硬件平台上深度学习自动内核优化

2024-03-14 21:38:29

硬件平台上深度学习自动内核优化

对于AI开发人员来说，在各种硬件平台上优化深度神经网络的性能仍然是一个难题。在系统支持方面，在这里面临着许多问题：将训练有素的模型从多个前端（例如Tensorflow，ONNX，MXNet）部署到多个硬件平台（例如CPU，GPU，加速器）。此问题最关键的性能部分，为不断增长的模型体系结构和硬件平台获得高性能的内核实现。

为了应对这一挑战，TVM采用了全栈编译器方法。TVM结合了代码生成和自动程序优化功能，以生成可与经过大量手动优化的库相媲美的内核，从而在包括ARM CPU，Intel CPU，Mali GPU，NVIIDA GPU和AMD GPU在内的硬件平台上获得了最新的推理性能。

本文展示了TVM编译器堆栈中自动内核优化的工作流程，以及几种硬件平台上的基准测试结果。

系统总览

图1.系统概述

TVM中的内核优化以迭代循环的方式完成。如图1所示，自动内核优化将来自前端框架的神经网络（通常以计算图表示形式）作为输入，并为该网络中的所有算子生成内核。

内部循环使用可伸缩的RPC运行时，基于机器学习的调谐器和张量编译器。在循环的每一轮中，调谐器都会从较大的搜索空间中，选择一批有前途的候选内核实现，将其配置在实际硬件上。然后，调谐器将获得性能分析结果。这些分析结果用作训练数据，以适合预测模型。拟合预测模型后，调谐器根据预测，选择下一个有前途的候选者，然后循环继续进行。这样，迭代地快速搜索内核。

下图比较了传统的自动调谐和AutoTVM。主要区别在于AutoTVM

可扩展到异构设备集群
学习使用可转移的机器学习成本模型优化张量程序

图2.传统自动调整和AutoTVM的比较

开始调整

为了演示，在ARM开发板RK3399上对resnet-18进行了优化。本文篇幅限制，省略了详细说明。本文结尾处均提供了有关ARM CPU，Mali GPU，NVIDIA GPU，AMD GPU帮助的链接。

首先，从MXNet模型库中获得了预训练的模型，然后从中提取调整任务。

from mxnet.gluon.model_zoo.vision import get_model

block = get_model('resnet18_v1', pretrained=True)

net, params = nnvm.frontend.from_mxnet(block)

tasks = autotvm.extract_from_graph(net)

tune_tasks(tasks, **tuning_option)

resnet-18中有12个不同的conv2d层，因此启动了12个调整任务。调谐器针对它们中的每一个进行数百次试验，并挑选最佳试验。完成所有调整任务后，将编译整个网络并生成一个可部署的最小库。一个样本输出是

Extract tasks...

Tuning...

[Task  1/12]  Current/Best:   22.37/  52.19 GFLOPS | Progress: (544/1000) | 406.59 s Done.

[Task  2/12]  Current/Best:    6.51/  18.77 GFLOPS | Progress: (608/1000) | 325.05 s Done.

[Task  3/12]  Current/Best:    4.67/  24.87 GFLOPS | Progress: (480/1000) | 372.31 s Done.

[Task  4/12]  Current/Best:   11.35/  46.83 GFLOPS | Progress: (736/1000) | 602.39 s Done.

[Task  5/12]  Current/Best:    1.01/  19.80 GFLOPS | Progress: (448/1000) | 262.16 s Done.

[Task  6/12]  Current/Best:    2.47/  23.76 GFLOPS | Progress: (672/1000) | 563.85 s Done.

[Task  7/12]  Current/Best:   14.57/  33.97 GFLOPS | Progress: (544/1000) | 465.15 s Done.

[Task  8/12]  Current/Best:    1.13/  17.65 GFLOPS | Progress: (576/1000) | 365.08 s Done.

[Task  9/12]  Current/Best:   14.45/  22.66 GFLOPS | Progress: (928/1000) | 724.25 s Done.

[Task 10/12]  Current/Best:    3.22/  15.36 GFLOPS | Progress: (864/1000) | 564.27 s Done.

[Task 11/12]  Current/Best:   11.03/  32.23 GFLOPS | Progress: (736/1000) | 635.15 s Done.

[Task 12/12]  Current/Best:    8.00/  21.65 GFLOPS | Progress: (1000/1000) | 1111.81 s Done.

Compile...

Upload...

Evaluate inference time cost...

Mean inference time (std dev): 162.59 ms (0.06 ms)

如果模型具有一些奇怪的形状或硬件是自定义的，则该调整特别有用，手动优化的静态库无法考虑所有情况。

基准结果

预先调整了设备群集上的一些流行网络，并发布了以下基准测试。复制说明在本文的末尾。

由于具有统一的运行时界面，因此对TVM进行全面基准测试很容易。但是，如果没有许多其它项目的开发人员的专家协助，与所有其他平台进行完整，最新和正确的比较是不可行的。因此，将所有数字都放在一个表中，然后与其它一些库进行不完全的比较。

比较

通过与每个平台上经过高度优化的传统库进行比较，验证了自动优化堆栈的有效性。

在ImageNet（3x224x224）数据集上测试了流行的图像分类网络，批处理大小= 1，数据类型= float32。报告的数字是每张图像的时间成本（以毫秒为单位）。

ARM CPU

选择NCNN（一个广泛使用的，手动优化的内核库）作为基准。大量使用NEON集成说明。例如，代码库仅针对3x3卷积层包含 13,000行代码。项目存储库中引用基准编号。如下图所示，TVM在Rasbperry Pi 3B上的所有网络上均胜过它。

Mali马里GPU

ARM Compute Library是供应商提供的库，它很好地支持Mali GPU（OpenCL）。由于卷积层的优势，TVM在ResNet和MobileNet中提供了更强大的性能。TVM在vgg-16上落后一些，因为vgg-16是一个古老而庞大的网络，并且具有多个大型密集层。

NVIDIA GPU

在NVIDIA GPU上，CuDNN和TensorRT分别是两个供应商提供的用于训练和推理的库。由于专注于推理，因此在无限制的环境中运行基准测试。另一个张量编译器PlaidML也被报告为基线，因为与AutoTVM之前的TVM版本相比，具有以前的基准。从PlaidBench参考基准测试结果。根据以下结果，TVM与TensorRT性能达到同等水平。