0、前言

當(dāng)年頭一次實(shí)習(xí)做算法的時(shí)候，主管給的第一個(gè)任務(wù)就是“把一個(gè)大的分割模型砍成一個(gè)小的”。當(dāng)時(shí)并不理解模型“大”、“小”的真正含義，就簡(jiǎn)單的選取計(jì)算量作為評(píng)價(jià)指標(biāo)，瘋狂砍計(jì)算量（backbone 換 MobileNet/ShuffleNet、Conv 換成 DepthWise Conv、以及一些奇奇怪怪的融合結(jié)構(gòu)等等），把模型計(jì)算量砍了將近 10 倍，結(jié)果一部署發(fā)現(xiàn)速度并沒(méi)有快多少，反而是把最初的 ResNet 簡(jiǎn)單砍掉幾個(gè) block 效果更好。

也是從那時(shí)起接觸了訪存量、流水線、RoofLine 模型等概念，對(duì)模型推理速度的問(wèn)題產(chǎn)生了興趣，從此踏上了深度學(xué)習(xí)推理優(yōu)化的不歸路（劃掉）。

如今做推理優(yōu)化和 HPC 已經(jīng)有一段時(shí)間了，還是偶爾能回想起當(dāng)年不懂推理時(shí)設(shè)計(jì)的與硬件嚴(yán)重不匹配的模型。此外在工作中跟研究員溝通時(shí)，也會(huì)發(fā)現(xiàn)部分研究員對(duì)模型大小和模型推理速度的關(guān)系不太了解，設(shè)計(jì)出一些很難發(fā)揮硬件計(jì)算能力的模型結(jié)構(gòu)。因此在這里對(duì)一些用于評(píng)價(jià)模型大小的指標(biāo)——計(jì)算量、參數(shù)量、訪存量、內(nèi)存占用等指標(biāo)進(jìn)行詳細(xì)探討，分析這些指標(biāo)會(huì)對(duì)模型的部署推理產(chǎn)生何種影響，詳細(xì)討論計(jì)算量和訪存量對(duì)模型推理速度的影響，并給出不同硬件架構(gòu)下設(shè)計(jì)高效網(wǎng)絡(luò)結(jié)構(gòu)的一些建議。

本文不僅僅是為了給出網(wǎng)絡(luò)的設(shè)計(jì)建議，更是希望能夠有效傳達(dá)性能優(yōu)化的基礎(chǔ)理論知識(shí)，以及性能分析的基本思路，幫助各位同學(xué)減少網(wǎng)絡(luò)設(shè)計(jì)與部署之間的 gap，更高效的完成網(wǎng)絡(luò)設(shè)計(jì)與部署工作。非常希望本文能夠?qū)Υ蠹业墓ぷ饔兴鶐椭卜浅g迎大家在評(píng)論區(qū)留言探討。

一、常用的模型大小評(píng)估指標(biāo)

目前常用于評(píng)價(jià)模型大小的指標(biāo)有：計(jì)算量、參數(shù)量、訪存量、內(nèi)存占用等，這些指標(biāo)從不同維度評(píng)價(jià)了模型的大小。本節(jié)僅作簡(jiǎn)單介紹，熟悉的小伙伴可以跳過(guò)此節(jié)，直接看后面的分析與探討。

1. 計(jì)算量

計(jì)算量可以說(shuō)是評(píng)價(jià)模型大小最常用的指標(biāo)了，很多論文在跟 baseline 進(jìn)行比較時(shí)，都會(huì)把計(jì)算量作為重要的比較依據(jù)。

計(jì)算量是模型所需的計(jì)算次數(shù)，反映了模型對(duì)硬件計(jì)算單元的需求。計(jì)算量一般用 OPs (Operations) ，即計(jì)算次數(shù)來(lái)表示。由于最常用的數(shù)據(jù)格式為 float32，因此也常常被寫(xiě)作 FLOPs (Floating Point Operations)，即浮點(diǎn)計(jì)算次數(shù)。（這里為了跟傳統(tǒng)習(xí)慣保持一致，下文就統(tǒng)一采用 FLOPs 啦）

模型的整體計(jì)算量等于模型中每個(gè)算子的計(jì)算量之和。而每個(gè)算子的計(jì)算量計(jì)算方法各不一致。例如對(duì)于 Eltwise Sum 來(lái)講，兩個(gè)大小均為 (N, C, H, W) 的 Tensor 相加，計(jì)算量就是 N x C x H x W；而對(duì)于卷積來(lái)說(shuō)，計(jì)算量公式為（乘加各算一次）：

PyTorch 有不少工具可以模型計(jì)算量，但需要注意的是這些工具有可能會(huì)遺漏一些算子的計(jì)算量，將其計(jì)算量算成 0，從而導(dǎo)致統(tǒng)計(jì)的計(jì)算量跟實(shí)際計(jì)算量有輕微的偏差，不過(guò)大多數(shù)情況下這些偏差影響不大。

