跳到主要内容

3 篇博文 含有标签「python」

查看所有标签

· 阅读需 1 分钟
sea-wyq

背景​

YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器，并在 GPU V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。YOLOv7 是在 MS COCO 数据集上从头开始训练的，不使用任何其他数据集或预训练权重。

· 阅读需 8 分钟
ybyang7

随着近几年开源的蓬勃发展，开源的影响力在业内也是广泛被认可。以BAT为首的各行业的企业都在开源领域内发展其一些关键技术;一些关键的商业化场景更是以公司的开源实力来量化招标要求；

我司在几年前已经开展了一些开源的工作，也收集到集团内部一些零星的力量参与了开源社区的工作信息，总而言之，集团层面的开源工作没有形成有效的合力。

为此:

3月初，我们重新拾起了在几年前就已在Github开放代码的AthenaServing推理服务框架

6月，我们积极推进，最终集团正式成立了集团的开源工作组

7月25日，我们开展了第一次开源分享会，分享会上，我们对内宣发了开源工作成立的消息，同时，我们邀请了2位开源大咖给讯飞er们分享了一些非常有用的心路历程。

内部参与开源?​

在集团内部，我们定义了一套基础的开源工作流

img

项目报备阶段 其中项目报备阶段有如下细分流程:

img

有意向开源需要向开源工作组提供如下信息:

  1. 明确项目主要负责人
  2. 向开源工作组报备计划开源内容: 项目名称、动机、目标，阵地等
  3. 提供项目大致内容以及RoadMap介绍，价值分析等
  4. 得对应部门领导许可

此外，对开源有任何疑问的同学，也可以发邮件至开源工作组

项目代码内部评审

  1. 负责人先在内部评估计划开源代码开源范围，即功能清单(此举为保护部分非常商业化领域核心代码)

  2. 脱敏、并发起内部代码评审

评审定目标产物:

  1. 是否可开源

  2. 开源功能清单

注意: 代码评审会由项目负责人发起，最终提供给开源工作组结论即可。

项目代码成员确定

  1. 确定内部参与人员，以及角色分配

  2. 外部成员根据项目负责人邀请自行认定，但必须保证经过一系列有效代码提交。外部优秀开发者，可根据提交数量、质量向工作组推荐邀请进入Github 讯飞开源组织。 (此工作流待完善)

版本发布、更新

  1. 开源的项目版本发布、更新策略由项目负责人自行控制
  2. 由内部项目演化而来的开源项目更新时，亦需要经过内部代码审核确保功能清单合规

Github仓库

集团统一开源组织为iflytek， 当前组织管理员为 ybyang7

原则上，后续以公司名义开源的新项目需要统一在此组织下维护。

Github Member权限申请

Github iflytek组织Member的权限申请，可以发邮件至ifly_ospo

此流程为内部员工流程， 外部开发者进入组织权限将以github workflow形式自动化加入

邮件内容需提供:

  1. 已开源、或者计划开源项目信息
  2. 域账号以及github账户名
  3. 个人职位角色以及部门信息

Github项目目录

不同语言有不同的目录结构，除了基础的代码部分，项目目录推荐提供如下文件:

  1. Readme.md

  2. LICENSE文件: 一般推介(Apache2.0License)

  3. .github/workflows/build.yml文件: Github Action配置文件，多用于自动构建

  4. .github/workflows/release.yml文件: Github Action配置文件，多用于自动发布

目录示例

CI页面示例:

ci

静态文档网站托管配置

img

Github提供了非常易用的静态网站托管功能，配合Github的CI工具: Github Action 以及一些三方文档生成工具如: Docusaurus， mkdocs，ASF Website就是利用 Docusaurus构建，并托管在github pages上。

周会机制

这里有两个层面周会:

1: 开源维护者交流周会(内部视角): 是需要定期向集团汇报开源进展的双周会(周期待调整) 集团内部开源项目负责人需要统一加入开源交流群，并定期报告进展。

2: 项目自身周会机制: 需要项目负责人根据各自项目开源进程自行发起并开展，推荐以公开在线会议方式开展，周期可以不用太频繁

自运营

开源工作组提供集团统一开源阵地以及门户，指导并规范每个开源项目的基础配置，但真正的项目是否能够良性运营取决于项目发起人及其部门对该开源项目的定位和价值分析，并且有一个可观的RoadMap。 开源虽然看起来似乎很简单，但它是一个需要长期投入的事情，同时做好了也是一件对企业影响力，个人影响力有极大加成的事情

