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。
frommxnet.gluon.model_zoo.visionimportget_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。
AMD GPU
还将快速介绍一下AMD GPU。TVM支持OpenCL和ROCm后端。发现ROCm更好，更专门用于AMD GPU。MIOpen是供应商提供的内核库。TVM的图形运行时可以直接调用MIOpen的内核实现，通过使用此集成来报告基线性能。
没有对AMD GPU进行任何特定的优化。NVIDIA GPU的所有计算定义和计划代码都可以直接重用。结果，在大多数情况下，TVM比MIOpen慢一些，仍有改进的空间。
所有的结果
在ImageNet（3x224x224）数据集上测试了以下网络，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）。
- 注1：该板上的内存不足。
- 注意2：由于时间限制，没有在GPU上调整某些小型网络。如果无法提供分析数据，TVM可以使用后备代码生成。但是在这种情况下，不能保证具有竞争性的性能。
结论
借助富有表现力的代码生成器和高效的搜索算法，能够生成与经过手动优化的内核相当的内核。由于程序的时间很昂贵，而机器的时间也越来越便宜，因此相信在循环中使用实际硬件和数据进行自动优化，将是推理部署的标准工作流程。TVM只是提供了这样的解决方案。
参考链接
[1] benchmark: https://github.com/dmlc/tvm/tree/master/apps/benchmark
[2] Tutorial on tuning for ARM CPU: https://tvm.apache.org/docs//tutorials/autotvm/tune_nnvm_arm.html
[3] Tutorial on tuning for Mobile GPU: https://tvm.apache.org/docs//tutorials/autotvm/tune_nnvm_mobile_gpu.html
[4] Tutorial on tuning for NVIDIA/AMD GPU: https://tvm.apache.org/docs//tutorials/autotvm/tune_nnvm_cuda.html
[5] Paper about AutoTVM: Learning
to Optimize Tensor Program
[6] Paper about Intel CPU (by AWS contributors) : Optimizing
CNN Model Inference on CPUs