新增硬件

背景

  • 深度学习技术在安防、交通、医疗、工业制造等行业获得了较广泛的应用,为了满足实际需求,越来越多算力更高、功耗更低的专用硬件被研发出来投向市场,涌现了诸如华为昇腾/麒麟SoC的达芬奇架构NPU、瑞芯微RK/RV系列SoC的NPU、寒武纪MLU、谷歌TPU和百度XPU等不同形态的硬件,以明显优于传统CPU、GPU的性能和功耗的特点,逐步获得市场的认可,被广泛用于服务器端、边缘端和移动端。

意义

  • 良好的软件生态是硬件获得成功的关键,硬件驱动的兼容性、成熟的编译工具链、完善的SDK、API和文档、更多第三方深度学习框架的支持,都是影响硬件能否积攒用户、建立完善的软件生态的重要因素。特别的,在实际的项目部署过程中,推理引擎对硬件的支持尤为关键,它能屏蔽底层硬件细节,提供统一的接口,实现同一个模型在多种硬件间无缝迁移和异构计算,帮助应用提供方降低迁移成本并获得更高的性能;
  • PaddleLite是一款支持服务器端、边缘端和移动端场景的推理引擎,在设计之初就考虑了如何友好的支持不同形态的硬件(例如CPU、GPU、DSP、FPGA和ASIC等),主要表现在推理框架与硬件解耦合,提出了统一的图优化Pass层、算子层和Kernel层接口,在实现灵活配置多硬件间异构执行的同时,最大限度地减少适配过程中对框架的修改,真正做到硬件细节对用户透明;
  • PaddleLite支持的硬件目前已多达十余种,这其中不乏像华为NPU、瑞芯微NPU、联发科APU、颖脉(Imagination)NNA、百度XPU和寒武纪MLU等一线芯片(或IP)厂商研发的ASIC芯片,我们也希望更多的硬件(或IP)厂商与我们合作,共建PaddleLite和PaddlePaddle的硬件生态。
  • 在阐述硬件接入的具体步骤前,我们将简单介绍下PaddleLite的工作原理,即从读入模型文件到硬件执行过程中都经历了哪些步骤?

PaddleLite是如何工作的?

  • 如下图所示,PaddleLite整个推理的过程,可以简单分成分析(Analysis phase)和执行(Execution phase)两个阶段,分析阶段包括Paddle模型文件的加载和解析、计算图的转化、图分析和优化、运行时程序的生成和执行等步骤。具体地,

    https://user-images.githubusercontent.com/9973393/105955490-5830c080-60b1-11eb-9c6d-2b3bafb0ef7a.png

  • 模型文件的加载和解析 Paddle模型由程序(Program)、块(Block)、算子(Operator)和变量(Variable)组成(如下图所示,程序由若干块组成,块由若干算子和变量组成,变量包括中间变量和持久化变量,如卷积的权值),经序列化保存后形成Combined和Non-combined两种形式的模型文件,Non-combined形式的模型由一个网络拓扑结构文件__model__和一系列以变量名命名的参数文件组成,Combined形式的模型由一个网络拓扑结构文件__model__和一个合并后的参数文件__params__组成,其中网络拓扑结构文件是基于Protocol Buffers格式以Paddle proto 文件规则序列化后的文件。现在以Non-combined格式的Paddle模型为例,将网络拓扑结构文件(要求文件名必须是__model__)拖入到Netron工具即可图形化显示整个网络拓扑结构。

    https://user-images.githubusercontent.com/9973393/102584042-af518600-4140-11eb-8005-3109433ed7fd.png

    该步骤的具体实现:https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/model_parser

  • 计算图的转化 将每个块按照如下规则生成对应的计算图的过程:每个算子或变量都对应计算图的一个节点,节点间的有向边由算子的输入、输出决定(依赖关系确定边的方向),算子节点与变量节点相邻。为了方便调试,分析阶段的各个步骤都会将计算图的拓扑结构以DOT格式的文本随log打印,可以将DOT文本复制、粘贴到webgraphviz进行可视化,如下图所示,黄色矩形节点为算子,椭圆形节点为变量。

    https://user-images.githubusercontent.com/9973393/102598007-5c82c900-4156-11eb-936a-260d8e5d7538.png