2. 參數(shù)量

早期的論文也很喜歡用參數(shù)量來(lái)評(píng)價(jià)模型大小。

參數(shù)量是模型中的參數(shù)的總和，跟模型在磁盤(pán)中所需的空間大小直接相關(guān)。對(duì)于 CNN 來(lái)說(shuō)參數(shù)主要由 Conv/FC 層的 Weight 構(gòu)成，當(dāng)然其他的一些算子也有參數(shù)，不過(guò)一般忽略不計(jì)了。

參數(shù)量往往是被算作訪存量的一部分，因此參數(shù)量不直接影響模型推理性能。但是參數(shù)量一方面會(huì)影響內(nèi)存占用，另一方面也會(huì)影響程序初始化的時(shí)間。

參數(shù)量會(huì)直接影響軟件包的大小。當(dāng)軟件包大小是很重要的指標(biāo)時(shí)，參數(shù)量至關(guān)重要，例如手機(jī) APP 場(chǎng)景，往往對(duì) APK 包的大小有比較嚴(yán)格的限制；此外有些嵌入式設(shè)備的 Flash 空間很小，如果模型磁盤(pán)所需空間很大的話，可能會(huì)放不下，因此也會(huì)對(duì)參數(shù)量有所要求。

除了在設(shè)計(jì)模型時(shí)減少參數(shù)量外，還可以通過(guò)壓縮模型的方式降低軟件包大小。例如 Caffe 和 ONNX 采用的 Protobuf 就會(huì)對(duì)模型進(jìn)行高效的編碼壓縮。不過(guò)壓縮模型會(huì)帶來(lái)解壓縮開(kāi)銷，會(huì)一定程度增加程序初始化的時(shí)間。

3. 訪存量

訪存量往往是最容易忽視的評(píng)價(jià)指標(biāo)，但其實(shí)是現(xiàn)在的計(jì)算架構(gòu)中對(duì)性能影響極大的指標(biāo)。

訪存量是指模型計(jì)算時(shí)所需訪問(wèn)存儲(chǔ)單元的字節(jié)大小，反映了模型對(duì)存儲(chǔ)單元帶寬的需求。訪存量一般用 Bytes （或者 KB/MB/GB ）來(lái)表示，即模型計(jì)算到底需要存/取多少 Bytes 的數(shù)據(jù)。

和計(jì)算量一樣，模型整體訪存量等于模型各個(gè)算子的訪存量之和。對(duì)于 Eltwise Sum 來(lái)講，兩個(gè)大小均為 (N, C, H, W) 的 Tensor 相加，訪存量是 (2 + 1) x N x C x H x W x sizeof(data_type)，其中 2 代表讀兩個(gè) Tensor，1 代表寫(xiě)一個(gè) Tensor；而對(duì)于卷積來(lái)說(shuō)，訪存量公式為：

訪存量對(duì)模型的推理速度至關(guān)重要，設(shè)計(jì)模型時(shí)需要予以關(guān)注。

4. 內(nèi)存占用

內(nèi)存占用是指模型運(yùn)行時(shí)，所占用的內(nèi)存/顯存大小。一般有工程意義的是最大內(nèi)存占用，當(dāng)然有的場(chǎng)景下會(huì)使用平均內(nèi)存占用。這里要注意的是，內(nèi)存占用 ≠ 訪存量。

內(nèi)存占用在論文里不常用，主要原因是其大小除了受模型本身影響外，還受軟件實(shí)現(xiàn)的影響。例如有的框架為了保證推理速度，會(huì)將模型中每一個(gè) Tensor 所需的內(nèi)存都提前分配好，因此內(nèi)存占用為網(wǎng)絡(luò)所有 Tensor 大小的總和；但更多的框架會(huì)提供 lite 內(nèi)存模式，即動(dòng)態(tài)為 Tensor 分配內(nèi)存，以最大程度節(jié)省內(nèi)存占用（當(dāng)然可能會(huì)犧牲一部分性能）。

和參數(shù)量一樣，內(nèi)存占用不會(huì)直接影響推理速度，往往算作訪存量的一部分。但在同一平臺(tái)上有多個(gè)任務(wù)并發(fā)的環(huán)境下，如推理服務(wù)器、車載平臺(tái)、手機(jī) APP，往往要求內(nèi)存占用可控。可控一方面是指內(nèi)存/顯存占用量，如果占用太多，其他任務(wù)就無(wú)法在平臺(tái)上運(yùn)行；另一方面是指內(nèi)存/顯存的占用量不會(huì)大幅波動(dòng)，影響其他任務(wù)的可用性。

5. 小結(jié)

計(jì)算量、參數(shù)量、訪存量、內(nèi)存占用從不同維度定義了模型的大小，應(yīng)根據(jù)不同的場(chǎng)合選用合適的指標(biāo)進(jìn)行評(píng)價(jià)。

