其他分享
首页 > 其他分享> > TVM在ARM GPU上优化移动深度学习

TVM在ARM GPU上优化移动深度学习

作者:互联网

TVM在ARM GPU上优化移动深度学习

随着深度学习的巨大成功,将深度神经网络部署到移动设备的需求正在迅速增长。与在台式机平台上所做的类似,在移动设备中使用GPU可以提高推理速度和能源效率。但是,大多数现有的深度学习框架都不能很好地支持移动GPU。困难在于移动GPU架构和台式机GPU架构之间的差异。这意味着在移动GPU上进行优化需要付出特殊的努力。繁琐的额外工作最终导致大多数深度学习框架中对移动GPU的支持不佳。

TVM通过引入统一的IR堆栈解决了部署不同硬件的困难,通过该IR堆栈可以轻松完成针对不同硬件的优化。本文展示了如何使用 TVM / NNVM为ARM Mali GPU生成有效的内核并进行端到端编译。在对Mali-T860 MP4的测试中,与Arm Compute Library相比 ,的方法在VGG-16上快1.4倍,在MobileNet上快2.2倍。图形级和算子级优化都有助于加快速度。

 

 

 ImageNet上不同后端的推理速度图

MALI中级GPU

使用带有Mali-T860 MP4的Firefly-RK3399作为的测试环境,主要关注下面的Mali T8xx。

建筑学

图1是T860和T880上的Mali体系结构的概述。GPU最多可扩展到16个一致的着色器内核。在每个着色器内核内部,有2或3条算术管道,1条加载/存储管道和1条纹理管道(所谓的TriPipe)。每个算术流水线中的ALU具有四个128位向量单元和一个标量单元。

使用OpenCL进行GPU计算。映射到OpenCL模型时,每个着色器内核将执行一个或几个工作组。每个着色器内核最多支持384个并发执行的线程。OpenCL中的每个工作项通常都映射到Mali GPU上的单个线程。Mali GPU使用VLIW(超长指令字)架构。每个指令字包含多个操作。Mali GPU还使用SIMD,大多数算术指令可同时对多个数据元素进行操作

 

 

 图1. Mali T860和T880

与NVIDIA GPU的不同

与为NVIDIA GPU编写代码相比,在为Mali GPU编写OpenCL代码时,需要注意一些差异。

优化:以卷积为例

卷积层是大多数深度神经网络的内核,占用大部分计算时间。以卷积层为例来说明如何在TVM中应用诸如打包,平铺,展开和矢量化之类的常见优化技术。

Im2Col与GEMM

卷积层的一种著名算法是im2col,将小3D输入多维数据集转换为矩阵的列并执行GEMM。方法的优点是易于利用高度优化的BLAS库。内存冗余(3x3内核为9x内存)非常糟糕。

空间批处理

相反,采用一种方法来计算卷积,并逐步应用优化技术。VGG-16中的卷积层用作调整案例,其配置在下面列出。假设批处理大小为1以便进行推断。

 

 

 作为基准,还在Arm Compute库中列出了该层的性能。

声明计算:平铺和打包

平铺和打包是旨在更好地访问内存的两种方法。平铺将整个计算分成小块,以实现更好的数据重用。打包根据平铺对输入矩阵进行重新布局,以便可以顺序访问内存,从而降低了缓存未命中率。

对输入图像的宽度尺寸和滤镜矩阵的CO尺寸进行平铺。通过tvm.compute描述。

# set tiling factor
VH = 1
VW = VC = 4
 
# get input shape
 _, CI, IH, IW = data.shape
CO, CI, KH, KW = kernel.shape
TH = IH + 2 * H_PAD
TW = IW + 2 * W_PAD
 
# calc output shape
OH = (IH + 2*H_PAD - KH) // H_STR + 1
OW = (IW + 2*W_PAD - KW) // W_STR + 1
 
# data shape after packing
dvshape = (N, TH // (VH*H_STRIDE), TW // (VW*W_STRIDE), CI, VH*H_STRIDE+HCAT, VW*W_STRIDE+WCAT)
 
# kernel shape after packing
kvshape = (CO // VC, CI, KH, KW, VC)
 
ovshape = (N, CO // VC, OH // VH, OW // VW, VH, VW, VC)
oshape = (N, CO, OH, OW)
 
# define packing
data_vec = tvm.compute(dvshape, lambda n, h, w, ci, vh, vw:
    data_pad[n][ci][h*VH*H_STRIDE+vh][w*VW*W_STRIDE+vw], name='data_vec')
 
kernel_vec = tvm.compute(kvshape, lambda co, ci, kh, kw, vc:
    kernel[co*VC+vc][ci][kh][kw], name='kernel_vec')
 
