上海交大团队:如何用TVM优化ARM架构GPU,在移动端实现快速深度学习

2018 年 1 月 17 日 论智 郑怜悯
作者:郑怜悯
编译:Bot


编者按:半年前,上海交大陈天奇团队开源了端到端IR堆栈工具TVM,可以帮用户优化深度学习过程中的硬件配置,缓解了当前大多数计算机GPU在面对深度学习时表现出来的性能不足。近日,团队的一名学生郑怜悯带来了项目的新进展,他将TVM用于移动端常见的ARM GPU,提高了移动设备对深度学习的支持能力。

以下是论智对原文的翻译:

随着深度学习不断取得进展,开发者们对在移动设备上的部署神经网络的需求也与日俱增。和我们之前在桌面级GPU上做过的尝试类似,把深度学习框架移植到移动端需要做到这两点:够快的inference速度和合理的能耗。但是,现在的大多数DL框架并不能很好地支持移动端GPU,因为它们和桌面级GPU在架构上存在巨大差异。为了在移动端做深度学习,开发者们往往要对GPU做一些特殊优化,而这类额外工作也加大了对GPU的压力。

TVM是一个端到端的IR堆栈,它可以解决学习过程中的资源分配问题,从而轻松实现硬件优化。在这篇文章中,我们将展示如何用TVM/NNVM为ARM Mali GPU生成高效kernel,并进行端到端编译。在对Mali-T860 MP4的测试中,我们的方法在VGG-16上比Arm Compute Library快了1.4倍,在MobileNet上快了2.2倍。这些提升在图像处理和运算上均有体现。

Mali Midgard GPU

目前,移动领域最常见的3大图形处理器为高通的Adreno、英国PowerVR和ARM的嵌入式图形处理器Mali。我们的测试环境是配有Mali-T860 MP4 GPU的开发板Firefly-RK3399,所以下面我们主要关注Mali T8xx的表现。

架构

T860和T880是Mali系列的两款高端GPU,下图是具体配置。它们有16个着色器核心(Shader Core),每个核心内包含2—3条运算管道、1条加载/存储管道和1条纹理管道(即Triple Pipeline架构)。其中运算管道中的ALU(算数逻辑单元)又包含4个128-bit的矢量单元和一个标量单元。

我们用OpenCL编写程序。当映射到OpenCL模型时,每个着色器核心会执行一个或多个工作组,它们的上限是并行执行384个线程,通常一个工作组对应一个线程。Mali系列GPU使用的是VLIW架构(超长指令集架构),因此每个指令包含多个操作;同时,它也用了SIMD(单指令流多数据流),所以大多数运算运算指令可以同时执行多个数据流。

和NVIDIA GPU的区别

在用TVM优化GPU前,我们先看一看Mali GPU和NVIDIA GPU的区别:

  • NVIDIA GPU的存储系统架构一般分为全局内存、共享内存、寄存器三层,在实践中我们通常会把数据复制到共享内存;而Mali GPU只有一个统一的全局内存,它不需要制作副本提升性能,因为这个内存是和CPU共享的,所以CPU和GPU之间也不需要复制;

  • Mali Midgard GPU基于SIMD设计,所以需要用到矢量;而在NVIDIA CUDA中,GPU的并行处理是通过SIMT实现的,所以它对矢量没有那么高的要求。需要注意的是,Mali Bifrost架构的图形处理器新添加了Quad based vectorization技术,即允许四个线程一起被执行,它也不太需要矢量;

  • Mali GPU中的每一个线程都有独立的程序计数器,即warp size=1,所以Branch Divergence不是问题。

优化:以卷积层为例

卷积层是许多深度神经网络的核心,也占用了大部分计算资源。所以我们以卷积层为例,谈谈TVM在pack、tile、unroll、向量化中的优化应用。

im2col+GEMM

im2col是卷积计算的一种常用方法,它会把问题转换成一个矩阵,然后调用GEMM完成矩阵乘法运算。这种方法的优点是便于和高度优化的BLAS库结合,缺点是会耗费大量内存。

Spatial Packing

所以我们换了一种方法,先计算卷积,再逐步应用优化技术。以VGG-16中的卷积层为例(如下图所示),inference的batch size=1。

为了提供一个对照组,我们列出了Arm Compute Library的数据。

pack和tile是两个调整内存的常见指令。其中tile是把数据划分成片,使每一片适合共享内存的使用;而pack则是对输入矩阵重新布局(内存对齐),方便我们按顺序读取数据。