模型推理速度不單單受模型計(jì)算量的影響，也與訪存量和一些其他因素息息相關(guān)。下文將詳細(xì)討論影響模型推理速度的因素。

二、計(jì)算量越小，模型推理就越快嗎

答案是否定的。

實(shí)際上計(jì)算量和實(shí)際的推理速度之間沒(méi)有直接的因果關(guān)系。計(jì)算量?jī)H能作為模型推理速度的一個(gè)參考依據(jù)。

模型在特定硬件上的推理速度，除了受計(jì)算量影響外，還會(huì)受訪存量、硬件特性、軟件實(shí)現(xiàn)、系統(tǒng)環(huán)境等諸多因素影響，呈現(xiàn)出復(fù)雜的特性。因此，在手頭有硬件且測(cè)試方便的情況下， 實(shí)測(cè)是最準(zhǔn)確的性能評(píng)估方式 。

在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，如果有實(shí)測(cè)的條件，建議在模型迭代早期對(duì)性能也進(jìn)行測(cè)試。一些 NAS 的方法也會(huì)對(duì)搜索出來(lái)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行測(cè)速，或者干脆對(duì)硬件速度進(jìn)行了建模，也作為初期搜索的重要參數(shù)。這種方法設(shè)計(jì)出來(lái)的網(wǎng)絡(luò)在后期部署時(shí)，會(huì)極大減少因性能問(wèn)題迭代優(yōu)化的時(shí)間和人力開(kāi)銷。

這里我將討論影響模型在硬件上推理速度的一些因素，一方面希望可以幫助手動(dòng)/自動(dòng)設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)的同學(xué)更快的設(shè)計(jì)更高效的網(wǎng)絡(luò)結(jié)構(gòu)，另一方面希望當(dāng)模型部署時(shí)性能出現(xiàn)問(wèn)題時(shí)能夠?yàn)榇蠹姨峁┓治鲈虻乃悸贰?/p>

這一問(wèn)題我將從如下 3 個(gè)點(diǎn)進(jìn)行討論：

• 計(jì)算密度與 RoofLine 模型

• 計(jì)算密集型算子與訪存密集型算子

• 推理時(shí)間

1. 計(jì)算密度與 RoofLine 模型

計(jì)算密度是指一個(gè)程序在單位訪存量下所需的計(jì)算量，單位是 FLOPs/Byte。其計(jì)算公式很簡(jiǎn)單，很多教材、資料里也稱之為 計(jì)算訪存比 ，用于反映一個(gè)程序相對(duì)于訪存來(lái)說(shuō)計(jì)算的密集程度：

RoofLine 模型是一個(gè)用于評(píng)估程序在硬件上能達(dá)到的 性能上界 的模型，可用下圖表示：

RoofLine 模型

用公式描述：

當(dāng)程序的 計(jì)算密度I 較小時(shí)，程序訪存多而計(jì)算少，性能受內(nèi)存帶寬限制，稱為 訪存密集型 程序，即圖中橙色區(qū)域。在此區(qū)域的程序性能上界=計(jì)算密度×內(nèi)存帶寬，表現(xiàn)為圖中的斜線，其中斜率為內(nèi)存帶寬的大小。計(jì)算密度越大，程序所能達(dá)到的速度上界越高，但使用的內(nèi)存帶寬始終為最大值。

反之如果計(jì)算密度I較大，程序性能受 硬件最大計(jì)算峰值 （下文簡(jiǎn)稱為 算力 ）限制，稱為 計(jì)算密集 型程序，即圖中藍(lán)色區(qū)域。此時(shí)性能上界=硬件算力，表現(xiàn)為圖中的橫線。此時(shí)計(jì)算速度不受計(jì)算密度影響，但計(jì)算密度越大，所需內(nèi)存帶寬就越少。

在兩條線的交點(diǎn)處，計(jì)算速度和內(nèi)存帶寬同時(shí)到達(dá)最大值。

在不同設(shè)備上，同一個(gè)程序的性質(zhì)可能發(fā)生變化

在不同設(shè)備上，同一個(gè)程序的性質(zhì)可能發(fā)生變化。例如上圖中的程序2，在算力稍弱的設(shè)備2上屬于計(jì)算密集型程序，而在算力較強(qiáng)的設(shè)備1上就屬于訪存密集型程序了（感謝評(píng)論區(qū)指正）。如果想要充分發(fā)揮設(shè)備1的性能，應(yīng)當(dāng)適當(dāng)加大程序的計(jì)算密度（比如到程序3的位置）。

2. 計(jì)算密集型算子與訪存密集型算子

網(wǎng)絡(luò)中的算子可以根據(jù)計(jì)算密度進(jìn)行分類。一般來(lái)講， Conv、FC、Deconv 算子屬于計(jì)算密集型算子；ReLU、EltWise Add、Concat 等屬于訪存密集型算子。

同一個(gè)算子也會(huì)因參數(shù)的不同而導(dǎo)致計(jì)算密度變化，甚至改變性質(zhì)，比如在其他參數(shù)不變的前提下，增大 Conv 的 group，或者減小 Conv 的 input channel 都會(huì)減小計(jì)算密度。

