点击小眼睛开启蜘蛛网特效

一步一步解读神经网络编译器TVM(一)——一个简单的例子

《一步一步解读神经网络编译器TVM(一)——一个简单的例子》

前言

这是一个TVM教程系列,计划从TVM的使用说明,再到TVM的内部源码,为大家大致解析一下TVM的基本工作原理。因为TVM的中文资料比较少,也希望贡献一下自己的力量,如有描述方面的错误,请及时指出。

那啥是TVM?

《一步一步解读神经网络编译器TVM(一)——一个简单的例子》

简单来说,TVM可以称为许多工具集的集合,其中这些工具可以组合起来使用,来实现我们的一些神经网络的加速和部署功能。这也是为什么叫做TVM Stack了。TVM的使用途径很广,几乎可以支持市面上大部分的神经网络权重框架(ONNX、TF、Caffe2等),也几乎可以部署在任何的平台,例如Windows、Linux、Mac、ARM等等。

以下面一张图来形容一下,这张图来源于(https://tvm.ai/about):

《一步一步解读神经网络编译器TVM(一)——一个简单的例子》

乍看这么多感觉非常地复杂,但我们只需要知道TVM的核心功能就可以:TVM可以优化的训练好的模型,并将你的模型打包好,然后你可以将这个优化好的模型放在任何平台去运行,可以说是与落地应用息息相关。

TVM包含的东西和知识概念都有很多,不仅有神经网络优化量化op融合等一系列步骤,还有其他更多细节技术的支持(Halide、LLVM),从而使TVM拥有很强大的功能…好了废话不说了,再说就憋不出来了,如果想多了解TVM的可以在知乎上直接搜索TVM关键字,那些大佬有很多关于TVM的介绍文章,大家可以去看看。

其实做模型优化这一步骤的库已经出现很多了,不论是Nvidia自家的TensorRT还是Pytorch自家的torch.jit模块,都在做一些模型优化的工作,这里就不多说了,感兴趣的可以看看以下文章:

利用Pytorch的C++前端(libtorch)读取预训练权重并进行预测
利用TensorRT实现神经网络提速(读取ONNX模型并运行)
利用TensorRT对深度学习进行加速

开始使用

说到这里了,感觉有必要说下:我们为什么要使用TVM

如果你想将你的训练模型移植到Window端、ARM端(树莓派、其他一系列使用该内核的板卡)或者其他的一些平台,利用其中的CPU或者GPU来运行,并且希望可以通过优化模型来使模型在该平台运算的速度更快(这里与模型本身的算法设计无关),实现落地应用研究,那么TVM就是你的不二之选。另外TVM源码是由C++和Pythoh共同搭建,阅读相关源码也有利于我们程序编写方面的提升。

安装

安装其实没什么多说的,官方的例子说明的很详细。大家移步到那里按照官方的步骤一步一步来即可。

不过有两点需要注意下:

  • 建议安装LLVM,虽然LLVM对于TVM是可选项,但是如果我们想要部署到CPU端,那么llvm几乎是必须的
  • 因为TVM是python和C++一起的工程,python可以说是C++的前端,安装官方教程编译好C++端后,这里建议选择官方中的Method 1来进行python端的设置,这样我们就可以随意修改源代码,再重新编译,而Python端就不需要进行任何修改就可以直接使用了。

《一步一步解读神经网络编译器TVM(一)——一个简单的例子》
(官方建议使用Method 1)

利用Pytorch导出Onnx模型

说了这么多,演示一个例子才能更好地理解TVM到底是做什么的,所以我们这里以一个简单的例子来演示一下TVM是怎么使用的。

首先我们要做的是,得到一个已经训练好的模型,这里我选择这个github仓库中的mobilenet-v2,model代码和在ImageNet上训练好的权重都已经提供。好,我们将github中的模型代码移植到本地,然后调用并加载已经训练好的权重:

import torch
import time
from models.MobileNetv2 import mobilenetv2  

model = mobilenetv2(pretrained=True)
example = torch.rand(1, 3, 224, 224)   # 假想输入

with torch.no_grad():
    model.eval()
    since = time.time()
    for i in range(10000):
        model(example)
    time_elapsed = time.time() - since
    print('Time elapsed is {:.0f}m {:.0f}s'.
          format(time_elapsed // 60, time_elapsed % 60))  # 打印出来时间

这里我们加载训练好的模型权重,并设定了输入,在python端连续运行了10000次,这里我们所花的时间为:6m2s。

然后我们将Pytorch模型导出为ONNX模型:

import torch
from models.MobileNetv2 import mobilenetv2  

model = mobilenetv2(pretrained=True)
example = torch.rand(1, 3, 224, 224)   # 假想输入

torch_out = torch.onnx.export(model,
                              example,
                              "mobilenetv2.onnx",
                              verbose=True,
                              export_params=True   # 带参数输出
                              )

这样我们就得到了mobilenetv2.onnx这个onnx格式的模型权重。注意这里我们要带参数输出,因为我们之后要直接读取ONNX模型进行预测。

导出来之后,建议使用Netron来查看我们模型的结构,可以看到这个模型由Pytorch-1.0.1导出,共有152个op,以及输入id和输入格式等等信息,我们可以拖动鼠标查看到更详细的信息:

《一步一步解读神经网络编译器TVM(一)——一个简单的例子》

好了,至此我们的mobilenet-v2模型已经顺利导出了。

利用TVM读取并预测ONNX模型

在我们成功编译并且可以在Python端正常引用TVM后,我们首先导入我们的onnx格式的模型。这里我们准备了一张飞机的图像:

