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
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。
- Mali GPU使用统一的全局内存。在NVIDIA的GPU中，通常将数据复制到共享内存中，因为NVIDIA的GPU具有物理上独立的全局内存，共享内存和寄存器。在Mali，此副本不会提高性能，可以删除。此外，Mali GPU通常与CPU共享全局内存，无需在CPU和GPU之间进行复制。
- Mali Midgrad GPU基于SIMD（单指令多数据），并且需要显式矢量化。在NVIDIA CUDA中，并行性是通过SIMT（单指令多线程）实现的，而SIMT不需要显式矢量化。注意，较新的Mali Bitfrost GPU基于四边形矢量化，不需要显式矢量化。
- Mali GPU中的所有线程都有单独的程序计数器。这意味着
warp size，因此分支分歧不是主要问题。
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来描述。
# 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,lambdan,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,lambdaco,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,lambdan,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,lambdan,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
deftile_and_bind3d(s,tensor,z,y,x,z_factor=2,y_factor=None,x_factor=None):
""" tile and bind 3d """
y_factor=y_factororz_factor
x_factor=x_factorory_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 4GCPU: dual-core Cortex-A72 + quad-core Cortex-A53GPU: Mali-T860MP4 Arm Compute Library : v17.12MXNet: v1.0.1Openblas: 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。
浙公网安备 33010602011771号