我们在输入图像的宽度和filter矩阵的CO维上使用了tile(tvm.compute):

  
    
    
    
  1. # set tiling factor

  2. VH = 1

  3. VW = VC = 4

  4. # get input shape

  5. _, CI, IH, IW = data.shape

  6. CO, CI, KH, KW = kernel.shape

  7. TH = IH + 2 * H_PAD

  8. TW = IW + 2 * W_PAD

  9. # calc output shape

  10. OH = (IH + 2*H_PAD - KH) // H_STR + 1

  11. OW = (IW + 2*W_PAD - KW) // W_STR + 1

  12. # data shape after packing

  13. dvshape = (N, TH // (VH*H_STRIDE), TW // (VW*W_STRIDE), CI, VH*H_STRIDE+HCAT, VW*W_STRIDE+WCAT)

  14. # kernel shape after packing

  15. kvshape = (CO // VC, CI, KH, KW, VC)

  16. ovshape = (N, CO // VC, OH // VH, OW // VW, VH, VW, VC)

  17. oshape = (N, CO, OH, OW)

  18. # define packing

  19. data_vec = tvm.compute(dvshape, lambda n, h, w, ci, vh, vw:

  20.    data_pad[n][ci][h*VH*H_STRIDE+vh][w*VW*W_STRIDE+vw], name='data_vec')

  21. kernel_vec = tvm.compute(kvshape, lambda co, ci, kh, kw, vc:

  22.    kernel[co*VC+vc][ci][kh][kw], name='kernel_vec')

  23. # define convolution

  24. ci = tvm.reduce_axis((0, CI), name='ci')

  25. kh = tvm.reduce_axis((0, KH), name='kh')

  26. kw = tvm.reduce_axis((0, KW), name='kw')

  27. conv = tvm.compute(ovshape, lambda n, co, h, w, vh, vw, vc:

  28.    tvm.sum(data_vec[n, h, w, ci, vh*H_STRIDE+kh, vw*W_STRIDE+kw].astype(out_dtype) *

  29.            kernel_vec[co, ci, kh, kw, vc].astype(out_dtype),

  30.            axis=[ci, kh, kw]), name='conv')

  31. # unpack to correct layout

  32. output = tvm.compute(oshape, lambda n, co, h, w:

  33.                     conv[n][co//VC][h/VH][w//VW][h%VH][w%VW][co%VC],

  34.                     name='output_unpack', tag='direct_conv_output')

用以下命令检查定义的IR:

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

选择卷积的部分:

  
    
    
    
  1. produce conv {

  2.  for (co, 0, 64) {

  3.    for (h, 0, 56) {

  4.      for (w, 0, 14) {

  5.        for (vw.init, 0, 4) {

  6.          for (vc.init, 0, 4) {

  7.            conv[((((((((co*56) + h)*14) + w)*4) + vw.init)*4) + vc.init)] = 0.000000f

  8.          }

  9.        }

  10.        for (ci, 0, 256) {

  11.          for (kh, 0, 3) {

  12.            for (kw, 0, 3) {

  13.              for (vw, 0, 4) {

  14.                for (vc, 0, 4) {

  15.                  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)]))

  16.                }

  17.              }

  18.            }

  19.          }

  20.        }

  21.      }

  22.    }

  23.  }

  24. }

Kernel 1:绑定线程

在TVM中,我们先计算,再计划(schedule),这便于分离算法和实现细节。

如代码所示,我们简单把axes坐标轴对应到GPU线程,之后就能在Mali GPU上跑代码了。

  
    
    
    
  1. # helper function for binding thread

  2. def tile_and_bind3d(s, tensor, z, y, x, z_factor=2, y_factor=None, x_factor=None):

  3.    """ tile and bind 3d """

  4.    y_factor = y_factor or z_factor

  5.    x_factor = x_factor or y_factor

  6.    zo, zi = s[tensor].split(z, z_factor)

  7.    yo, yi = s[tensor].split(y, y_factor)

  8.    xo, xi = s[tensor].split(x, x_factor)

  9.    s[tensor].bind(zo, tvm.thread_axis("blockIdx.z"))

  10.    s[tensor].bind(zi, tvm.thread_axis("threadIdx.z"))

  11.    s[tensor].bind(yo, tvm.thread_axis("blockIdx.y"))

  12.    s[tensor].bind(yi, tvm.thread_axis("threadIdx.y"))