舉個(gè)栗子，對(duì)于不同參數(shù)的卷積，計(jì)算密度如下：

可以看到，不同參數(shù)下卷積算子的計(jì)算密度有很大的差異。第 4 個(gè)算子 Depthwise Conv 計(jì)算密度僅有 2.346，在當(dāng)下的很多設(shè)備上都屬于訪存密集型算子。

算子的計(jì)算密度越大，約有可能提升硬件的計(jì)算效率，充分發(fā)揮硬件性能。我們以一個(gè) Intel X86 服務(wù)器平臺(tái)為例（10980 XE）。該平臺(tái) CPU 頻率為 4.5 GHz，我們以 16 核為例，其理論 FP32 算力為 4.608 TFLOPs/s，內(nèi)存帶寬理論值為 96 GB/s。在此平臺(tái)上的 RoofLine 模型為：

Intel 10980 XE 16 核 RoofLine 模型，以及各個(gè)算子的計(jì)算密度與性能

該平臺(tái)“拐點(diǎn)”的計(jì)算密度為 48，計(jì)算較為密集的 OP1 和 OP2 處在計(jì)算密集區(qū)，能夠達(dá)到平臺(tái)的算力峰值；而 OP3 和 OP4 處在訪存密集區(qū)，受內(nèi)存帶寬限制不能到達(dá)算力峰值，尤其是 OP4，由于計(jì)算訪存比過(guò)低，計(jì)算效率僅有可憐的 4.9%，計(jì)算效率并不高。

3. 推理時(shí)間

這里涉及到一個(gè) gap，很多部署的同學(xué)們更喜歡談“計(jì)算效率”，而實(shí)際上算法同學(xué)真正關(guān)心的點(diǎn)是“推理時(shí)間”，導(dǎo)致兩者在對(duì)接的時(shí)候經(jīng)常會(huì)出現(xiàn)一些 misleading。因此我這里單獨(dú)開(kāi)一節(jié)來(lái)探討一下“推理時(shí)間”的評(píng)估方法。

其實(shí)也很簡(jiǎn)單，按照 RoofLine 模型，我們很容易就能得到算子實(shí)際的執(zhí)行時(shí)間：

這是一個(gè)分段函數(shù)，拆開(kāi)來(lái)可得：

一句話總結(jié)： 對(duì)于訪存密集型算子，推理時(shí)間跟訪存量呈線性關(guān)系，而對(duì)于計(jì)算密集型算子，推理時(shí)間跟計(jì)算量呈線性關(guān)系 。

講到這里，我們就能 初步 回答本章一開(kāi)始的問(wèn)題了：按照 RoofLine 模型，在計(jì)算密集區(qū)，計(jì)算量越小，確實(shí)推理時(shí)間越小。但是在訪存密集區(qū)，計(jì)算量與推理時(shí)間沒(méi)關(guān)系，真正起作用的是訪存量，訪存量越小，推理的時(shí)間才越快。在全局上，計(jì)算量和推理時(shí)間并非具有線性關(guān)系。

上一節(jié)中，OP4 雖然計(jì)算效率很低，但由于訪存量也很低，因此其實(shí)推理速度還是快于其他幾個(gè) OP 的。但是我們可以觀察到，其計(jì)算量雖然只有 OP1 的 1/130，但是推理時(shí)間僅降低到了 1/6，兩者并非是線性關(guān)系（也是當(dāng)年我把模型減到 1/10 計(jì)算量，但其實(shí)沒(méi)快多少的原因）。

再舉兩個(gè)例子強(qiáng)化一下，首先看這兩個(gè)卷積，他們的計(jì)算量差不多，但是因?yàn)槎荚谠L存密集區(qū)，OP3 的訪存量遠(yuǎn)低于 OP5，其推理也更快：

下面這個(gè)栗子更明顯，OP5 和 OP6 的區(qū)別僅僅是一個(gè)是 DepthWise Conv，一個(gè)是普通 Conv，其他參數(shù)沒(méi)有變化。按照我們之前的直觀感受，Conv 換成 DepthWise Conv 應(yīng)該會(huì)更快，但實(shí)際上兩者的推理時(shí)間是差不多的（這組參數(shù)也是當(dāng)年我用過(guò)的【手動(dòng)捂臉）：

4. 小結(jié)

從上面的討論中我們可以看出： 計(jì)算量并不能單獨(dú)用來(lái)評(píng)估模型的推理時(shí)間，還必須結(jié)合硬件特性（算力&帶寬），以及訪存量來(lái)進(jìn)行綜合評(píng)估 。并非是計(jì)算量越低模型推理越快。 在評(píng)價(jià)模型大小時(shí)，也建議加上訪存量作為重要的評(píng)價(jià)指標(biāo) 。

