摘要： 神经机器翻译（NMT）是自动翻译的端到端方法，这个方法具有克服传统短语翻译系统缺点的潜力。阿里巴巴机器翻译团队在此基础上，利用TVM又有了新的突破！
译者注：TVM 是由华盛顿大学在读博士陈天奇等人提出的深度学习自动代码生成方法，该技术能够自动为大多数计算硬件生成可部署优化代码，其性能可与当前最有供应商提供的优化计算库相比，且可以适应新型专用加速器后端。项目链接：https://github.com/dmlc/tvm
作者： 这是阿里巴巴集团机器翻译团队和PAI-Blade团队贡献的博客。
背景：
神经机器翻译（NMT）是自动翻译的端到端方法，这个方法具有克服传统短语翻译系统缺点的潜力。最近，阿里巴巴集团正在为全球电子商务部署NMT服务。
目前，我们正在利用Transformer [1]作为我们NMT系统的主要骨干，因为它对于经典的基于RNN/LSTM模型的高效离线训练具有较高的准确度，因此它成为了系统的核心。尽管Transformer对于离线训练阶段很友好，因为它在时间跨度上打破了依赖性，但对于在线推理来说效率并不高。在我们的生产环境中，已经发现Transformer的初始版本的推理速度在1.5X到2X左右，这比LSTM的版本慢。我们已经进行了几次优化以提高推理性能，例如图层级操作融合，循环不变节点运动[3]。我们观察到一个特殊挑战是批量matmul是提升Transformer的性能的关键点，但目前在cuBLAS中的实现并没有得到很好的优化。
下面表明TVM生成内核（与优化安排表），结果带来了至少13X加速批量MATMUL计算，并启用了futher，这也加快了与运营商的融合。
批量Matmul
为什么批量matmul？
在Transformer中，批量matmul被广泛用于计算多头注意力（multi-head attention）。使用批量matmul，注意力层中的多个头可以并行运行，这有助于提高硬件的计算效率。
我们在推理阶段对Transformer模型进行了彻底分析，结果表明批量matmul计算占GPU内核执行时间的30％左右。使用nvprof [2]对cuBLAS的批处理内核进行第一性原理分析，可以清楚地看出当前的执行效果并不理想，并且观察到了一些有趣的现象。
什么是批量matmul？
通常，批量matmul计算在一批矩阵上执行矩阵-矩阵乘法，即所有实例具有相同的尺寸（M，N，K），主要维度（lda，ldb，ldc）以及它们各自的A，B和C矩阵的维度。
批量matmul计算可以更具体地描述如下：
void BatchedGemm(input A, input B, output C, M, N, K, batch_dimension) {
for (int i = 0; i < batch_dimension; ++i) {
DoGemm(A[i],B[i],C[i],M,K,N)
}
}批量matmul的形状（shape）
在语言翻译任务中，批量matmul的形状明显小于其他工作中的正常matmul计算。Transformer中的形状与输入句子的长度和解码器步骤的长度有关。通常情况下，它都是小于30。
至于batch dimension，其大小是一个固定的数字。例如，如果beam size为4的批量尺寸使用16，批量尺寸大小为16 4 head（多头注意的头数，通常为8）。矩阵M，K，N的形状(shape)在[1，最大解码长度]或[1，最大编码长度]。
cuBLAS的批量matmul的性能问题
首先，我们对批量matmul核进行理论FLOPs分析。结果非常有趣：所有批量matmul的计算强度都小于1 TFLOPs。
然后我们通过nvprof分析具有多个形状的批量matmul的cuBLAS性能。下表显示了使用CUDA8.0的NVIDIA M40 GPU获得的一些指标。
即使具有不同的形状（M，N，K的变化），所有maxwell_sgemmBatched_128x128_raggedMn_tn调用都会执行相同数量的FLOP，这比理论值大得多。可以推断，所有这些不同的形状都可以填充到某种特定的形状中。在所有这些形状中，即使在最好的情况下，理论FLOP仍然只是实际执行FLOP的2.74％，因此大部分计算是相当多余的。同样，另一个cuBLAS内核maxwell_sgemmBatched_64x64_raggedMn_tn的调用也会显示相同的现象。
很明显，cuBLAS的批量执行效率远远不够。因此，我们使用TVM为我们的NMT工作负载生成高效的批处理内核。
批量matmul计算
在TVM中，一般批量的matmul计算可以被声明为：
# computation representation
A = tvm.placeholder((batch, M, K), name='A')
B = tvm.placeholder((batch, K, N), name='B')
k = tvm.reduce_axis((0, K), 'k')
C = tvm.compute((batch, M, N),
lambda b, y, x: tvm.sum(A[b, y, k] * B[b, k, x], axis = k),
name = 'C')Schedule优化
在对批量matmul计算进行声明之后，我们需要仔细设计我们自己的计划来充分挖掘其性能潜力。
调整块/线程的参数
我们将批量matmul的外部尺寸进行融合，即op维度的BB和FF进行融合，通常在批量matmul计算中称为“批量”维度。然后我们将外部和内部维度按因子（number_thread * vthread）分解。
# thread indices
block_y = tvm.thread_axis("blockIdx.y")
block_x = tvm.thread_axis("blockIdx.x")
thread_y = tvm.thread_axis((0, num_thread_y), "threadIdx.y")
thread_x = tvm.thread_axis((0, num_thread_x), "threadIdx.x")
thread_yz = tvm.thread_axis((0, vthread_y), "vthread", name="vy")
thread_xz = tvm.thread_axis((0, vthread_x), "vthread", name="vx")
# block partitioning
BB, FF, MM, PP = s[C].op.axis
BBFF = s[C].fuse(BB, FF)
MMPP = s[C].fuse(MM, PP)
by, ty_block = s[C].split(BBFF, factor = num_thread_y * vthread_y)