  13.    s[tensor].bind(xo, tvm.thread_axis("blockIdx.x"))

  14.    s[tensor].bind(xi, tvm.thread_axis("threadIdx.x"))

  15. # set tunable parameter

  16. num_thread = 8

  17. # schedule data packing

  18. _, h, w, ci, vh, vw = s[data_vec].op.axis

  19. tile_and_bind3d(s, data_vec, h, w, ci, 1)

  20. # schedule kernel packing

  21. co, ci, kh, kw, vc = s[kernel_vec].op.axis

  22. tile_and_bind(s, kernel_vec, co, ci, 1)

  23. # schedule conv

  24. _, c, h, w, vh, vw, vc = s[conv].op.axis

  25. kc, kh, kw = s[conv].op.reduce_axis

  26. s[conv].reorder(_, c, h, w, vh, kc, kh, kw, vw, vc)

  27. tile_and_bind3d(s, conv, c, h, w, num_thread, 1, 1)

  28. _, co, oh, ow = s[output].op.axis

  29. tile_and_bind3d(s, output, co, oh, ow, num_thread, 1, 1)

虽然有了这个schedule,我们现在可以运行代码了,但它的性能要求还是相当可怕。

Kernel 2:unroll

循环展开(loop unrolling)是一个常用的优化方法,它能通过减少循环控制指令降低循环本身的开销,同时因为能消除分支以及一些管理归纳变量的代码,它也可以摊销一些分支开销,此外,它还能掩盖读取内存的延迟。在TVM中,你可以调用s.unroll(axis)实现循环展开。

  
    
    
    
  1. # set tunable parameter

  2. num_thread = 8

  3. # schedule data packing

  4. _, h, w, ci, vh, vw = s[data_vec].op.axis

  5. tile_and_bind3d(s, data_vec, h, w, ci, 1)

  6. """!! ADD UNROLL HERE !!"""

  7. s[data_vec].unroll(vw)

  8. # schedule kernel packing

  9. co, ci, kh, kw, vc = s[kernel_vec].op.axis

  10. tile_and_bind(s, kernel_vec, co, ci, 1)

  11. """!! ADD UNROLL HERE !!"""

  12. s[kernel_vec].unroll(kh)

  13. s[kernel_vec].unroll(kw)

  14. s[kernel_vec].unroll(vc)

  15. # schedule conv

  16. _, c, h, w, vh, vw, vc = s[conv].op.axis

  17. kc, kh, kw = s[conv].op.reduce_axis

  18. s[conv].reorder(_, c, h, w, vh, kc, kh, kw, vw, vc)

  19. tile_and_bind3d(s, conv, c, h, w, num_thread, 1, 1)

  20. """!! ADD UNROLL HERE !!"""

  21. s[conv].unroll(kh)

  22. s[conv].unroll(kw)

  23. s[conv].unroll(vw)

  24. s[conv].unroll(vc)

  25. _, co, oh, ow = s[output].op.axis

  26. tile_and_bind3d(s, output, co, oh, ow, num_thread, 1, 1)

Kernel 3:向量化(vectorization)

如前所述,为了在Mali GPU上实现最佳性能,我们还要把数字转成矢量。

  
    
    
    
  1. # set tunable parameter

  2. num_thread = 8

  3. # schedule data packing

  4. _, h, w, ci, vh, vw = s[data_vec].op.axis

  5. tile_and_bind3d(s, data_vec, h, w, ci, 1)

  6. # unroll

  7. s[data_vec].unroll(vw)

  8. # schedule kernel packing

  9. co, ci, kh, kw, vc = s[kernel_vec].op.axis

  10. tile_and_bind(s, kernel_vec, co, ci, 1)

  11. # unroll

  12. s[kernel_vec].unroll(kh)

  13. s[kernel_vec].unroll(kw)

  14. """!! VECTORIZE HERE !!"""

  15. s[kernel_vec].vectorize(vc)

  16. # schedule conv

  17. _, c, h, w, vh, vw, vc = s[conv].op.axis

  18. kc, kh, kw = s[conv].op.reduce_axis

  19. s[conv].reorder(_, c, h, w, vh, kc, kh, kw, vw, vc)

  20. tile_and_bind3d(s, conv, c, h, w, num_thread, 1, 1)

  21. # unroll

  22. s[conv].unroll(kh)

  23. s[conv].unroll(kw)

  24. s[conv].unroll(vw)

  25. """!! VECTORIZE HERE !!"""

