使用Paddle-TensorRT库预测

NVIDIA TensorRT 是一个高性能的深度学习预测库,可为深度学习推理应用程序提供低延迟和高吞吐量。PaddlePaddle 采用子图的形式对TensorRT进行了集成,即我们可以使用该模块来提升Paddle模型的预测性能。该模块依旧在持续开发中,目前支持的模型如下表所示:

分类模型 检测模型 分割模型
mobilenetv1 yolov3 ICNET
resnet50 SSD
vgg16 mask-rcnn
resnext faster-rcnn
AlexNet cascade-rcnn
Se-ResNext retinanet
GoogLeNet mobilenet-SSD
DPN

在这篇文档中,我们将会对Paddle-TensorRT库的获取、使用和原理进行介绍。

Note:

  1. 从源码编译时,TensorRT预测库目前仅支持使用GPU编译,且需要设置编译选项TENSORRT_ROOT为TensorRT所在的路径。

  2. Windows支持需要TensorRT 版本5.0以上。

  3. Paddle-TRT目前仅支持固定输入shape。

  4. 若使用用户自行安装的TensorRT,需要手动在NvInfer.h文件中为class IPluginFactoryclass IGpuAllocator分别添加虚析构函数:

    virtual ~IPluginFactory() {};
    virtual ~IGpuAllocator() {};
    

Paddle-TRT使用介绍

在使用AnalysisPredictor时,我们通过配置AnalysisConfig中的接口

config->EnableTensorRtEngine(1 << 20      /* workspace_size*/,   
                        batch_size        /* max_batch_size*/,     
                        3                 /* min_subgraph_size*/, 
                        AnalysisConfig::Precision::kFloat32 /* precision*/, 
                        false             /* use_static*/, 
                        false             /* use_calib_mode*/);

的方式来指定使用Paddle-TRT子图方式来运行。 该接口中的参数的详细介绍如下:

  • workspace_size,类型:int,默认值为1 << 20。指定TensorRT使用的工作空间大小,TensorRT会在该大小限制下筛选合适的kernel执行预测运算。
  • max_batch_size,类型:int,默认值为1。需要提前设置最大的batch大小,运行时batch大小不得超过此限定值。
  • min_subgraph_size,类型:int,默认值为3。Paddle-TRT是以子图的形式运行,为了避免性能损失,当子图内部节点个数大于min_subgraph_size的时候,才会使用Paddle-TRT运行。
  • precision,类型:enum class Precision {kFloat32 = 0, kHalf, kInt8,};, 默认值为AnalysisConfig::Precision::kFloat32。指定使用TRT的精度,支持FP32(kFloat32),FP16(kHalf),Int8(kInt8)。若需要使用Paddle-TRT int8离线量化校准,需设定precisionAnalysisConfig::Precision::kInt8, 且设置use_calib_mode 为true。
  • use_static,类型:bool, 默认值为false。如果指定为true,在初次运行程序的时候会将TRT的优化信息进行序列化到磁盘上,下次运行时直接加载优化的序列化信息而不需要重新生成。
  • use_calib_mode,类型:bool, 默认值为false。若要运行Paddle-TRT int8离线量化校准,需要将此选项设置为true。

Note: Paddle-TRT目前只支持固定shape的输入,不支持变化shape的输入。

Paddle-TRT样例编译测试

  1. 下载或编译带有 TensorRT 的paddle预测库,参考安装与编译C++预测库

  2. 下载预测样例并解压,进入sample/paddle-TRT目录下。

    paddle-TRT 文件夹目录结构如下:

    paddle-TRT
    ├── CMakeLists.txt
    ├── mobilenet_test.cc
    ├── fluid_generate_calib_test.cc
    ├── fluid_int8_test.cc
    ├── mobilenetv1
    │   ├── model
    │   └── params
    ├── run.sh
    └── run_impl.sh
    
    • mobilenet_test.cc 为使用paddle-TRT预测的C++源文件
    • fluid_generate_calib_test.cc 为使用TRT int8离线量化校准的C++源文件
    • fluid_int8_test.cc 为使用TRT执行int8预测的C++源文件
    • mobilenetv1 为模型文件夹
    • run.sh 为预测运行脚本文件

    在这里假设样例所在的目录为 SAMPLE_BASE_DIR/sample/paddle-TRT

  3. 配置编译与运行脚本

    编译运行预测样例之前,需要根据运行环境配置编译与运行脚本run.shrun.sh的选项与路径配置的部分如下:

    # 设置是否开启MKL、GPU、TensorRT,如果要使用TensorRT,必须打开GPU
    WITH_MKL=ON
    WITH_GPU=ON
    USE_TENSORRT=ON
    
    # 按照运行环境设置预测库路径、CUDA库路径、CUDNN库路径、模型路径
    LIB_DIR=YOUR_LIB_DIR
    CUDA_LIB_DIR=YOUR_CUDA_LIB_DIR
    CUDNN_LIB_DIR=YOUR_CUDNN_LIB_DIR
    MODEL_DIR=YOUR_MODEL_DIR
    