需要強(qiáng)調(diào)的一點(diǎn)是，不同的硬件平臺(tái)峰值算力和內(nèi)存帶寬不同，導(dǎo)致同一個(gè)模型在平臺(tái) 1 上可能是計(jì)算密集的，在平臺(tái) 2 上可能就變成了訪存密集的。例如上文提到的 Intel X86 平臺(tái)，“拐點(diǎn)”值為 48，而 NVIDIA V100“拐點(diǎn)”值為 173.6，上文舉的例子在 V100 平臺(tái)上僅有 OP2 落在了計(jì)算密集區(qū)，剩下的全部是訪存密集的。因此， 同樣的模型在不同平臺(tái)上性質(zhì)可能會(huì)發(fā)生改變 ，需要具體情況具體分析。

我們很難給出一個(gè)通用性的結(jié)論，究其原因是 RoofLine 模型本身是一個(gè)非線性模型。這里必須要強(qiáng)調(diào)一點(diǎn)的是， 除了峰值算力和內(nèi)存帶寬之外，還有硬件限制、系統(tǒng)環(huán)境、軟件實(shí)現(xiàn)等諸多因素會(huì)影響程序的實(shí)際性能，使得其非線性特性更加嚴(yán)重。因此 RoofLine 模型僅僅只能提供一個(gè)性能上界的評(píng)估方式，并不代表能夠達(dá)到的實(shí)際性能。實(shí)際性能最準(zhǔn)確的測(cè)量方式只有真機(jī)實(shí)測(cè) 。

RoofLine 模型更重要的是提供了一種分析性能的思想，即計(jì)算密集型程序更多的受限于硬件算力，而訪存密集型程序更多的受限于硬件內(nèi)存帶寬。在理解這一點(diǎn)的基礎(chǔ)上設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)，并分析網(wǎng)絡(luò)的性能，將更有理論參考。不會(huì)再對(duì)”計(jì)算量減半，為啥推理時(shí)間沒(méi)變“這種問(wèn)題抱有疑問(wèn)了（說(shuō)的就是我【流淚）

下文將對(duì) RoofLine 模型的一些限制進(jìn)行討論，分析哪些因素將以何種方式影響程序，使得其到達(dá)不了 RoofLine 模型估計(jì)的性能上界。

（下文要開(kāi)始難度升級(jí)了，建議沒(méi)看懂 RoofLine 模型的同學(xué)們?cè)侔堰@一章看一遍，不然后面會(huì)看的有點(diǎn)懵）

三、影響模型推理性能的其他因素

RoofLine 模型可以用來(lái)評(píng)估程序的性能上界，但是實(shí)際能達(dá)到的性能還會(huì)受到硬件限制、系統(tǒng)環(huán)境、軟件實(shí)現(xiàn)等諸多因素的影響，距離性能上界有一定距離。本章將對(duì)這些影響因素進(jìn)行分析。

1. 硬件限制對(duì)性能上界的影響

前面 RoofLine 模型使用的峰值算力及內(nèi)存帶寬，是根據(jù)紙面數(shù)據(jù)計(jì)算得到的，是理論上的最大值。但在實(shí)際情況下， 硬件會(huì)因?yàn)榉N種原因，無(wú)法達(dá)到這個(gè)理論值。因此建議大家對(duì)硬件進(jìn)行micro-benchmark，以獲取硬件的真實(shí)性能上限 。

以上文的 Intel X86 CPU 為例，我們之前計(jì)算的 avx512 理論算力為 4.608 TFLOPs/s，但這個(gè)數(shù)值的前提是頻率能維持在 4.5 GHz。然而實(shí)際上在使用 16 核跑 avx512 指令時(shí)，CPU 頻率會(huì)下降到約 2.9 GHz，此時(shí)理論算力僅剩下 2.96 TFLOPs/s，而實(shí)測(cè)值僅有 2.86 TFLOPs/s。

除了頻率之外，有些芯片可能會(huì)因?yàn)橐恍┰O(shè)計(jì)上或?qū)崿F(xiàn)上的原因，導(dǎo)致在實(shí)際使用時(shí)達(dá)不到理論峰值。比如一些低端芯片不支持多發(fā)射、不支持亂序執(zhí)行、采用了阻塞式 Cache 等等，一些芯片甚至?xí)幸恍┬阅?bug，導(dǎo)致在實(shí)際使用時(shí)幾乎到達(dá)不了理論峰值（這里我個(gè)人傾向于把這些原因歸結(jié)為硬件限制帶來(lái)的損失）。

內(nèi)存同理，該平臺(tái)理論帶寬為 96GB/s，但實(shí)測(cè)下來(lái)最高讀帶寬僅有 74 GB/s，僅能到達(dá)理論帶寬的 77%。

我們可以得到修正后的 RoofLine 模型，圖中藍(lán)色填充部分反映了因?qū)嶋H算力和內(nèi)存帶寬達(dá)到不了理論值而造成的損失：

修正了實(shí)測(cè)峰值算力和內(nèi)存帶寬后的 RoofLine 模型，藍(lán)色填充部分為硬件限制帶來(lái)的損失

修正后的模型“拐點(diǎn)”發(fā)生了變化，因此算子的性質(zhì)也會(huì)發(fā)生變化。建議拿到硬件后對(duì)硬件進(jìn)行 micro-benchmark，這里推薦兩個(gè)測(cè)試工具：

