Microsoft Olive项目中Whisper模型在DML执行提供程序上的兼容性问题分析

背景概述

在Microsoft Olive项目的Whisper语音识别模型示例中，开发团队发现了一个影响模型在DirectML(DML)执行提供程序上运行的兼容性问题。这个问题涉及到模型预处理阶段中STFT(短时傅里叶变换)节点的输入维度不匹配问题。

问题本质

核心问题出现在音频预处理管道的STFT操作节点上。根据ONNX规范，STFT操作符对于实值输入数据期望接收的是三维张量，其形状应为[批次大小, 采样长度, 1]。然而当前实现中，预处理管道提供给STFT节点的输入是二维张量[1, 采样长度]，这导致了维度不匹配。

技术细节

STFT(短时傅里叶变换)是语音处理中的关键预处理步骤，它将时域信号转换为时频表示。ONNX规范中明确要求：

1. 对于实值输入，输入张量应为三维，第三维度为1
2. 对于复值输入，输入张量应为三维，第三维度为2

当前实现中的维度不匹配会导致：

• 在DML执行提供程序上运行时出现错误
• 无法正确利用硬件加速
• 可能影响计算结果的准确性

连带影响

这个问题还涉及到预处理管道中的Pad操作符。由于输入维度不正确，Pad操作也需要相应调整：

• 需要明确输入是三维的
• 需要在最后一个维度(第三维)的开始和结束处填充0值
• 填充模式需要与STFT的要求保持一致

解决方案

该问题已在onnxruntime-extensions项目中通过PR修复。修复内容包括：

1. 确保STFT节点接收正确维度的输入
2. 调整Pad操作符以处理三维输入
3. 保证整个预处理管道的维度一致性

用户操作建议

遇到此问题的用户应该：

1. 从源码安装最新版本的onnxruntime-extensions
2. 清理Olive的工作缓存
3. 重新运行Whisper模型的工作流程

总结

这个案例展示了深度学习模型部署中维度一致性的重要性，特别是在跨不同执行提供程序运行时。正确处理预处理管道的维度不仅影响模型能否运行，还可能影响计算效率和结果准确性。Microsoft Olive团队通过及时的问题定位和修复，确保了Whisper模型能够在DML和CPU执行提供程序上无缝运行。