[Dy2Stat]Refactor convert_shape transformer logic

[Aurelius84]

PR types

Others

PR changes

Others

Describe

What's New?

重构了动转静中对于 x.shape 和 paddle.shape 的转写逻辑，升级为JIT运行时动态图判断执行，解决了shape API的重要头部问题，用户不需要再手动去调整此类代码，极大地提升了用户的转写体验。

1. 问题背景

在之前的动转静场景中，用户模型代码中经常用到类似 B, C, H, W = x.shape的代码，但当x中包含动态shape时（值含有-1或None），上述代码在转静时会返回-1，失去了动态语义。因此动转静会做静态分析，将其转换为B,C,H,W = paddle.shape(x)，这样处理有如下缺点：

• 依赖静态类型分析。由于是借助AST的解析，判断B C H W是否被用到了控制流中，所以总会存在边界case
• 静态shape值也变成了Tensor。假设H W两个值是静态值，之前由于会转为 paddle.shape + slice，导致H W也动态化了。当下游的 API 参数不支持Tensor时，则会导出报错
• 逻辑复杂。之前的实现逻辑基于AST，导致转写解析逻辑比较复杂，可维护性比较差，且鲁棒性，易用性体验也一般。

2. 迭代方案

此 PR 将 Tensor Shape逻辑转换为 JIT 动态判断执行，统一将B, C, H, W = x.shape 转换为B, C, H, W = _jst.convert_shape(x):

def convert_shape(x):
    """
    A function representation of the shape of variable.
    """

    if isinstance(x, Variable):
        values = list(x.shape)
        if has_negative(values):
            shape_tensor = nn.shape(x)
            for i, v in enumerate(values):
                if v is None or v < 0:
                    values[i] = shape_tensor[i]
        return values
    else:
        return x.shape

简而言之，分为如下两个场景：

• x.shape = [2, 3, 4 ]，则转换后不做任何变换，仅进行tuple → list 类型变换
• x.shape = [2, -1, 4]，若包含-1，则返回 [2, var, 4]，其中 var = paddle.shape(x)[1]

3. 方案优势

升级后的方案，具有如下优势：

• 代码简洁，鲁棒性好。由于升级为运行时判断，故不再依赖静态类型分析， 更加鲁棒；用户不需要再手动调整代码了，统一使用 x.shape即可
• 必要时转动态shape。对于x中部分值包含-1，此方案依旧会返回list，且只会对动态shape转为var，更加灵活，尽可能保持动静统一
• 性能更优。之前的方案可能会重复调用 paddle.shape(x)，此方案最多仅会调用一次 paddle.shape，执行性能上会有收益

4. 主要工作

• 重构了代码逻辑，删除了旧的冗余逻辑；
• 删除了无用的单测（因旧的接口代码已删除）

TODO：

• 移除 convert_operation中 convert前缀，精简转写代码，提升可读性
• 删除无用 Tensor Shape 相关的公共函数

[paddle-bot-old]

你的PR提交成功，感谢你对开源项目的贡献!
请关注后续CI自动化测试结果，详情请参考Paddle-CI手册。
Your PR has been submitted. Thanks for your contribution!
Please wait for the result of CI firstly. See Paddle CI Manual for details.

[2742195759]

LGTM

[2742195759]

LGTM