    该步骤的具体实现:https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/core/mir/ssa_graph.cc

  • 图分析和优化 将一系列pass(优化器,用于描述一个计算图优化生成另一个计算图的算法过程)按照一定的顺序依次应用到每个块对应的计算图的过程,包括量化信息处理、算子融合、Kernel选择、类型转化、上下文创建、内存复用优化和子图检测等,实现不同设备的适配、高效的计算和更少的内存占用。其中,算子融合作为一种行之有效的优化策略,普遍存在于各种推理框架中,它通过相邻算子间的融合,减少访存和计算量,有效提高模型的整体性能,例如前一步骤的计算图中,conv_bn_fuse_pass、conv_activation_fuse_pass分别以conv2d+batch_norm和conv2d+relu为pattern,先后搜索整个计算图并完成融合,如下图所示,conv2d+batch_norm+relu结构,经过前面的pass处理后只保留了1个conv2d算子。

    https://user-images.githubusercontent.com/9973393/102776582-ef776980-43c9-11eb-9e23-c675cff55e73.png

    该步骤的具体实现:https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/core/mir

    • Pass的注册方法、管理机制可以参考文档新增PassPass列表是指按照规定的顺序处理的Pass的集合,它使用std::vector<std::string>存储,每个元素代表已注册到框架的Pass的名称,如果需要在Pass列表中新增一个Pass,只需在合适的位置增加一个字符串即可,例如,为了可视化conv_bn_fuse_pass优化后的计算图,可以在它后面增加一个名为graph_visualize_pass的特殊Pass,用于在log中生成以DOT文本的表示计算图结构。

      diff --git a/lite/core/optimizer.h b/lite/core/optimizer.h
      index 678db707..fb0be753 100644
      --- a/lite/core/optimizer.h
      +++ b/lite/core/optimizer.h
      @@ -85,6 +85,7 @@ class Optimizer {
            "weight_quantization_preprocess_pass",  //
            "lite_conv_elementwise_fuse_pass",      // conv-elemwise-bn
            "lite_conv_bn_fuse_pass",               //
      +     "graph_visualize_pass",
            "lite_conv_elementwise_fuse_pass",      // conv-bn-elemwise
            "lite_conv_conv_fuse_pass",             //
            // TODO(Superjomn) Refine the fusion related design to select fusion
      
  • 运行时程序的生成和执行 按照拓扑顺序遍历优化后的计算图,生成算子和Kernel列表的过程,它基于generate_program_pass实现。具体地,只遍历计算图中的算子节点,提取所携带的算子和Kernel(经过static_kernel_pick_pass选取的、适合目标硬件的、最优的Kernel)对象,以Instruction封装后按顺序依次存放到RuntimeProgram对象。运行时程序的执行也非常简单,即依次遍历RuntimeProgram对象存储的每个Instruction,调用其算子对象的CheckShape和InfereShape方法,最后执行Kernel对象的Launch方法。

    该步骤的具体实现:https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/core/mir/generate_program_pass.cc 和 https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/core/program.cc

硬件接入方式

  • 按照层次硬件提供给开发者的接口一般可以分为两类:

    • 通用编程接口(Low Level)

      • 通用的编程语言:例如NVIDIA的CUDA、Knorons的OpenCL和寒武纪的BANG-C语言等;
      • 高性能库函数:例如NVIDIA的cuDNN、Intel的MKL和MKL-DNN等。

      优点是灵活,但缺点也显而易见,性能的好坏取决于负责接入框架的研发同学的能力和经验,更依赖对硬件的熟悉程度;

    • 中间表示层(Intermediate Representation,IR)接口(High Level)

      • 组网IR和运行时API:例如NVIDIA的TensorRT、Intel的nGraph、华为HiAI IR和百度昆仑的XTCL接口。

      优点是屏蔽硬件细节,模型的优化、生成和执行由运行时库完成,对负责接入框架的研发同学要求较低,性能取决于硬件厂商(或IP提供商)的研发能力,相对可控;

  • 提供这两类接口的硬件可分别按照如下两种接入方式接入到框架:

算子Kernel接入方式

  • 主要涉及PaddleLite架构图中算子、Kernel层的硬件适配工作,具体是在lite/kernels下增加待新增硬件的目录,为每个算子实现待新增硬件的Kernel,具体可参考新增OP中"添加Argmax Kernel并绑定"步骤;

    ARM Kernel的参考实现:https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/kernels/arm

  • 为了将硬件细节与Kernel的实现剥离,减少冗余代码,建议在lite/backends目录下增加待新增硬件的目录,利用硬件提供的编程接口实现诸如gemm等通用数学运算,向Kernel提供统一的数学运算接口;

    ARM Backend的参考实现:https://github.com/PaddlePaddle/Paddle-Lite/tree/develop/lite/backends/arm

  • 其它诸如添加新增硬件的Target、Place、Context等方面的内容可参考即将详细介绍的"子图接入方式"中的相关章节。

子图接入方式

  • 硬件要求提供以下接口:

    • Graph组网接口,必须保证不同硬件型号、不同软件版本间的兼容性;
    • Graph生成Model的接口;
    • 设置Model的输入、输出张量和Model执行的运行时接口;
    • 输入、输出张量的内存管理接口。

    具体可参考华为HiAI DDK v330、瑞芯微rknpu_ddkMTK Neuron Adapter(类似Android NNAPI)进行接口设计。

  • 什么是子图? 将计算图依据某种规则分割为多个部分,每个部分都被称为一个子图,它包含一个或多个算子和变量,规则一般依据硬件支持能力而定。

  • 框架如何实现子图检测和融合? 在"PaddleLite是如何工作的?"章节中的"图分析和优化"步骤曾提到了子图检测Pass,它依据硬件对Paddle算子的支持情况,将每个块对应的计算图分别进行分割,生成一个或多个子图,如下图所示,具体包括以下三个步骤:

    https://user-images.githubusercontent.com/9973393/102796707-9fa89a80-43e9-11eb-913b-d954238994cf.png

    • 算子标记 按照拓扑顺序依次遍历计算图中每个算子,依据已注册的Paddle算子->硬件IR的转换表,标记能够转为硬件IR的算子。例如,在上图第一幅图的计算图中,包含10个算子Op1~Op10,假设Op1、Op3和Op10不能够转为硬件IR,如第二幅图所示,这三个算子会被标记为默认颜色(黄色),代表使用CPU Kernel进行计算,而Op2、Op4、Op5、Op6、Op7、Op8和Op9则标记为红色,代表这些算子可以被转换成硬件的IR。
    • 子图检测 对标记的算子作进一步分析,采用反向DFS算法将相邻的算子标记为同一个子图。例如上图第三幅图所示,Op2被单独分到子图1,而Op4、Op5、Op6、Op7、Op8和Op9则划到子图2。
    • 子图融合 为了减少硬件与Host端过多的数据拷贝而带来的额外开销,如果某个子图的算子过少,则删除该子图,即它所包含的所有算子都不会放在目标硬件上执行,然后对保留下来的子图进行算子融合,具体是利用一个子图算子代替该子图包含的所有算子,但所有算子信息将以新的块(Block desc)的形式保存在程序(Program desc)中,块索引则以属性的形式保存子图算子中。
    • 由于子图检测代码较为通用,在硬件接入的过程中无需做过多的修改,只需参照着增加对应硬件的subgraph pass即可。具体可参考HuaweiKirinNPUSubgraphPass和BaiduXPUSubgraphPass的实现:https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/core/mir/subgraph/subgraph_pass.cc
  • 框架如何执行子图? 当计算图被分割成若干普通算子和多个子图算子后(如上图的第四幅图所示,包含4个普通算子Op1、Op2、Op3和Op10,1个子图算子Op1),通过"运行时程序的生成和执行"步骤将普通算子(Kernel)和子图算子(Kernel,参考Huawei Kirin NPU subgraph op kernelBaidu XPU subgraph op kernel)保存在运行时程序中,当运行时程序执行时,如果遇到子图算子,则执行如下步骤:

    • 读取并加载子图中的原始算子 通过保存在子图算子中的sub_block属性,在程序描述对象(Program desc)中找到相应的块描述对象(Block desc),然后依次读取算子描述对象(Op desc),根据算子类型创建算子对象。