一個(gè)是高叔叔寫(xiě)的浮點(diǎn)峰值測(cè)試方法的文章，最后有 github 鏈接，大家可以 clone 下來(lái)測(cè)試硬件峰值：

還有一個(gè)是 stream 測(cè)試工具，可以用于測(cè)試內(nèi)存帶寬：

2. 系統(tǒng)環(huán)境對(duì)性能的影響

除非程序運(yùn)行在裸機(jī)中，否則操作系統(tǒng)一定會(huì)對(duì)性能上界產(chǎn)生一定影響，比如操作系統(tǒng)在多核間的調(diào)度損失、操作系統(tǒng)的內(nèi)存管理帶來(lái)的損失、操作系統(tǒng)本身占用的運(yùn)算資源等等。

對(duì)于一般的深度學(xué)習(xí)推理任務(wù)而言，現(xiàn)代操作系統(tǒng)對(duì)性能的影響并不是特別明顯。但是在一些特殊情況下，也會(huì)帶來(lái)嚴(yán)重的性能損失。我這里將會(huì)舉兩個(gè)例子：

一個(gè)是 Android 系統(tǒng)在大小核上的調(diào)度，一旦程序在 CPU 上的占用率不足（比如是周期工作的任務(wù)），則有可能被 Android 調(diào)度到小核上，帶來(lái)性能損失。

另一個(gè)例子是內(nèi)存缺頁(yè)。在 Linux 系統(tǒng)上，當(dāng)向系統(tǒng)申請(qǐng)內(nèi)存頁(yè)后，系統(tǒng)只是返回了虛擬頁(yè)，等到程序?qū)嶋H使用虛擬頁(yè)時(shí)，才會(huì)通過(guò)觸發(fā)缺頁(yè)異常的方式，進(jìn)入操作系統(tǒng)內(nèi)核分配物理頁(yè)，這一過(guò)程會(huì)嚴(yán)重降低性能。

好在這些問(wèn)題可以通過(guò)軟件進(jìn)行一部分彌補(bǔ)，例如調(diào)度問(wèn)題可以使用綁核來(lái)解決，缺頁(yè)問(wèn)題可以通過(guò)綁定物理頁(yè)（需要內(nèi)核態(tài)）或內(nèi)存池來(lái)解決。因此操作系統(tǒng)帶來(lái)的影響是可控的。

除了操作系統(tǒng)帶來(lái)的影響，系統(tǒng)中運(yùn)行的其他進(jìn)程也會(huì)對(duì)當(dāng)前進(jìn)程造成影響。比如一個(gè)系統(tǒng)中運(yùn)行了多個(gè)深度學(xué)習(xí)實(shí)例，或者系統(tǒng)后臺(tái)一些 APP 自啟動(dòng)了等等。這些進(jìn)程都會(huì)占用核心算力和內(nèi)存帶寬，造成當(dāng)前進(jìn)程性能損失。

這往往會(huì)導(dǎo)致在工程測(cè)試環(huán)境下性能達(dá)標(biāo)的模型，在實(shí)際部署時(shí)性能下降。因此， 必須關(guān)注工程測(cè)試環(huán)境和實(shí)際部署系統(tǒng)環(huán)境的差異 。如有條件，最好在實(shí)際部署環(huán)境下進(jìn)行測(cè)試。

3. 軟件實(shí)現(xiàn)對(duì)性能的影響

除了硬件限制和系統(tǒng)環(huán)境外， 一個(gè)任務(wù)的軟件實(shí)現(xiàn)好壞對(duì)性能有著重大的影響 。

例如對(duì)于同樣的矩陣操作任務(wù)，使用 python 寫(xiě)的多重 for 循環(huán)，和用 numpy 高度優(yōu)化過(guò)的矩陣操作函數(shù)，性能可以差出 1~2 個(gè)數(shù)量級(jí)。

對(duì)于深度學(xué)習(xí)模型推理而言，推理框架對(duì)模型性能的影響主要體現(xiàn)在：是否充分利用了硬件的流水線資源、是否高效利用了硬件中的緩存、是否采用了時(shí)間復(fù)雜度更低的算法、是否解決了操作系統(tǒng)帶來(lái)的性能損失（如上文的調(diào)度問(wèn)題和內(nèi)存缺頁(yè)問(wèn)題）、是否進(jìn)行了正確高效的圖優(yōu)化等等。

由于影響因素很多，因此 軟件對(duì)性能的影響往往呈現(xiàn)出很強(qiáng)的非線性 ，導(dǎo)致在評(píng)估性能時(shí)很難給出一些普適性的結(jié)論， 很多時(shí)候只能具體情況具體分析 。（有的時(shí)候甚至有點(diǎn)玄學(xué)【捂臉）

