译，最终生成的模型无法通过torch.export.load正确加载。这个问题在PyTorch 2.4版本中确实存在，但在最新的开发版本(2.5.0.dev)中已经得到修复。

问题现象

具体表现为当尝试加载经过TensorRT编译并保存的模型时，系统会抛出与符号形状相关的错误信息，提示s0不在变量范围内，同时表达式评估失败。这种错误通常与模型导出和序列化过程中对动态形状的处理有关。

技术原理分析

1. 模型导出流程：PyTorch的torch.export.export会将模型转换为一个静态计算图表示，这个过程涉及对动态形状的符号化处理。

2. TensorRT编译：torch_tensorrt.dynamo.compile会对导出的计算图进行优化，将适合的部分子图转换为TensorRT引擎，同时保留PyTorch对动态形状的支持。

3. 序列化问题：在早期版本中，序列化机制未能正确处理TensorRT优化后模型中包含的符号形状信息，导致重新加载时无法正确重建这些符号约束。

解决方案验证

在最新开发版本中，这个问题已经得到解决。以下是验证代码示例：

import torch
import torch_tensorrt

# 准备模型和输入数据
model = torch.nn.Linear(5, 7).eval().cuda()
sample = torch.randn(3, 5).cuda()
pyt_out = model(sample)

# 导出模型
ep = torch.export.export(model, (sample,))
torch.export.save(ep, "model.ep")

# 加载并编译
ep_loaded = torch.export.load("model.ep")
compiled = torch_tensorrt.dynamo.compile(ep_loaded, [sample], min_block_size=1)

# 保存和加载TensorRT优化后的模型
torch_tensorrt.save(compiled, "model_compiled.ep", inputs=[sample])
loaded_torch_tensorrt = torch.export.load("model_compiled.ep")
trt_gm = loaded_torch_tensorrt.module()
trt_out = trt_gm(sample)

# 验证结果一致性
print("输出差异: ", torch.mean(torch.abs(pyt_out-trt_out)))

最佳实践建议

1. 版本选择：建议使用PyTorch 2.5.0及以上版本，以获得更稳定的TensorRT集成支持。

2. 动态形状处理：对于需要支持动态形状的模型，确保在导出和编译时提供具有代表性的输入样本。

3. 最小块大小：根据模型特点适当调整min_block_size参数，平衡优化效果和兼容性。

4. 结果验证：始终检查原始PyTorch模型与优化后模型的输出一致性，确保优化过程没有引入数值误差。

总结

PyTorch与TensorRT的深度集成为模型优化提供了强大工具，但在版本迭代过程中可能会遇到兼容性问题。开发者应保持对最新版本的关注，并建立完善的模型验证流程，确保优化后的模型既保持了性能优势，又不损失计算准确性。随着PyTorch生态的持续完善，这类序列化问题已经得到有效解决，开发者可以更放心地使用这套工具链进行生产部署。