TensorRT模型转换及部署，FP32/FP16/INT8精度区分

TensorRT

一、简介

TensorRT 是一个深度学习模型线上部署的优化引擎，即 GPU Inference Engine。Tensor 代表张量，即数据流动以张量的方式，如4维张量 [N, C, H, W]。RT表示 runtime。

一般情况如上图，线下构建网络结构，训练好模型，然后在实际业务中线上部署到对实时性要求较高（latency敏感）的场景，如一般的嵌入式设备，云端等等。实际应用中，可能同时处理几十路摄像头。TensorRT擅长CNN，3.0版本有RNN的API。

二、特性

2.1 特性列举

1. 比一些深度学习框架，有更好的优化和及时性（虽然降低了使用的灵活性，但是有了更好的性能）
2. 支持 custom layer，即用户自定义的神经网络层
3. 利用低精度加速推理 inference，如FP16/INT8
   

2.2 特性1解释

在inference的阶段神经网络没有了后向传播，模型是固定的了，所以可使得计算图有更好的优化 (graph optimazation)。同时输入输出大小固定了，简化了内存管理 (memory management)。为了实时性，可改用更小的batch size，以减少latency（但是同时GPU的利用率也降低了）。这些方面都可以在TensorRT中得到改进。

2.3 特性2解释

如果来自其他深度学习框架的模型中，有个别网络层比较新，TensorRT中暂不支持，用户可以通过TensorRT提供的API自定义自己的网络层。（具体可参见本文第四部分“工作流程”）

2.4 特性3解释

低精度技术 (high speed reduced precision)。在training阶段，梯度的更新往往是很微小的，需要相对较高的精度，一般要用到FP32以上。在inference的时候，精度要求没有那么高，一般F16（半精度）就可以，甚至可以用INT8（8位整型），精度影响不会很大。同时低精度的模型占用空间更小了，有利于部署在嵌入式模型里面。

英伟达显卡对精度的支持情况：

• FP16 (Pascal P100 and V100 (tensor core))
• INT8 (P4/P40)

其中V100采用 NVIDIA Volta 架构，相较于前代Pascal架构效率提升50%，拥有 640 个 Tensor Cores，tensor core的引入可以较高能效大幅增加浮点计算吞吐量。其中P4是专门线上做inference的一张小卡，功耗低。其他的还有T4显卡（含有Turing Tensor Cores，支持INT8/INT4精度，更快的inference）。

上面是各显卡低精度与单精度FLOPS的比较。FLOPS (Floating-point Operations per Second)，每秒浮点运算次数，亦称每秒峰值速度。TFLOPS (teraFLOPS) ，1万亿 (10^12) 次的浮点运算每秒。

三、精度转换

精度的降低可以大幅度加快神经网络模型的推理速度。


典型的精度转换流程：

TensorRT中，单精度（FP32）模型到半精度（FP16）模型的转换如下：



TensorRT中，FP32模型到INT8模型的转换如下：

四、工作流程

TensorRT的工作流程主要分为模型解析、模型转换优化、模型执行三个步骤（如下图）。

更加细化的流程如下：

比如传入一个caffe模型，解析（Tensor中的Parser）就是得到模型里面有哪些网络层，有怎样的连接关系。然后对应得再转换成TensorRT的。可能有个别的比较新的网络层TensorRT中没有支持，用户可以通过API接口自定义layer，比如构建某种特殊卷积层。这个自定义API支持C++和Python语言。

目前支持的layer类型：


Parser现在支持：

1. caffe
2. uff(tensorflow可转换的一种模型文件结构)
3. ONNX (Open Neural Network Exchange)，开放神经网络交换，对应Pytorch，caffe2等。

如果这些框架都不支持，还可以用TensorRT提供的API的，一层一层自己构建相应的神经网络。

从Caffe导入神经网络的示例代码：

从definition APIs导入神经网络的示例代码：

模型优化中，优化好的engine（上图中的PLAN），可以进行保存，可以序列化(serialization) 到一个buffer或者file里面。读的时候，再deserialization。具体优化策略看本文后面。

等到执行的时候，先创建一个context分配一些预先的资源，然后再执行新的优化好的模型。

示例代码：

4.1 自定义层

4.2 优化策略

卷积、添加bias和激活函数（如，ReLu）这些操作是可以合并到一起的。多路径网络层相同部分可以合并。concat层是可以消除的。并行的卷积计算可以合并到一起。还有就是针对特定的平台，自动选择最好的layers和算法。同时支持可扩展的multi-stream输入的并行处理。

如下图Inception结构在TensorRT中的优化方式：



具体的比如，YOLOv2的模型优化策略：