# define convolution
ci = tvm.reduce_axis((0, CI), name='ci')
kh = tvm.reduce_axis((0, KH), name='kh')
kw = tvm.reduce_axis((0, KW), name='kw')
 
conv = tvm.compute(ovshape, lambda n, co, h, w, vh, vw, vc:
    tvm.sum(data_vec[n, h, w, ci, vh*H_STRIDE+kh, vw*W_STRIDE+kw].astype(out_dtype) *
            kernel_vec[co, ci, kh, kw, vc].astype(out_dtype),
            axis=[ci, kh, kw]), name='conv')
 
# unpack to correct layout
output = tvm.compute(oshape, lambda n, co, h, w:
                     conv[n][co//VC][h/VH][w//VW][h%VH][w%VW][co%VC],
                     name='output_unpack', tag='direct_conv_output')

通过以下方法检查定义的IR

print(tvm.lower(s, [data, kernel, output], simple_mode=True))

我在这里选择卷积部分。

produce conv {
  for (co, 0, 64) {
    for (h, 0, 56) {
      for (w, 0, 14) {
        for (vw.init, 0, 4) {
          for (vc.init, 0, 4) {
            conv[((((((((co*56) + h)*14) + w)*4) + vw.init)*4) + vc.init)] = 0.000000f
          }
        }
        for (ci, 0, 256) {
          for (kh, 0, 3) {
            for (kw, 0, 3) {
              for (vw, 0, 4) {
                for (vc, 0, 4) {
                  conv[((((((((co*56) + h)*14) + w)*4) + vw)*4) + vc)] = (conv[((((((((co*56) + h)*14) + w)*4) + vw)*4) + vc)] + (data_vec[(((((((((h*14) + w)*256) + ci)*3) + kh)*6) + kw) + vw)]*kernel_vec[((((((((co*256) + ci)*3) + kh)*3) + kw)*4) + vc)]))
                }
              }
            }
          }
        }
      }
    }
  }
}

内核1:绑定线程

在TVM中,首先声明计算,然后调度。这种机制使算法和实现细节脱钩。(这个想法来自Halide)。

以下调度仅将轴绑定到GPU线程,代码可以在Mali GPU上运行。

# helper function for binding thread
def tile_and_bind3d(s, tensor, z, y, x, z_factor=2, y_factor=None, x_factor=None):
    """ tile and bind 3d """
    y_factor = y_factor or z_factor
    x_factor = x_factor or y_factor
    zo, zi = s[tensor].split(z, z_factor)
    yo, yi = s[tensor].split(y, y_factor)
    xo, xi = s[tensor].split(x, x_factor)
    s[tensor].bind(zo, tvm.thread_axis("blockIdx.z"))
    s[tensor].bind(zi, tvm.thread_axis("threadIdx.z"))
    s[tensor].bind(yo, tvm.thread_axis("blockIdx.y"))
    s[tensor].bind(yi, tvm.thread_axis("threadIdx.y"))
    s[tensor].bind(xo, tvm.thread_axis("blockIdx.x"))
    s[tensor].bind(xi, tvm.thread_axis("threadIdx.x"))
 
# set tunable parameter
num_thread = 8
 
# schedule data packing
_, h, w, ci, vh, vw = s[data_vec].op.axis
tile_and_bind3d(s, data_vec, h, w, ci, 1)
 
# schedule kernel packing
co, ci, kh, kw, vc = s[kernel_vec].op.axis
tile_and_bind(s, kernel_vec, co, ci, 1)
 
# schedule conv
_, c, h, w, vh, vw, vc = s[conv].op.axis
kc, kh, kw = s[conv].op.reduce_axis
 
s[conv].reorder(_, c, h, w, vh, kc, kh, kw, vw, vc)
tile_and_bind3d(s, conv, c, h, w, num_thread, 1, 1)
 
_, co, oh, ow = s[output].op.axis
tile_and_bind3d(s, output, co, oh, ow, num_thread, 1, 1)

有了这个时间表,的代码现在可以运行了,但是性能却很糟糕。

 

内核2:展开unrolling

循环展开可以减少循环控制的指令,减少分支惩罚并隐藏读取内存中的延迟。TVM通过调用以下命令轻松完成此操作s.unroll(axis)

# set tunable parameter
num_thread = 8
 
# schedule data packing
_, h, w, ci, vh, vw = s[data_vec].op.axis
tile_and_bind3d(s, data_vec, h, w, ci, 1)
 
"""!! ADD UNROLL HERE !!"""
s[data_vec].unroll(vw)
 