    按照实际运行环境配置run.sh中的选项开关和所需lib路径。

  4. 编译与运行样例

    sh run.sh
    

Paddle-TRT INT8使用

  1. Paddle-TRT INT8 简介
    神经网络的参数在一定程度上是冗余的,在很多任务上,我们可以在保证模型精度的前提下,将Float32的模型转换成Int8的模型。目前,Paddle-TRT支持离线将预训练好的Float32模型转换成Int8的模型,具体的流程如下:

    1. 生成校准表(Calibration table):我们准备500张左右的真实输入数据,并将数据输入到模型中去,Paddle-TRT会统计模型中每个op输入和输出值的范围信息,并将其记录到校准表中,这些信息有效减少了模型转换时的信息损失。
    2. 生成校准表后,再次运行模型,Paddle-TRT会自动加载校准表,并进行INT8模式下的预测。
  2. 编译测试INT8样例 将run.sh文件中的mobilenet_test改为fluid_generate_calib_test,运行

    sh run.sh  
    

    即可执行生成校准表样例,在该样例中,我们随机生成了500个输入来模拟这一过程,在实际业务中,建议大家使用真实样例。运行结束后,在 SAMPLE_BASE_DIR/sample/paddle-TRT/build/mobilenetv1/_opt_cache 模型目录下会多出一个名字为trt_calib_*的文件,即校准表。

    生成校准表后,将带校准表的模型文件拷贝到特定地址

    cp -rf SAMPLE_BASE_DIR/sample/paddle-TRT/build/mobilenetv1/ SAMPLE_BASE_DIR/sample/paddle-TRT/mobilenetv1_calib  
    

    run.sh文件中的fluid_generate_calib_test改为fluid_int8_test,将模型路径改为SAMPLE_BASE_DIR/sample/paddle-TRT/mobilenetv1_calib,运行

    sh run.sh  
    

    即可执行int8预测样例。

Paddle-TRT子图运行原理

PaddlePaddle采用子图的形式对TensorRT进行集成,当模型加载后,神经网络可以表示为由变量和运算节点组成的计算图。Paddle TensorRT实现的功能是对整个图进行扫描,发现图中可以使用TensorRT优化的子图,并使用TensorRT节点替换它们。在模型的推断期间,如果遇到TensorRT节点,Paddle会调用TensorRT库对该节点进行优化,其他的节点调用Paddle的原生实现。TensorRT在推断期间能够进行Op的横向和纵向融合,过滤掉冗余的Op,并对特定平台下的特定的Op选择合适的kernel等进行优化,能够加快模型的预测速度。

下图使用一个简单的模型展示了这个过程:

原始网络

转换的网络

我们可以在原始模型网络中看到,绿色节点表示可以被TensorRT支持的节点,红色节点表示网络中的变量,黄色表示Paddle只能被Paddle原生实现执行的节点。那些在原始网络中的绿色节点被提取出来汇集成子图,并由一个TensorRT节点代替,成为转换后网络中的block-25 节点。在网络运行过程中,如果遇到该节点,Paddle将调用TensorRT库来对其执行。

Paddle-TRT性能测试

测试环境

  • CPU:Intel(R) Xeon(R) Gold 5117 CPU @ 2.00GHz GPU:Tesla P4
  • TensorRT4.0, CUDA8.0, CUDNNV7
  • 测试模型 ResNet50,MobileNet,ResNet101, Inception V3.

测试对象

PaddlePaddle, Pytorch, Tensorflow

  • 在测试中,PaddlePaddle使用子图优化的方式集成了TensorRT, 模型地址
  • Pytorch使用了原生的实现, 模型地址1地址2
  • 对TensorFlow测试包括了对TF的原生的测试,和对TF—TRT的测试,对TF—TRT的测试并没有达到预期的效果,后期会对其进行补充, 模型地址

ResNet50

batch_size PaddlePaddle(ms) Pytorch(ms) TensorFlow(ms)
1 4.64117 16.3 10.878
5 6.90622 22.9 20.62
10 7.9758 40.6 34.36

MobileNet

batch_size PaddlePaddle(ms) Pytorch(ms) TensorFlow(ms)
1 1.7541 7.8 2.72
5 3.04666 7.8 3.19
10 4.19478 14.47 4.25

ResNet101

batch_size PaddlePaddle(ms) Pytorch(ms) TensorFlow(ms)
1 8.95767 22.48 18.78
5 12.9811 33.88 34.84
10 14.1463 61.97 57.94

Inception v3

batch_size PaddlePaddle(ms) Pytorch(ms) TensorFlow(ms)
1 15.1613 24.2 19.1
5 18.5373 34.8 27.2
10 19.2781 54.8 36.7