例如同樣計(jì)算量的向量四則運(yùn)算和超越函數(shù)，后者往往會(huì)慢于前者的原因是很多硬件不支持超越函數(shù)的 SIMD 指令；再比如空洞卷積（dilated Conv）性能會(huì)弱于普通卷積的原因是前者對(duì)訪存的利用不如后者高效等等。

在軟件實(shí)現(xiàn)的影響下，RoofLine 模型的上界再次下降，達(dá)到圖中的紅線（真實(shí)的非線性可能會(huì)比我隨手畫(huà)的要復(fù)雜的多）：

RoofLine 模型各種性能損失示意圖，圖中曲線不代表真實(shí)比例

因此，在評(píng)估或分析深度學(xué)習(xí)推理性能時(shí)，簡(jiǎn)單的計(jì)算量/訪存量指標(biāo)是完全不夠的，只能做個(gè)性能上界參考。實(shí)際能達(dá)到的性能其實(shí)還要關(guān)注很多很多因素，例如算子的訪存模式、數(shù)據(jù)排布、是否能夠進(jìn)行圖融合、是否有精度可接受的低時(shí)間復(fù)雜度算法、算法并行度是否充足、各種運(yùn)算的比例等等因素。

這些因素對(duì)于算法同學(xué)而言可能過(guò)于復(fù)雜，并不需要掌握。但如果所在的公司/部門(mén)有交流的機(jī)會(huì)的話，可以跟部署/優(yōu)化的同學(xué)針對(duì)模型結(jié)構(gòu)和算子進(jìn)行探討，以獲取性能優(yōu)化的建議。

這里可以一些 一般性的結(jié)論 ，僅供參考：

• 對(duì)于一些訪存非常密集且訪存 pattern 連續(xù)的算子，如 Concat、Eltwise Sum、ReLU、LeakyReLU、ReflectionPad 等，在 Tensor 數(shù)據(jù)量很大的情況下，軟件實(shí)現(xiàn)的損失會(huì)非常小，正常情況下基本都能達(dá)到內(nèi)存帶寬實(shí)測(cè)上限；如果框架采用了融合策略的話，基本可以達(dá)到 0 開(kāi)銷。

• 對(duì)于 Conv/FC/Deconv 等算子，在計(jì)算密度很高的情況下，大多數(shù)框架是能夠很接近算力峰值的。但對(duì)于計(jì)算密度不是特別高的 case，不同框架的表現(xiàn)不一，需要實(shí)測(cè)才能確定。不過(guò)從大趨勢(shì)而言，都是計(jì)算密度越高，硬件的利用率越高的。

• 盡量使用常用的算子參數(shù)，例如 Conv 盡量使用 3x3_s1/s2，1x1___s1/s2 等，這些常用參數(shù)往往會(huì)被特殊優(yōu)化，性能更好。

4. 小結(jié)

RoofLine 模型僅能用于估計(jì)模型所能達(dá)到的性能上界，而實(shí)際部署時(shí)，還會(huì)受硬件限制、系統(tǒng)環(huán)境、軟件實(shí)現(xiàn)等因素的影響，導(dǎo)致無(wú)法達(dá)到 RoofLine 模型所定義的性能上界。

此外，由于這些因素往往會(huì)導(dǎo)致性能曲線有較強(qiáng)的非線性，理論分析和實(shí)測(cè)會(huì)有一定差距，有時(shí)這些因素會(huì)嚴(yán)重影響性能曲線，甚至?xí)?dǎo)致算子的性質(zhì)發(fā)生變化。因此本節(jié)討論的內(nèi)容只是提供一些分析的思路與技巧， 實(shí)測(cè)始終是最準(zhǔn)確的性能評(píng)估方式 。

四、面向推理速度的模型設(shè)計(jì)建議

前面討論了一大堆，其實(shí)最實(shí)用的還是“怎么設(shè)計(jì)模型能夠達(dá)到更快的推理速度”。

在給出我的個(gè)人建議之前，首先要先聲明的是：由于不同硬件、不同環(huán)境、不同框架的差異會(huì)很大，這些建議可能并不是在所有條件下都適用。在設(shè)計(jì)算法或性能測(cè)試遇到疑問(wèn)時(shí)，建議咨詢部署/優(yōu)化的同學(xué)。

好了，廢話不多說(shuō)（其實(shí)已經(jīng)說(shuō)了很多了），給出我的一些個(gè)人建議：

方法論建議：

• 了解目標(biāo)硬件的峰值算力和內(nèi)存帶寬，最好是實(shí)測(cè)值，用于指導(dǎo)網(wǎng)絡(luò)設(shè)計(jì)和算子參數(shù)選擇。

• 明確測(cè)試環(huán)境和實(shí)際部署環(huán)境的差異，最好能夠在實(shí)際部署環(huán)境下測(cè)試性能，或者在測(cè)試環(huán)境下模擬實(shí)際部署環(huán)境。