# schedule kernel packing
co, ci, kh, kw, vc = s[kernel_vec].op.axis
tile_and_bind(s, kernel_vec, co, ci, 1)
 
"""!! ADD UNROLL HERE !!"""
s[kernel_vec].unroll(kh)
s[kernel_vec].unroll(kw)
s[kernel_vec].unroll(vc)
 
# schedule conv
_, c, h, w, vh, vw, vc = s[conv].op.axis
kc, kh, kw = s[conv].op.reduce_axis
 
s[conv].reorder(_, c, h, w, vh, kc, kh, kw, vw, vc)
tile_and_bind3d(s, conv, c, h, w, num_thread, 1, 1)
 
"""!! ADD UNROLL HERE !!"""
s[conv].unroll(kh)
s[conv].unroll(kw)
s[conv].unroll(vw)
s[conv].unroll(vc)
 
_, co, oh, ow = s[output].op.axis
tile_and_bind3d(s, output, co, oh, ow, num_thread, 1, 1)

 

内核3:矢量化

为了在Mali GPU上实现最佳性能,需要明确地进行矢量化。

# set tunable parameter
num_thread = 8
 
# schedule data packing
_, h, w, ci, vh, vw = s[data_vec].op.axis
tile_and_bind3d(s, data_vec, h, w, ci, 1)
 
# unroll
s[data_vec].unroll(vw)
 
# schedule kernel packing
co, ci, kh, kw, vc = s[kernel_vec].op.axis
tile_and_bind(s, kernel_vec, co, ci, 1)
 
# unroll
s[kernel_vec].unroll(kh)
s[kernel_vec].unroll(kw)
"""!! VECTORIZE HERE !!"""
s[kernel_vec].vectorize(vc)
 
# schedule conv
_, c, h, w, vh, vw, vc = s[conv].op.axis
kc, kh, kw = s[conv].op.reduce_axis
 
s[conv].reorder(_, c, h, w, vh, kc, kh, kw, vw, vc)
tile_and_bind3d(s, conv, c, h, w, num_thread, 1, 1)
 
# unroll
s[conv].unroll(kh)
s[conv].unroll(kw)
s[conv].unroll(vw)
"""!! VECTORIZE HERE !!"""
s[conv].vectorize(vc)
 
_, co, oh, ow = s[output].op.axis
tile_and_bind3d(s, output, co, oh, ow, num_thread, 1, 1)

 

如何设置可调参数

至于上面的可调参数,可以计算一些。对于矢量化维VC,应该填充128位寄存器,因此对于float32可以将其设置为128/32 = 4,对于float16可以将其设置为128/16 = 8。

由于运行时间复杂,常常无法确定最佳值。在TVM中使用网格搜索。在TVM的高级IR中编写python代码,不是直接编写OpenCL代码,可以非常有效地完成。

生成的OpenCL代码

可以通过以下方式查看生成的OpenCL代码:

print(func.imported_modules[0].get_source())

OpenCL代码太长,无法粘贴到此处,由于展开太重而难以阅读。

端到端基准测试

比较一些流行的深度神经网络上不同后端之间的综合性能。测试环境是

Firefly-RK3399 4G
CPU: dual-core Cortex-A72 + quad-core Cortex-A53
GPU: Mali-T860MP4
 
Arm Compute Library : v17.12
MXNet: v1.0.1
Openblas: v0.2.18

使用NNVM和TVM进行端到端编译。

性能Performance

 

 

 图2. ImageNet上不同后端的推理速度

如图2所示,在ImageNet上测试推理速度。在Firefly-RK3399上,Mali GPU的速度可以比6核big.LITTLE CPU快2倍至4倍。端到端管道比Arm Compute库快1.4倍至2.2倍。在Arm Compute Library中尝试了GEMM和卷积层的直接方法,在这些测试案例中,GEMM方法总是比直接方法快,因此仅绘制GEMM方法的结果。

图2中缺少一些结果,例如Arm Compute Library上的resnet18,因为Arm Compute Library的图形运行时当前不支持跳过连接,并且深度卷积的霓虹灯实现较差。这也反映了NNVM软件堆栈的优势。

半精度性能

深度神经网络的精度不是很重要,特别是对于移动设备的推断而言。使用低精度算术可以使推理更快。还在Mali GPU上测试了半精度浮点数。

 

 

 从理论上讲,FP16既可以使峰值计算加倍,又可以使内存消耗减半,从而使速度加倍。需要良好的输入形状,以实现更长的矢量化和微调一些参数。

在移动设备上的进一步工作

还有一些改进的空间,主要是在图形级别,例如模型压缩和权重布局。NNVM的进一步改进将尝试解决这些问题。

 

标签:ci,conv,kh,TVM,vec,GPU,ARM,axis
来源: https://www.cnblogs.com/wujianming-110117/p/14493425.html