如何参与开源? 需要学会哪些Github操作？​

请参考 如何从0参与开源项目

写在结尾​

开源的工作是一个非常Open的工作，虽然很多时候是我们码农抽取自己的非工作时间来参与，我司虽然没有专门的开源岗位，但是开源本身这个事情在业界影响力对于每个开发人员来说也有目共睹。相信有一天，我司会为开源专门设立岗位，这一天需要每位有兴趣参与开源的同事共同努力，这一天一定不会远。

万事开头难， 我们在很多领域技术上都有一些起了个大早，却赶了个晚集，很大原因是由于我们没有坚持，另外我们不断的给自己设限，否定自己，我们开源不会成功，没有出路的思想经常萦绕在我们眼帘，找不到开源的出路和思路。

开源虽难，但未来可期！

· 阅读需 15 分钟
ybyang7

还在想如何偷懒，直接复用研究员的Python代码进行在线推理？

还在寻找模型推理RPC->HTTP方案？

还在找 C/C++ 调用 Python, Python调用 C/C++技术方案？

还在找如何提速Python方案？

....

你在找的这里都有​

当前算法开发主流语言都是Python语言， 而想要落地成为生产级别服务应用，往往需要用C/C++等高阶语言进行复现并封装成高性能接口。

但是并非所有的场景都是需要高性能，任何服务接口的高性能的优化都是循序渐进的，目前很多厂商都会选择用Python进行实际推理， 讯飞当前拥有

一套Golang加载C插件方案，来支持当前讯飞主要的一些AI线上生产级别服务应用。

为了让用户更快速的接入Python实现的能力， 在当前讯飞AIGES架构基础上，利用Pybind11兼容了支持Python AI能力服务化。

Go/C、C++架构​

img

支持wrapper.py Go/C/Python 架构​

Python Language Wrapper: img

讯飞开源出品的 AthenaServing是一个将 Python AI能力(也可以支持C/C++)发布成为HTTP服务的 AI工程框架，详情请参考: Github

C调用Python​

由上述架构可知， 我们需要使用C++调用Python能力(Golang无法直接调用Python,我们技术栈是Golang)。

Python原生方案​

传统的C调用Python，大多数人都会使用原生的Cpython形式去调用Python，我们在第一个版本时也是如此,其复杂度不言而喻，设计到Python的生命周期管理，内存管理，GIL，引用计数，对象转换等等...

Python 官方提供了 Python/C API，可以实现「用 C 语言编写 Python 库」，先上一段代码感受一下：

static PyObject *
spam_system(PyObject *self, PyObject *args)
{
    const char *command;
    int sts;

    if (!PyArg_ParseTuple(args, "s", &command))
        return NULL;
    sts = system(command);
    return PyLong_FromLong(sts);
}

上述是一个简单的对python system命令进行调用，却要进行多次手动类型转换，十分痛苦。。

Cython方案​

Cython 主要打通的是 Python 和 C，方便为 Python 编写 C 扩展。Cython 的编译器支持转化 Python 代码为 C 代码，这些 C 代码可以调用 Python/C 的 API。从本质上来说，Cython 就是包含 C 数据类型的 Python。目前 Python 的 numpy，以及腾讯的 tRPC-Python 框架有所应用。

缺点： 需要手动植入 Cython 自带语法（cdef 等），移植和复用成本高 需要增加其他文件，如 setup.py、*.pyx 来让你的 Python 代码最后能够转成性能较高的 C 代码 对于 C++的支持程度存疑

SWIG​

SWIG 主要解决其他高级语言与 C 和 C++语言交互的问题，支持十几种编程语言，包括常见的 java、C#、javascript、Python 等。使用时需要用*.i 文件定义接口，然后用工具生成跨语言交互代码。但由于支持的语言众多，因此在 Python 端性能表现不是太好。

值得一提的是，TensorFlow 早期也是使用 SWIG 来封装 Python 接口，正式由于 SIWG 存在性能不够好、构建复杂、绑定代码晦涩难读等问题，TensorFlow 已于 2019 年将 SIWG 切换为 pybind11。

