TensorRT优化原理
TensorRT优化方法主要有以下几种方式,最主要的是前面两种。
1、层间融合或张量融合----在构建engine阶段完成
算子融合(网络层合并):如下图左侧是GoogLeNetInception模块的计算图。这个结构中有很多层,在部署模型推理时,这每一层的运算操作都是由GPU完成的,但实际上是GPU通过启动不同的CUDA(Compute unified device architecture)核心来完成计算的,CUDA核心计算张量的速度是很快的,但是往往大量的时间是浪费在CUDA核心的启动和对每一层输入/输出张量的读写操作上面,这造成了内存带宽的瓶颈和GPU资源的浪费。TensorRT通过对层间的横向或纵向合并==(合并后的结构称为CBR,意指 convolution, bias, and ReLU layers are fused to form a single layer)==,使得层的数量大大减少。横向合并可以把卷积、偏置和激活层合并成一个CBR结构,只占用一个CUDA核心。纵向合并可以把结构相同,但是权值不同的层合并成一个更宽的层,也只占用一个CUDA核心。合并之后的计算图(图4右侧)的层次更少了,占用的CUDA核心数也少了,因此整个模型结构会更小,更快,更高效。
concat
层的消除:对于 channel
维度的 concat
层,TensorRT
通过非拷贝方式将层输出定向到正确的内存地址来消除 concat
层,从而减少内存访存次数。
2、低精度量化----在构建engine阶段完成
大部分深度学习框架在训练神经网络时网络中的张量(Tensor)都是32位浮点数的精度(Full 32-bit precision,FP32),一旦网络训练完成,在部署推理的过程中由于不需要反向传播,完全可以适当降低数据精度,比如降为FP16或INT8的精度。更低的数据精度将会使得内存占用和延迟更低,模型体积更小。
如下表为不同精度的动态范围:
Precision | Dynamic Range |
---|---|
FP32 | −3.4×1038 +3.4×1038 |
FP16 | −65504 +65504 |
INT8 | −128 +127 |
INT8只有256个不同的数值,使用INT8来表示 FP32精度的数值,肯定会丢失信息,造成性能下降。不过TensorRT会提供完全自动化的校准(Calibration )过程,会以最好的匹配性能将FP32精度的数据降低为INT8精度,最小化性能损失。关于校准过程,后面会专门做一个探究。
3、CUDA核自动调整----在推理阶段完成
网络模型在推理计算时,是调用GPU的CUDA核进行计算的。TensorRT可以针对不同的算法,不同的网络模型,不同的GPU平台,进行 CUDA核的调整(包括:怎么调用 CUDA
核心、怎么分配、每个 block
里面分配多少个线程、每个 grid
里面有多少个 block
。),以保证当前模型在特定平台上以最优性能计算。
不同的硬件TensorRT
都会做对应的优化,得到优化后的 engine
。
4、动态张量显存----在推理阶段完成
在每个tensor的使用期间,TensorRT会为其指定显存,避免显存重复申请,减少内存占用和提高重复使用效率。
5、并行处理多流输入----在推理阶段完成
Scalable design to process multiple input streams in parallel,这个应该就是GPU底层的优化了。