    • 加载原始算子的Kernel,创建原始运行时程序 通过算子描述对象中保存的kKernelTypeAttr属性找到对应的Kernel,与上个步骤获得的算子对象,一起封装在Instruction对象中,所有算子的Instruction对象便组成了子图原始运行时程序。

      上述两个步骤的具体实现:https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/core/subgraph_engine_base.cchttps://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/core/program.cc

    • 原始算子转为硬件IR、组网生成Graph 遍历子图中的所有原始算子(已按照拓扑顺序排序),依次将每个原始算子转为硬件IR,具体地,通过算子类型查询是否注册对应的桥接器(Op bridge/converter),如果已注册,则执行桥接器实现算子到硬件IR的转换,并调用硬件组网API生成Graph。桥接器是子图接入方式最重要的模块,也是工作量最大的部分,为了尽可能将算子放到硬件上执行,应当为每个算子增加相应的桥接器,桥接器的实现可参考Huawei Kirin NPU activation op bridgeBaidu XPU activation op bridge的实现。

    • Graph生成Model,设置输入、输出张量:当子图中所有原始算子都转换完成后,调用硬件提供的接口将Graph生成Model并设置输入、输出张量。

    • 执行Model,读取输出张量的数据:将原始输入张量的数据拷贝至(或将指针传递至,以防止重复拷贝实现ZeroCopy)硬件Model的输入张量,然后调用硬件提供Model执行接口,待执行结束后将硬件输出张量的数据拷贝至原始输出张量。

      上述三个步骤的具体实现:https://github.com/PaddlePaddle/Paddle-Lite/blob/develop/lite/kernels/npu/subgraph_compute.cc

    • 前四个步骤一般在子图算子Kernel第一次运行的时候执行,只有在输入尺寸发生变更且需要重新生成Model时,才会回到步骤三重新执行。

    • 为什么需要创建原始运行时程序?在硬件IR转换失败、Graph或Model生成失败的时候,例如不同硬件型号、不同软件版本导致的不兼容,或者运行在不支持该硬件的设备上时,就需要回退到原始运行时程序进行执行,完成推理任务。

  • 硬件接入时需要做哪些代码改动?

代码提交、Review、合入机制、CI机制

  • 参考编译环境准备中的Docker开发环境(由于代码提交时会使用git pre-commit hooks,对clang-format版本约束)
  • 注册github账户,将Paddle Lite代码仓库Fork到自己的账户.
  • 将自己github账户的Paddle-Lite仓库克隆到本地。
# git clone https://github.com/UserName/Paddle-Lite
# cd Paddle-Lite
  • 创建本地分支:从develop分支创建一个新的本地分支,命名规则为UserName/FeatureName,例如hongming/print_ssa_graph
$ git checkout -b UserName/FeatureName
  • 启用pre-commit钩子:pre-commit 作为git预提交钩子,帮助我们在git commit时进行自动代码(C++,Python)格式化和其它检查(如每个文件只有一个 EOL,Git 中不要添加大文件等),可通过以下命令进行安装(注意:pre-commit测试是 Travis-CI 中单元测试的一部分,不满足钩子的PR不能被提交到Paddle-Lite):
$ pip install pre-commit
$ pre-commit install
  • 修改代码:提交代码前通过git status和git diff命令查看代码改动是否符合预期,避免提交不必要或错误的修改。
$ git status
On branch hongming/print_ssa_graph
Changes not staged for commit:
  (use "git add <file>..." to update what will be committed)
  (use "git checkout -- <file>..." to discard changes in working directory)
  (commit or discard the untracked or modified content in submodules)

        modified:   lite/core/optimizer.h

$ git diff
diff --git a/lite/core/optimizer.h b/lite/core/optimizer.h
index 00e9e07..1b273af 100644
--- a/lite/core/optimizer.h
+++ b/lite/core/optimizer.h
@@ -55,7 +55,8 @@ class Optimizer {

     if (passes.empty()) {
       std::vector<std::string> passes_local{
-          {"lite_quant_dequant_fuse_pass",     //
+          {"graph_visualze",
+           "lite_quant_dequant_fuse_pass",     //
            "lite_conv_elementwise_fuse_pass",  // conv-elemwise-bn
  • 提交代码:git add命令添加需要修改的文件,放弃提交可用git reset命令,放弃修改可使用git checkout -- [file_name]命令,每次代码提交时都需要填写说明,以便让他人知道这次提交做了哪些修改,可通过git commit命令完成,修改提交说明可通过git commit --amend命令;为了触发CI,提交说明最后结束前必须回车换行,然后添加test=develop,如果本次提交的Pull request仅修改doc目录下的文档,则额外加上test=document_fix加快CI流水线。
$ git add lite/core/optimizer.h

