PyTorch动态维度导出问题解析与解决方案

动态维度导出中的常量推断问题

在使用PyTorch 2.7.0的torch.export功能时，开发者可能会遇到一个关于动态维度推断的常见问题。当尝试为模型指定动态批量大小时，系统会报错提示"batch was inferred to be a constant"，即使开发者已经明确设置了动态维度范围。

问题现象分析

在示例代码中，开发者定义了一个包含多个模块的神经网络结构，并尝试使用torch.export进行模型导出。当使用如下动态形状配置时：

batch_dim = torch.export.Dim("batch", min=1, max=65536)
inputs = {
    'inputs': {
        'lhuc_table': {0: batch_dim, 1: torch.export.Dim.AUTO, 2: torch.export.Dim.AUTO},
        'bias_table': {0: batch_dim, 1: torch.export.Dim.AUTO, 2: torch.export.Dim.AUTO},
        'dht_table': {0: batch_dim, 1: torch.export.Dim.AUTO, 2: torch.export.Dim.AUTO}
    }
}

系统会报错提示批量维度被推断为常量2560，而不是预期的动态维度。而当改用完全自动推断模式时：

inputs = {
    'inputs': {
        'lhuc_table': {0: torch.export.Dim.AUTO, 1: torch.export.Dim.AUTO, 2: torch.export.Dim.AUTO},
        'bias_table': {0: torch.export.Dim.AUTO, 1: torch.export.Dim.AUTO, 2: torch.export.Dim.AUTO},
        'dht_table': {0: torch.export.Dim.AUTO, 1: torch.export.Dim.AUTO, 2: torch.export.Dim.AUTO}
    }
}

导出过程却能顺利完成。

根本原因

深入分析后发现，问题的根源在于模型实现中硬编码了批量大小值2560。在Net类的forward方法中，存在如下代码：

batch_size = 2560
dht_table = dht_table.reshape([batch_size, -1])

这种硬编码方式导致PyTorch的导出系统在追踪计算图时，将批量维度推断为固定值2560，而不是开发者期望的动态维度。系统添加了一个等式守卫(Guard)来确保输入张量的总元素数能被2560整除，这实际上强制了批量维度的固定性。

解决方案

要解决这个问题，需要修改模型实现，从输入张量中动态获取批量大小，而不是使用硬编码值。修改后的forward方法如下：

def forward(self, inputs, training=True):
    dht_table = inputs["dht_table"]
    batch_size = dht_table.shape[0]  # 从输入动态获取批量大小
    dht_table = dht_table.reshape([batch_size, -1])
    ...

这种修改确保了批量维度能够真正保持动态特性，与导出时指定的动态形状配置一致。

技术建议

1. 在使用torch.export进行模型导出时，应避免在模型代码中对任何可能变化的维度使用硬编码值
2. 对于需要reshape操作的张量，应从输入张量的形状中动态获取相关维度值
3. 当遇到维度被推断为常量的问题时，可以检查模型实现中是否存在硬编码的形状参数
4. 使用torch.export.Dim.AUTO虽然可以工作，但显式指定动态维度范围通常能带来更好的性能优化空间

通过遵循这些实践原则，开发者可以更有效地利用PyTorch的导出功能，同时保持模型的灵活性。