PYBIND11​

在pybind11 之前其实有一个boost.python库也是经典，但是它比较重度依赖 boost周边依赖库，比较庞大，经常让人望而却步.

pybind11 可以理解为boost.python的精简版，通过提供头文件，宏定义和元编程来简化 Python 的 API 调用。对 C++支持非常好，基于 C++11 应用了各种新特性，也许 pybind11 的后缀 11 就是出于这个原因。

特点：

  • 轻量且功能单一，聚焦于提供 C++ & Python binding，交互代码简洁
  • 对常见的 C++数据类型如 STL、Python 库如 numpy 等兼容很好，无人工转换成本
  • only header 方式，无需额外代码生成，编译期即可完成绑定关系建立，减小 binary 大小
  • 支持 C++新特性，对 C++的重载、继承，debug 方式便捷易用
  • 完善的官方文档支持，应用于多个知名开源项目

C++与python共舞，c++ python互调用​

  • AIGes中C++结合Pybind11调用Python

如上述所示,我们为用户设计了class Wrapper类，用户需要实现Wrapper类中的必要方法，然后由C++读取该类并加载对应方法，当用户请求到达时，执行对应python方法，并返回得到相应数据完成一次推理请求。

  • C中传入数据到 wrapperOnceExec,python如何接受？

我们重点看下 Wrapper 类的关键推理方法 wrapperOnceExec 方法, 该方 法函数定义为:


def wrapperOnceExec(self, params: {}, reqData: DataListCls) -> Response:
    pass

其中 params 为该请求中的params请求参数映射，是一个字典，主要用于传递用户一些请求控制字段。

reqData 为该次请求的一些数据段，比如上传一个二进制图像，音频，文本等(此类参数不适合放入params中)，reqData我们要求它必须是1个DataListCls类. 这个类有些特殊，因为我们的数据是来源于 C++,即从C++中传入数据到Python，因此这个请求必须在 c++侧构造，那么此处就涉及到 C++数据和Python数据的转换问题。

Pybind11提供了在C中定义内嵌(embed)python模块方式: 因此我们可以在C中给python很容易定义一个数据结构，比如此处:

class DataListNode {
public:
    std::string key;
    py::bytes data;
    unsigned int len;
    int type;

    py::bytes get_data();
};

class DataListCls {
public:
    std::vector <DataListNode> list;

    DataListNode *get(std::string key);
};

DataListNode *DataListCls::get(std::string key) {
    for (int idx = 0; idx < list.size(); idx++) {
        DataListNode *node = &list[idx];
        if (strcmp(node->key.c_str(), key.c_str()) == 0) {
            return node;
        }
    }
    return nullptr;
}

在c++中定义了两个类结构， 一个是 DataListCls 另一个是 DataListNode, 后者是前者的 list 变量成员。 我们的请求数据可以用 DataListCls 表示，那么该类数据传递到python函数如何被执行？

根据pybind11手册， 我们需要为上述2个类编写binding代码，如下:

PYBIND11_EMBEDDED_MODULE(aiges_embed, module
) {
    py::class_<DataListNode> dataListNode(module, "DataListNode");
    dataListNode.

                    def(py::init<>())

            .def_readwrite("key", &DataListNode::key, py::return_value_policy::automatic_reference)
            .def_readwrite("data", &DataListNode::data, py::return_value_policy::automatic_reference)
            .def_readwrite("len", &DataListNode::len, py::return_value_policy::automatic_reference)
            .def_readwrite("type", &DataListNode::type, py::return_value_policy::automatic_reference)
            .def("get_data", &DataListNode::get_data, py::return_value_policy::reference);

    py::class_<DataListCls> dataListCls(module, "DataListCls");
    dataListCls.

                    def(py::init<>())

            .def_readwrite("list", &DataListCls::list, py::return_value_policy::automatic_reference)
            .def("get", &DataListCls::get, py::return_value_policy::reference);
}

PYBIND11_EMBEDDED_MODULE(aiges_embed, module) 宏用于定义一个 python的 aiges_embed模块，其内容为两个类的各个成员做了一个与python对应类的绑定动作：

其中使用 def_readwrite绑定可读写属性，使其与对应C类中成员变量。

其中使用 def绑定类方法，使其与对应C类中方法(有点类似于用c实现一套方法供用户在python中调用)，上述 wrapperOnceExec方法在c++侧调用后， 执行到 python代码时， 如果执行 reqData.get方法，即会调用c++实现的get方法。

