21

空域 · 2020年05月09日

Tengine 算子调度分析

上一篇简述了Tengine如何适配ncnn模型,其实本质上Tengine算是一个新的IR,可对各种框架进行适配,虽然不同框架对不同算子有不同的实现方式,但是经过Tengine团队的不懈努力,可以支持nchw与nhwc的计算格式。

现在Tengine开源部分的算子分别对于不同的平台分为arm32,arm64,ref,x86。其中arm32与arm64是针对端侧平台的算子优化,以arm汇编和arm neon为主来进行计算部分的优化,可以大大提高计算效率。X86则是针对Convolution和FullyConnected层在x86平台上进行加速。优化部分只针对需要大量计算的算子,对于其余的算子则是通过加载reference算子来实现。那么现在问题来了,那么多平台,如何对相同算子进行调度则是一个问题。

Tengine 算子调度流程图

上图则表述了Tengine是如何判断相同算子在不同平台的调度。

在Tengine框架内部,每一个类别都有自己独有的注册列表,例如arm32有自己的init.cpp,arm64也有自己的init.cpp来进行注册。在运行Tengine的时候,Tengine首先会获取平台信息,当获取平台信息后则会进行算子部分的调度。

NodeOps* NodeOpsRegistryManager::RealFindNodeOps(const CPUInfo* cpu_info, Node* node)
{
    NodeOps* ops;

    if(cpu_info != nullptr)
    {
        // search cpu_type
        int master_cpu = cpu_info->GetMasterCPU();

        const std::string& cpu_model = cpu_info->GetCPUModelString(master_cpu);

        ops = FindNodeOps(cpu_model, cpu_info, node);

        if(ops)
            return ops;

        // search arch
        std::string cpu_arch;

        int int_arch = cpu_info->GetCPUArch(master_cpu);

        if(int_arch == ARCH_ARM_V8)
        {
            cpu_arch = "arm64";
        }
        else if(int_arch == ARCH_ARM_V7)
        {
            cpu_arch = "arm32";
        }

        ops = FindNodeOps(cpu_arch, cpu_info, node);

        if(ops)
            return ops;
    }

    // search x86
    
#if CONFIG_ARCH_X86
    ops = FindNodeOps("x86", cpu_info, node);
    if(ops)
        return ops;
#endif

    // the final search: reference

    ops = FindNodeOps(REF_REGISTRY_NAME, cpu_info, node);

    return ops;
}

上述代码则展示了Tengine对于不同平台的的算子调度部分。

在进行Tengine框架运行的时候则可以通过不同的环境变量设置来进行算子的调度。Tengine实现算子的步骤是首先实现Reference算子,在保证能正常工作的情况下在进行针对性的算子优化,例如对arm32与arm64,所以性能算子可以直接在Reference中找到对应算子。变相的可以理解Reference算子是各种平台优化算子的基础。如果出现模型运行错误的情况,则可以首先运行Reference算子来进行debug。对于如何调度如下:

export OPS_REGISTRY=reference
export OP_NAME=Convolution

以上两条指令则是可以把Convolution算子设置在Reference,以此类推,如果对性能算子中的任何一个报有怀疑,则可以先用reference来进行验证。同样,对于初学者而言,c++当然比汇编要容易理解啦。

刚刚所说了Reference算子是包含了所有算子,那么如果区分相同算子是调用性能算子还是功能算子呢?这就涉及到两方面,第一则是上述所说的平台信息选择,第二则是算子中设置的优先级部分,以Convolution算子为例,如下为在Reference中的算子选择函数:

const int default_prio = 1500;
...
...
...
NodeOps* SelectFunc(const CPUInfo* cpu_info, Node* node)
{
    RefConv* ops = new RefConv();

    return ops;
}

}    // namespace RefConvolutionOps

void RegisterRefConv2d(void)
{
    NodeOpsRegistryManager::RegisterOPImplementor(REF_REGISTRY_NAME, "Convolution", RefConvolutionOps::SelectFunc,
                                                  RefConvolutionOps::default_prio);
}

如下为在arm32中Convolution的选择函数:

const int default_prio = 500;
...
...
void RegisterConv2dFast(void)
{
    if(!NodeOpsRegistryManager::RegisterOPImplementor("arm32", "Convolution", conv_fast::SelectFunc,
                                                      conv_fast::default_prio))
        LOG_ERROR() << __FUNCTION__ << " :Regist OP failed for prio[" << conv_fast::default_prio << "]\n";
}

上述在arm32中的default\_prio = 500 优先级设置高与Reference中的default\_prio = 1500,则表明在算子调度时优先选择arm32中的Convolution算子。

好啦,Tengine简单的算子调度介绍到此结束啦。

附带Tengine Github链接
https://github.com/OAID/Tengine

推荐阅读
初次尝试Tengine 适配 Ncnn FP32 模型

更多Tengine框架相关请关注Tengine-边缘AI推理框架专栏 及作者知乎(@空域)
推荐阅读
关注数
3393
内容数
68
Tengine是一款轻量级模块化高性能的神经网络推理引擎 ;欢迎体验Tengine,[链接] 《Tengine开发者入门资料包》[链接]
目录
极术微信服务号
关注极术微信号
实时接收点赞提醒和评论通知
安谋科技学堂公众号
关注安谋科技学堂
实时获取安谋科技及 Arm 教学资源
安谋科技招聘公众号
关注安谋科技招聘
实时获取安谋科技中国职位信息