$ git status
On branch hongming/print_ssa_graph
Changes to be committed:
  (use "git reset HEAD <file>..." to unstage)

        modified:   lite/core/optimizer.h

$ git commit -m "Add graph_visualze pass to output ssa graph
> test=develop"
CRLF end-lines remover...................................................Passed
Check for added large files..............................................Passed
Check for merge conflicts................................................Passed
Check for broken symlinks................................................Passed
Detect Private Key.......................................................Passed
Fix End of Files.........................................................Passed
clang-format.............................................................Passed
cpplint..................................................................Passed
copyright_checker........................................................Passed
[hongming/print_ssa_graph 75ecdce] Add graph_visualze pass to output ssa graph test=develop
 1 file changed, 2 insertions(+), 1 deletion(-)
  • 同步本地仓库代码:在准备发起Pull Request前,需要将原仓库https://github.com/PaddlePaddle/Paddle-Lite的develop分支的最新代码同步到本地仓库的新建分支。首先通过git remote -v命令查看当前远程仓库的名字,然后通过git remote add 命令添加原Paddle Lite仓库地址,最后使用git fetch和git pull命令将本地分支更新到最新代码。
$ git remote -v
origin  https://github.com/UserName/Paddle-Lite.git (fetch)
origin  https://github.com/UserName/Paddle-Lite.git (push)

$ git remote add upstream https://github.com/PaddlePaddle/Paddle-Lite

$ git remote
origin
upstream

$ git fetch upstream
remote: Enumerating objects: 105, done.
remote: Counting objects: 100% (105/105), done.
remote: Compressing objects: 100% (6/6), done.
remote: Total 142 (delta 99), reused 100 (delta 99), pack-reused 37
Receiving objects: 100% (142/142), 52.47 KiB | 2.00 KiB/s, done.
Resolving deltas: 100% (103/103), completed with 45 local objects.
From https://github.com/PaddlePaddle/Paddle-Lite
  a1527e8..d6cdb1e  develop    -> upstream/develop
  2136df9..17a58b6  gh-pages   -> upstream/gh-pages
  1091ab8..55be873  image-sr-v2 -> upstream/image-sr-v2
 * [new branch]      release/v2.2.0 -> upstream/release/v2.2.0
 * [new tag]         v2.2.0     -> v2.2.0

$ git branch
develop
* hongming/print_ssa_graph

$ git pull upstream develop
From https://github.com/PaddlePaddle/Paddle-Lite
 * branch            develop    -> FETCH_HEAD
Removing lite/kernels/npu/bridges/transpose_op_test.cc
Removing lite/kernels/npu/bridges/batch_norm_op_test.cc
Merge made by the 'recursive' strategy.
 lite/kernels/npu/bridges/batch_norm_op_test.cc | 168 ------------------------------------------------------------------------------------------------
 lite/kernels/npu/bridges/transpose_op.cc       |   2 +-
 lite/kernels/npu/bridges/transpose_op_test.cc  | 153 ---------------------------------------------------------------------------------------
 lite/tests/kernels/CMakeLists.txt              |   4 +--
 lite/tests/kernels/batch_norm_compute_test.cc  |   2 ++
 lite/tests/kernels/transpose_compute_test.cc   |  44 ++++++++++++-------------
 mobile/test/CMakeLists.txt                     |   6 ++++
 mobile/test/net/test_mobilenet_male2fe.cpp     |  66 ++++++++++++++++++++++++++++++++++++++
 8 files changed, 99 insertions(+), 346 deletions(-)
 delete mode 100644 lite/kernels/npu/bridges/batch_norm_op_test.cc
 delete mode 100644 lite/kernels/npu/bridges/transpose_op_test.cc
 create mode 100644 mobile/test/net/test_mobilenet_male2fe.cpp
  • Push到远程仓库:将本地的修改推送到自己账户下的Paddle Lite仓库,即https://github.com/UserName/Paddle-Lite 。
$ git branch
develop
* hongming/print_ssa_graph

