将TVM用于移动端常见的ARM GPU，提高移动设备对深度学习的支持能力

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）：

# set tiling factor

VH = 1

VW = VC = 4

# get input shape

_, CI, IH, IW = data.shape

CO, CI, KH, KW = kernel.shape

TH = IH + 2 * H_PAD

TW = IW + 2 * W_PAD

# calc output shape

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

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

# data shape after packing

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

# kernel shape after packing

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

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

oshape = (N, CO, OH, OW)

# define packing

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

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

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

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

# define convolution

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

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

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

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

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

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

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

# unpack to correct layout

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

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

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

用以下命令检查定义的IR：

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

选择卷积的部分：

produce conv {

for (co, 0, 64) {

for (h, 0, 56) {

for (w, 0, 14) {

for (vw.init, 0, 4) {

for (vc.init, 0, 4) {

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

}

}

for (ci, 0, 256) {

for (kh, 0, 3) {

for (kw, 0, 3) {

for (vw, 0, 4) {

for (vc, 0, 4) {

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)]))

}

}

}

}

}

}

}

}

}

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。

# helper function for binding thread

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

""" tile and bind 3d """

y_factor = y_factor or z_factor

x_factor = x_factor or y_factor

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

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

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

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

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

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

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

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

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

# set tunable parameter

num_thread = 8

# schedule data packing

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

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

# schedule kernel packing

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

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

# schedule conv

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

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

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

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

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

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。

# set tunable parameter

num_thread = 8

# schedule data packing

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

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

"""!! ADD UNROLL HERE !!"""

s[data_vec].unroll(vw)

# schedule kernel packing

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

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

"""!! ADD UNROLL HERE !!"""

s[kernel_vec].unroll(kh)

s[kernel_vec].unroll(kw)

s[kernel_vec].unroll(vc)

# schedule conv

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

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

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

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

"""!! ADD UNROLL HERE !!"""

s[conv].unroll(kh)

s[conv].unroll(kw)

s[conv].unroll(vw)

s[conv].unroll(vc)

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

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。

# set tunable parameter

num_thread = 8

# schedule data packing

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

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

# unroll

s[data_vec].unroll(vw)

# schedule kernel packing

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

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

# unroll

s[kernel_vec].unroll(kh)

s[kernel_vec].unroll(kw)

"""!! VECTORIZE HERE !!"""

s[kernel_vec].vectorize(vc)

# schedule conv

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

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

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

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

# unroll

s[conv].unroll(kh)

s[conv].unroll(kw)

s[conv].unroll(vw)

"""!! VECTORIZE HERE !!"""

s[conv].vectorize(vc)

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

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：

Firefly-RK3399 4G

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

GPU: Mali-T860MP4

ArmComputeLibrary : v17.12

MXNet: v1.0.1

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。