  26. s[conv].vectorize(vc)

  27. _, co, oh, ow = s[output].op.axis

  28. tile_and_bind3d(s, output, co, oh, ow, num_thread, 1, 1)

如何设置可调参数

上文中涉及的一些可调参数是可以被计算出来的,如向量vc,如果是float32,|vc|=128/32=4;如果是float16,则是128/16=8。

但由于运行时间过长,很多时候我们会无法确定最佳值。TVM使用的是网格搜索,所以如果用的是python,而不是OpenCL的话,我们也能快速找到最佳值。

端到端的Benchmark

在这一节中,我们比较了一些流行深度神经网络在不同后端上的综合性能,测试环境是:

  
    
    
    
  1. Firefly-RK3399 4G

  2. CPU: dual-core Cortex-A72 + quad-core Cortex-A53

  3. GPU: Mali-T860MP4

  4. Arm Compute Library : v17.12

  5. MXNet: v1.0.1

  6. Openblas: v0.2.18

我们使用NNVM和TVM进行端到端编译。

性能

ImageNet上不同后端的inference速度

如上图所示,我们在ImageNet测试了移动端神经网络的inference速度,发现在Firefly-RK3399上,Mali GPU可以比6核big.LITTLE CPU快2—4倍,我们的端到端编译速度比Arm Compute Library快了1.4—2.2倍。在Arm Compute Library中,我们比较了用GEMM计算卷积和直接计算卷积,发现前者速度始终更快,所以在图中只展示了GEMM方法的成果。

上图中也有一些数据缺失,如第二幅图不包含Arm Compute Library上的resnet18。这是因为Arm Compute Library的graph runtime目前不支持跳转连接,并且Neon在上面的实现性能不太好。这也从侧面反映了NNVM软件栈的优势。

半精度性能

深度神经网络对精度要求不高,尤其是对于计算资源捉襟见肘的移动设备,降低精度可以加快神经网络的inference速度。我们还计算了Mali GPU上的半精度浮点数。

mageNet上FP16的inference速度

从理论上讲,FP16既可以实现双峰计算,又可以将内存消耗减半,从而使速度提高一倍。但是如果涉及较长的向量化和某些参数的微调,它也需要良好的输入形态。

相关代码资源

  • 端到端:github.com/merrymercy/tvm-mali

  • 卷积和深度卷积:github.com/dmlc/tvm/tree/master/topi/python/topi/mali

原文地址:tvmlang.org/2018/01/16/opt-mali-gpu.html

登录查看更多
5

相关内容

专知会员服务
31+阅读 · 2020年4月24日
【Google】利用AUTOML实现加速感知神经网络设计
专知会员服务
29+阅读 · 2020年3月5日
一网打尽!100+深度学习模型TensorFlow与Pytorch代码实现集合
【干货】大数据入门指南:Hadoop、Hive、Spark、 Storm等
专知会员服务
95+阅读 · 2019年12月4日
CMU博士论文:可微优化机器学习建模
专知会员服务
59+阅读 · 2019年10月26日
深度神经网络模型压缩与加速综述
专知会员服务
128+阅读 · 2019年10月12日
分布式入门,怎样用PyTorch实现多GPU分布式训练
机器之心
7+阅读 · 2019年5月3日
Tensorflow框架是如何支持分布式训练的?
AI100
9+阅读 · 2019年3月26日
深度学习开发必备开源框架
九章算法
12+阅读 · 2018年5月30日
前端高性能计算(4):GPU加速计算
前端大全
7+阅读 · 2017年10月26日
Arxiv
15+阅读 · 2020年2月6日
Arxiv
8+阅读 · 2018年5月15日
Arxiv
7+阅读 · 2018年3月22日
VIP会员
相关VIP内容
专知会员服务
31+阅读 · 2020年4月24日
【Google】利用AUTOML实现加速感知神经网络设计
专知会员服务
29+阅读 · 2020年3月5日
一网打尽!100+深度学习模型TensorFlow与Pytorch代码实现集合
【干货】大数据入门指南:Hadoop、Hive、Spark、 Storm等
专知会员服务
95+阅读 · 2019年12月4日
CMU博士论文:可微优化机器学习建模
专知会员服务
59+阅读 · 2019年10月26日
深度神经网络模型压缩与加速综述
专知会员服务
128+阅读 · 2019年10月12日
Top
微信扫码咨询专知VIP会员