$ git push origin hongming/print_ssa_graph
Counting objects: 8, done.
Delta compression using up to 2 threads.
Compressing objects: 100% (8/8), done.
Writing objects: 100% (8/8), 868 bytes | 0 bytes/s, done.
Total 8 (delta 6), reused 0 (delta 0)
remote: Resolving deltas: 100% (6/6), completed with 6 local objects.
remote: 
remote: Create a pull request for 'hongming/print_ssa_graph' on GitHub by visiting:
remote:      https://github.com/UserName/Paddle-Lite/pull/new/hongming/print_ssa_graph
remote: 
To https://github.com/UserName/Paddle-Lite.git
 * [new branch]      hongming/print_ssa_graph -> hongming/print_ssa_graph
  • 发起Pull Request:登录github,在自己账户下找到并进入UserName/Paddle-Lite仓库,这时会自动提示创建Pull Request,点击Create Pull Request按钮,一般来说会自动选择比较更改的仓库和分支,如果需要手动设置,可将base repository选择为PaddlePaddle/Paddle-Lite,base分支为develop,然后将head repository选择为UserName/Paddle-Lite,compare分支为hongming/print_ssa_graph。PR(Pull Request)的标题必须用英文概括本次提交的修改内容,例如修复了什么问题,增加了什么功能。同时,为了便于其他人快速得知该PR影响了哪些模块,应该在标题前添加中括号+模块名称进行标识,例如"[HuaweiKirinNPU][BaiduXPU] Temporarily toggle printing ssa graph, test=develop"。 PR的描述必须详细描述本次修改的原因/背景、解决方法、对其它模块会产生何种影响(例如生成库的大小增量是多少),性能优化的PR需要有性能对比数据等。
  • 签署CLA协议:在首次向Paddle-Lite提交Pull Request时,您需要您签署一次CLA(Contributor License Agreement)协议,以保证您的代码可以被合入。
  • 等待CI测试完成:您在Pull Request中每提交一次新的commit后,都会触发一系列CI流水线(根据场景/硬件的不同,一般会有多个流水线),它将会在几个小时内完成,只需保证带有Required的流水线通过即可。例如下图所示,每项流水线测试通过后,都会在前面打勾,否则打叉,可点击Details查看日志定位错误原因: https://user-images.githubusercontent.com/9973393/113404216-631e0f00-93da-11eb-8dad-fb47c8f512de.png
  • PR Review:每个PR需要至少一个评审人apporve后才能进行代码合入,而且在请评审人review代码前,必须保证CI测试完成并通过全部测试项,否则评审人一般不做评审。根据PR修改的模块不同,代码评审人选择也不一样。例如:涉及到Core和API模块,需要@Superjomn进行Review,涉及到Subgraph相关的修改,需要@hong19860320或@zhupengyang进行Review。评审人的每个意见都必须回复,同意评审意见且按其修改完的,给个简单的Done即可,对评审意见不同意的,请给出您自己的反驳理由。
  • PR 合入:一般PR会有多次commit,原则上是尽量少的commit,且每个commit的内容不能太随意。在合入代码时,需要对多个commit进行squash commits after push,该PR在评审人approve且CI完全通过后,会出现"Squash and Merge"按钮,如上图所示,届时可以联系Paddle同学完成PR的合入。

硬件接入完成标志

  • 代码合入到develop分支
  • 提供完善的文档和Demo
    • 参考ImaginationNNA的格式编写文档并提供Demo压缩包(由Paddle同学上传到百度云)
    • 如果编译环境的docker镜像与PaddleLite所提供的不一致,需要额外提供构建docker镜像的docker file,保证用户能顺利编译获得产出
  • 厂商提供测试设备,增加CI流水线(由Paddle同学负责)
  • 双方兼容性认证