因为C++和python有不同的内存管理机制， 在为返回非普通类型的函数创建绑定时，这可能会导致问题。仅通过查看类型信息， Python侧不知道是否应该负责返回值并最终释放其资源，或者是否应该在 C++ 端处理内存的释放。为此，pybind11 提供了几个返回值策略 注解，可以传递给module::def()and class::def()函数。默认策略是 return_value_policy::automatic。

这块在绑定function时需要特别注意， 不合适的返回值策略可能会引发未知错误，因此此部分非常极其重要。

关于返回值策略，请参考文档

有了以上的binding之后， 在对应的python解释器生命周期中，可以直接使用 import aiges_embed 导入该c侧定义的Module以及其中的class类。

wrapper.py向您展示了导入 python侧的实现。

需要注意的是：

aiges_embed 库是用宏PYBIND11_EMBEDDED_MODULE在c侧进程中动态定义，因此aiges_embed库无法在本地的python lib目录中找到，这给我们本地调试带来一定的困难，即用户不清楚aige_embed中的DataListNode, DataListCls是如何实现，以及定义的。

因此，aiges这边做法是创建一个python的 sdk，供用户在使用Pure Python(没有c程序运行环境，只有python)环境调试wrapper.py逻辑. 我们在 sdk.dto实现c侧定义的相同类，所以你可以看到 wrapper.py的前两行:

try:
    from aiges_embed import ResponseData, Response, DataListNode, DataListCls  # c++
except:
    from aiges.dto import Response, ResponseData, DataListNode, DataListCls

第一行导入执行成功的条件是,由c进程加载运行此wrapper.py

第二行导入执行成功的条件是,本地python环境模拟运行 wrapper.py时，此时依赖本地python库是否 安装过aiges依赖

使用 pip install aiges 即可完成安装。

注意

肯定有同学比较疑惑这个设计。 这个问题，我没有发现pybind11原生有何更优的解决方案，如有我不知道的，还请各位观众告知。

  • Python执行完 wrapperOnceExec,C++如何接受python返回？

上述描述了C++传入数据到Python，用的是 DataListCls类的绑定， 返回其实也类似，也是实现类似绑定 Response 参见:

pywraper.h

aiges sdk​

上述提到的在python的 aiges sdk中， 我们用python实现了对C程序的一个仿真，并且，在sdk中检查用户对 wrapper.py的编写是否有纰漏或者错误，提前暴露wrapper.py可能的编写问题。

wrapper.py的编写请移步: 实现第一个wrapper.py

关于python插件性能​

一句话，当前状态未正式测试python性能，引用前同事一句话(你都开始用py了还考虑性能？？？)等下，这并不严谨，我道歉。python也是可以实现比较高的性能的， 且听我一段不负责任的嘴遁分析：

1: 当前主流的python推理实现，最终计算部分还是落在了python中的一些三方科学库中，如numpy，tensorflow等 c实现的类库中。 因此，比较负责任的一段解释是，如果你的推理插件中纯python的逻辑越少，那么理论上性能不会下降太多。一旦有一些复杂逻辑在python中用纯py实现，那么该处一定是一个性能下降点。

2: 如果ai能力要求输入一些大的二进制，比如图片，音视频，从C的内存到 Python的 bytes内存需要有一次拷贝，可能是一个性能下降点

3: 多说无益，具体情况具体分析

关于pybind11 提供的零拷贝机制​

Python提供了一套 Buffer Protocol，基于它可以实现内存0拷贝，在不同的C插件中进行转移处理。

简而言之呢它是个什么玩意呢？ 比如有一个大段的数据快(音视频)，比如将它放在一个 array数组中，现在我们需要用 numpy去加载它，如果这个array数组是原生的python list，那么这一过程必然是有拷贝过程的。但是如果我们在c中利用 buffer protocol 设计出一种数据结构，这个数据结构传递到 numpy处理时，数据块可以直接指针转移，无需做数据拷贝，即可在numpy中处理该数据内存大块， 这在计算推理场景十分有用。

具体0拷贝以及 buffer protocol 的demo参考:

总结​

利用Python pybind11 我们可以用非常简洁的代码实现 C和python的互调用，这给我们AI工程化提供了更多的可能性。

特别鸣谢​

本文部分参考(chao):