『算法理论学』深度学习推理加速方法之网络层与算子融合

首发于AI深度学习应用之路

 

 

任何事物都有连续性 --《极简主义》范式三：保持连续性的思维可以事半功倍

0.引子

 

在深度学习推理方面有多种提速方法，如模型剪枝量化与层算子融合等。

网络层与算子融合是非常有效的方法，本文将配合TensorRT与tflite推理框架介绍下网络层与算子融合的原理与应用。

 

1.融合理论

下面配合TensorRT介绍下网络层与算子融合的原理。

这是一个原始的Inception Block，首先input后会有多个卷积，卷积完后有Bias和ReLU，结束后将结果concat到一起，得到下一个input。我们一起来看一下使用TensorRT后，这个原始的计算图会被优化成了什么样子。

首先，在没有经过优化的时候Inception Block如Figure1所示：

第二步，对于网络结构进行垂直整合，即将目前主流神经网络的conv、BN、Relu三个层融合为了一个层，所谓CBR，合并后就成了Figure2中的结构。

第三步，TensorRT还可以对网络做水平组合，水平组合是指将输入为相同张量和执行相同操作的层融合一起，下面的Figure3即是将三个相连的的CBR为一个大的的CBR。

最后，对于concat层，将contact层的输入直接送入下面的操作中，不用单独进行concat后在输入计算，相当于减少了一次传输吞吐，然后就获得了如Figure4所示的最终计算图。

 

通过上述的一些操作，网络图由Figure1简化为了Figure4的形式。通过融合的操作，使得

1.网络层数减少，数据通道缩短

2.相同结构合并，使得数据道路变宽

3.更高效利用GPU资源

 

2.tflite 算子融合

 

新版本的TensorFlow Lite 将更细化的一系列 TensorFlow 算子（本身由复合算子组成，如 LSTM）融合并优化单个可执行的 TensorFlow Lite 单元中，从而在效率和性能上达到理想效果。



此外，这项新功能还支持 TensorFlow Keras LSTM 算子之间的无缝转换，这也是呼声最高的功能之一。更为方便的是，现在还可以将用户定义的循环神经网络 (RNN) 转换插入 TensorFlow Lite！

让算子融合更加高效

如前文所述，TensorFlow 算子通常由多个更加细化的原始算子组成，例如 tf.add。这样的设计对于实现一定程度的复用性非常重要，并且可让用户根据现有单元自由组穿件算子。复合算子的一个例子是 tf.einsum。执行复合算子与执行组合中的每个算子的效果相同。

• tf.add
  https://tensorflow.google.cn/api_docs/python/tf/math/add
• tf.einsum
  https://tensorflow.google.cn/api_docs/python/tf/einsum

但是，如果要满足效率需求，我们通常会将一组更细化的算子计算“融合”到单个算子中。

融合算子的另一项用途是提供高阶接口，以定义量化等复杂转换，否则此类转换将无法实现，或难以在更细化的层面上完成。

TensorFlow Lite 中融合算子的具体示例包括各种 RNN 算子，如单向和双向序列 LSTM、卷积（conv2d、加偏置、ReLU）以及全连接（Matmul、加偏置、ReLU）等。

到目前为止，将 TensorFlow 的算子和 TensorFlow Lite 的算子进行融合，仍具有相当的挑战性！

• 挑战性
  https://tensorflow.google.cn/lite/convert/operation_fusion#challenges_with_fused_operations

开箱即用的 RNN 转换和复合算子支持开箱即用的 RNN 转换
现在，我们支持将 Keras LSTM 和 Keras 双向 LSTM 转换为复合 TensorFlow 算子。如要获取基于 RNN 的模型以利用 TensorFlow Lite 中的高效 LSTM 融合算子，这是最简单的方式。请参阅此 Colab，了解如何通过 TensorFlow Lite 解释器进行端到端 Keras LSTM 到 TensorFlow Lite 的转换和执行。

• Keras LSTM
  https://tensorflow.google.cn/api_docs/python/tf/keras/layers/LSTM
• Keras 双向 LSTM
  https://tensorflow.google.cn/api_docs/python/tf/keras/layers/Bidirectional
• 此 Colab
  https://colab.sandbox.google.com/github/tensorflow/tensorflow/blob/master/tensorflow/lite/examples/experimental_new_converter/Keras_LSTM_fusion_Codelab.ipynb

此外，我们通过提供连接至基础架构转换的便捷接口，实现了到其他任意 TensorFlow RNN 实现的转换。您也可查看此功能与使用 lingvo 的 LSTMCellSimple 和 LayerNormalizedLSTMCellSimple RNN 实现相关的数个示例。

• lingvo
  https://github.com/tensorflow/lingvo
• LSTMCellSimple
  https://github.com/tensorflow/tensorflow/blob/82abf0dbf316526cd718ae8cd7b11cfcb805805e/tensorflow/compiler/mlir/lite/transforms/prepare_composite_functions_tf.cc#L130
• LayerNormalizedLSTMCellSimple
  https://github.com/tensorflow/tensorflow/blob/c11d5d8881fd927165eeb09fd524a80ebaf009f2/tensorflow/compiler/mlir/lite/transforms/prepare_composite_functions_tf.cc#L137

如需获取更多信息，请查看我们的 RNN 转换文档。

• 文档
  https://tensorflow.google.cn/lite/convert/rnn/

注：目前，我们致力于对 TensorFlow Lite 的 LSTM 算子添加量化支持。我们将在未来推出相关成果。

扩展至其他复合算子
我们扩展了 TensorFlow Lite 转换器，以便将其他复合 TensorFlow 算子转换为现有或自定义的 TensorFlow Lite 算子。

• TensorFlow Lite 转换器
  https://tensorflow.google.cn/lite/convert

要实现 TensorFlow 算子融合至 TensorFlow Lite，需执行以下步骤：

1. 将复合算子打包至 tf.function 中。在 TensorFlow 模型源代码中，使用 experimental_implements 函数注释标识复合算子并将其抽象为 tf.function。
2. 编写转换代码。从概念上看，转换代码用已融合算子替换了此接口的复合实现。在 prepare-composite-functions 传递中，插入转换代码。
3. 调用 TensorFlow Lite 转换器。使用 TFLiteConverter.from_saved_model API 转换为 TensorFlow Lite。

• experimental_implements
  https://github.com/tensorflow/tensorflow/blob/c11d5d8881fd927165eeb09fd524a80ebaf009f2/tensorflow/python/eager/def_function.py#L470
• 转换代码
  https://github.com/tensorflow/tensorflow/blob/c11d5d8881fd927165eeb09fd524a80ebaf009f2/tensorflow/compiler/mlir/lite/transforms/prepare_composite_functions_tf.cc#L115
• TFLiteConverter.from_saved_model
  https://tensorflow.google.cn/api_docs/python/tf/lite/TFLiteConverter#from_saved_model

-1.参考

 

-1.0:https://developer.nvidia.com/zh-cn/tensorrt

-1.1:https://zhuanlan.zhihu.com/p/110934202

-1.2:https://mp.weixin.qq.com/s/KrlMxmO6XxdKx-BuOJEOZA