bx, tx_block = s[C].split(MMPP, factor = num_thread_x * vthread_x)
s[C].bind(by, block_y)
s[C].bind(bx, block_x)
vty, ty = s[C].split(ty_block, nparts = vthread_y)
vtx, tx = s[C].split(tx_block, nparts = vthread_x)
s[C].reorder(by, bx, vty, vtx, ty, tx)
s[C].reorder(by, bx, ty, tx)
s[C].bind(ty, thread_y)
s[C].bind(tx, thread_x)
s[C].bind(vty, thread_yz)
s[C].bind(vtx, thread_xz)
批量matmul中不需要stridged模式，因此虚拟线程数（vthread_y和vthread_x）都被设置为1。
寻找number_thread的最佳组合
以下结果是在配备CUDA8.0的NVIDIA M40 GPU设备上获得的。
从过去的经验中得知，找到最好的组合（num_thread_y,num_thread_x）是通过强力搜索的方法。在蛮力搜索之后，可以找到当前形状（shape）的最佳组合，经过暴力破解，我们找到了其在当前计算中是num_thread_y= 8和num_thread_x= 32。
将matmul与其他运算融合
通常，现有的“黑盒子”cuBLAS库的调用扮演着通常使用的“op fusion”优化策略边界的角色。但是，对于生成的高效批量matmul内核，融合边界很容易被破坏，而不仅仅是单元操作，从而可以获得更好的性能改善。
从计算图中可以看到，一个批量matmul总是跟着一个广播加法运算操作或一个转置操作。通过将“加法”或“转置”运算与批量matmul相融合，这可以有效减少内核启动开销和冗余存储器的访问时间。
批量matmul和广播加法融合计算可以声明如下：
# computation representation
A = tvm.placeholder((batch_size, features, M, K), name='A')
# the shape of B is (N, K) other than (K, N) is because B is transposed is this fusion pattern
B = tvm.placeholder((batch_size, features, N, K), name='B')
ENTER = tvm.placeholder((batch_size, 1, M, N), name = 'ENTER')
k = tvm.reduce_axis((0, K), 'k')
C = tvm.compute(
(batch_size, features, M, N),
lambda yb, yf, m, x: tvm.sum(A[yb, yf, m, k] * B[yb, yf, x, k], axis = k),
name = 'C')
D = topi.broadcast_add(C, ENTER)批量matmul和转置融合计算可以声明为：
# computation representation
A = tvm.placeholder((batch_size, features, M, K), name='A')
B = tvm.placeholder((batch_size, features, K, N), name='B')
k = tvm.reduce_axis((0, K), 'k')
C = tvm.compute(
(batch_size, M, features, N),
lambda yb, m, yf, x: tvm.sum(A[yb, yf, m, k] * B[yb, yf, k, x], axis = k),
name = 'C')Fusion的性能
选择[batch = 64，head = 8，M = 1，N = 17，K = 128]的形状（shape）来详细说明生成的代码的性能。选择17作为序列长度，因为它是我们生产场景中的平均输入长度。测试结果如下：
- tf-r1.4 BatchMatmul：513.9 us
- tf-r1.4 BatchMatmul+ Transpose（separate）：541.9 us
- TVM BatchMatmul：37.62us
- TVM BatchMatmul+ Transpose（fused）：38.39 us
我们可以看到通过内核融合优化带来了1.7倍的提速。
与Tensorflow集成
在我们的工作中，批量matmul的输入形状是有限的。通过这些预定义的形状，我们可以提前生成高度优化的CUDA内核（固定形状计算可以带来最佳的优化潜力）。同时，还会生成适用于大多数形状的一般批量matmul内核，以便为没有相应的提前生成内核的形状提供回退机制。
Tensorflow框架中集成了针对特定形状生成的高效内核和回退机制的内核。我们开发了融合op，比如BatchMatMulTranspose或BatchMatMulAdd，以便使用TVM的运行时，API为特定输入形状启动特定的生成内核或者调用回退内核。图形优化通过自动替换原始批量matmul +加法/转置模式与融合操作。同时，通过结合更激进的图形优化通道，我们正试图利用TVM为长尾操作模式生成更高效的融合内核，从而进一步加速端到端性能。
总结
在阿里巴巴内部，我们发现TVM是为开发高性能GPU内核以满足我们内部需求的高效工具。在这篇博客中，我们以NMT Transformer模型为例，用TVM来说明了我们的优化策略。首先，通过第一性原理分析找出Transformer模型的问题。然后我们使用TVM生成高度优化的CUDA内核来取代CUBLAS版本（13X加速观察）。接下来，我们利用TVM的内核融合机制融合批量matmul的前/后操作，进一步提升性能（提升了1.7倍的性能）。基于这些生成的内核，开发了一个图形优化通道，用TVM融合内核自动替换原始计算模式，以确保最终用户的优化是透明的，因为作为AI基础架构提供者，我们发现优化策略的透明度对于普及其优化策略是非常重要的。
最后，所有的这些优化都以松散耦合的方式集成到TensorFlow中，将TVM与不同深度学习框架进行不同程度的集成。此外，还有一项工作是将TVM作为TensorFlow的代码后端，我们希望将来可以向社区分享更多结果。
文章标题《Bringing TVM into TensorFlow for Optimizing Neural Machine Translation on GPU》
作者：阿里巴巴机器翻译平台团队
详细内容请查看原文