• 針對(duì)不同的硬件平臺(tái)，可以設(shè)計(jì)不同計(jì)算密度的網(wǎng)絡(luò)，以在各個(gè)平臺(tái)上充分發(fā)揮硬件計(jì)算能力（雖然工作量可能會(huì)翻好幾倍【捂臉）。

• 除了使用計(jì)算量來(lái)表示/對(duì)比模型大小外，建議引入訪存量、特定平臺(tái)執(zhí)行時(shí)間，來(lái)綜合反映模型大小。

• 實(shí)測(cè)是最準(zhǔn)確的性能評(píng)估方式，如果有條件快速實(shí)測(cè)的話，建議以實(shí)測(cè)與理論分析相結(jié)合的方式設(shè)計(jì)并迭代網(wǎng)絡(luò)。

• 遇到性能問(wèn)題時(shí)，可以逐層 profiling，并與部署/優(yōu)化同學(xué)保持緊密溝通，具體問(wèn)題具體分析（適當(dāng)了解一下計(jì)算相關(guān)理論的話，可以更高效的溝通）。

網(wǎng)絡(luò)設(shè)計(jì)建議：

• 對(duì)于低算力平臺(tái)（CPU、低端 GPU 等），模型很容易受限于硬件計(jì)算能力，因此可以采用計(jì)算量低的網(wǎng)絡(luò)來(lái)降低推理時(shí)間。

• 對(duì)于高算力平臺(tái)（GPU、DSP 等），一味降低計(jì)算量來(lái)降低推理時(shí)間就并不可取了，往往更需要關(guān)注訪存量。單純降低計(jì)算量，很容易導(dǎo)致網(wǎng)絡(luò)落到硬件的訪存密集區(qū)，導(dǎo)致推理時(shí)間與計(jì)算量不成線性關(guān)系，反而跟訪存量呈強(qiáng)相關(guān)（而這類硬件往往內(nèi)存弱于計(jì)算）。相對(duì)于低計(jì)算密度網(wǎng)絡(luò)而言，高計(jì)算密度網(wǎng)絡(luò)有可能因?yàn)橛布矢撸臅r(shí)不變乃至于更短。

• 面向推理性能設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí)，盡量采用經(jīng)典結(jié)構(gòu)，大部分框架會(huì)對(duì)這類結(jié)構(gòu)進(jìn)行圖優(yōu)化，能夠有效減少計(jì)算量與訪存量。例如 Conv->BN->ReLU 就會(huì)融合成一個(gè)算子，但 Conv->ReLU->BN 就無(wú)法直接融合 BN 層

• 算子的參數(shù)盡量使用常用配置，如 Conv 盡量使用 3x3_s1/s2、1x1___s1/s2 等，軟件會(huì)對(duì)這些特殊參數(shù)做特殊優(yōu)化。

• CNN 網(wǎng)絡(luò) channel 數(shù)盡量選擇 4/8/16/32 的冪次，很多框架的很多算子實(shí)現(xiàn)在這樣的 channel 數(shù)下效果更好（具體用多少不同平臺(tái)不同框架不太一樣）。

• 框架除了計(jì)算耗時(shí)外，也處理網(wǎng)絡(luò)拓?fù)洹?nèi)存池、線程池等開(kāi)銷，這些開(kāi)銷跟網(wǎng)絡(luò)層數(shù)成正比。因此相比于“大而淺”的網(wǎng)絡(luò)，“小而深”的網(wǎng)絡(luò)這部分開(kāi)銷更大。一般情況下這部分開(kāi)銷占比不大。但在網(wǎng)絡(luò)算子非常碎、層數(shù)非常多的時(shí)候，這部分開(kāi)銷有可能會(huì)影響多線程的擴(kuò)展性，乃至于成為不可忽視的耗時(shí)因素。

一些其他建議：

• 除了優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、推理框架性能外，還可以考慮通過(guò)一些其他工程技巧來(lái)提升系統(tǒng)整體的性能。例如：對(duì)推理服務(wù)流水化，并行數(shù)據(jù)讀取與計(jì)算的過(guò)程，掩蓋 IO 延時(shí)。

本文介紹了評(píng)估模型大小的四個(gè)常用指標(biāo)——計(jì)算量、參數(shù)量、訪存量、內(nèi)存占用，從 RoofLine 模型入手詳細(xì)討論了影響模型推理速度的影響因素，并給出了面向推理速度的模型設(shè)計(jì)方法論與建議。

撰寫(xiě)本文的目的，不僅僅是給算法同學(xué)提供有效的網(wǎng)絡(luò)設(shè)計(jì)建議，更多的還是希望能夠傳達(dá)性能優(yōu)化的基礎(chǔ)知識(shí)與分析思路，減少算法設(shè)計(jì)到部署之間的 gap，更快速高效的設(shè)計(jì)推理友好的網(wǎng)絡(luò)模型。希望能對(duì)大家的工作有所幫助。

由于本人知識(shí)水平有限，如有錯(cuò)誤和不詳盡的地方，望大家不吝指出，非常歡迎大家在評(píng)論區(qū)留言探討。