《一步一步解读神经网络编译器TVM(一)——一个简单的例子》

这个图像在ImageNet分类中属于404: 'airliner',也就是航空客机。

下面我们将利用TVM部署onnx模型并对这张图像进行预测。

import onnx
import time
import tvm
import numpy as np
import tvm.relay as relay
from PIL import Image

onnx_model = onnx.load('mobilenetv2.onnx')  # 导入模型

mean = [123., 117., 104.]                   # 在ImageNet上训练数据集的mean和std
std = [58.395, 57.12, 57.375]


def transform_image(image):                # 定义转化函数,将PIL格式的图像转化为格式维度的numpy格式数组
    image = image - np.array(mean)
    image /= np.array(std)
    image = np.array(image).transpose((2, 0, 1))
    image = image[np.newaxis, :].astype('float32')
    return image

img = Image.open('../datasets/images/plane.jpg').resize((224, 224)) # 这里我们将图像resize为特定大小
x = transform_image(img)

这样我们得到的x[1,3,224,224]维度的ndarray。这个符合NCHW格式标准,也是我们通用的张量格式。

接下来我们设置目标端口llvm,也就是部署到CPU端,而这里我们使用的是TVM中的Relay IR,这个IR简单来说就是可以读取我们的模型并按照模型的顺序搭建出一个可以执行的计算图出来,当然,我们可以对这个计算图进行一系列优化。(现在TVM主推Relay而不是NNVM,Relay可以称为二代NNVM)。

target = 'llvm'

input_name = '0'  # 注意这里为之前导出onnx模型中的模型的输入id,这里为0
shape_dict = {input_name: x.shape}
# 利用Relay中的onnx前端读取我们导出的onnx模型
sym, params = relay.frontend.from_onnx(onnx_model, shape_dict)

上述代码中导出的symparams是我们接下来要使用的核心的东西,其中params就是导出模型中的权重信息,在python中用dic表示:

《一步一步解读神经网络编译器TVM(一)——一个简单的例子》

sym就是表示计算图结构的功能函数,这个函数中包含了计算图的流动过程,以及一些计算中需要的各种参数信息,Relay IR之后对网络进行优化就是主要对这个sym进行优化的过程:

fn (%v0: Tensor[(1, 3, 224, 224), float32],
    %v1: Tensor[(32, 3, 3, 3), float32],
    %v2: Tensor[(32,), float32],
    %v3: Tensor[(32,), float32],
    %v4: Tensor[(32,), float32],
    %v5: Tensor[(32,), float32],
    ...
    %v307: Tensor[(1280, 320, 1, 1), float32],
    %v308: Tensor[(1280,), float32],
    %v309: Tensor[(1280,), float32],
    %v310: Tensor[(1280,), float32],
    %v311: Tensor[(1280,), float32],
    %v313: Tensor[(1000, 1280), float32],
    %v314: Tensor[(1000,), float32]) {
  %0 = nn.conv2d(%v0, %v1, strides=[2, 2], padding=[1, 1], kernel_size=[3, 3])
  %1 = nn.batch_norm(%0, %v2, %v3, %v4, %v5, epsilon=1e-05)
  %2 = %1.0
  %3 = clip(%2, a_min=0, a_max=6)
  %4 = nn.conv2d(%3, %v7, padding=[1, 1], groups=32, kernel_size=[3, 3])
  ...
  %200 = clip(%199, a_min=0, a_max=6)
  %201 = mean(%200, axis=[3])
  %202 = mean(%201, axis=[2])
  %203 = nn.batch_flatten(%202)
  %204 = multiply(1f, %203)
  %205 = nn.dense(%204, %v313, units=1000)
  %206 = multiply(1f, %v314)
  %207 = nn.bias_add(%205, %206)
  %207
}

好了,接下来我们需要对这个计算图模型进行优化,这里我们选择优化的等级为3:

with relay.build_config(opt_level=3):
    intrp = relay.build_module.create_executor('graph', sym, tvm.cpu(0), target)

dtype = 'float32'
func = intrp.evaluate(sym)

最后我们得到可以直接运行的func

其中优化的等级分这几种:

OPT_PASS_LEVEL = {
    "SimplifyInference": 0,
    "OpFusion": 1,
    "FoldConstant": 2,
    "CombineParallelConv2D": 3,
    "FoldScaleAxis": 3,
    "AlterOpLayout": 3,
    "CanonicalizeOps": 3,
}

最后,我们将之前已经转化格式后的图像x数组和模型的参数输入到这个func中,并且返回这个输出数组中的最大值

output = func(tvm.nd.array(x.astype(dtype)), **params).asnumpy()
print(output.argmax())

这里我们得到的输出为404,与前文描述图像在ImageNet中的分类标记一致,说明我们的TVM正确读取onnx模型并将其应用于预测阶段。

我们另外单独测试一下模型优化后运行的速度和之前直接利用pytorch运行速度之间比较一下,可以发现最后的运行时间为:3m20s,相较之前的6m2s快了将近一倍。

since = time.time()
for i in range(10000):
    output = func(tvm.nd.array(x.astype(dtype)), **params).asnumpy()
time_elapsed = time.time() - since
print('Time elapsed is {:.0f}m {:.0f}s'.
      format(time_elapsed // 60, time_elapsed % 60))  # 打印出来时间

当然,这个比较并不是很规范,不过我们可以大概分析出TVM的一些可用之处了。

后记

这一篇仅仅是带大家了解一下什么是TVM以及一个简单例子的使用,在接下来的文章中会涉及到部分TVM设计结构和源码的解析。可能涉及到的知识点有:

  • 简单编译器原理
  • C++特殊语法以及模板元编程
  • 神经网络模型优化过程
  • 代码部署

等等,随时可能会进行变化。

人工智能已经开始进入嵌入式时代,各式各样的AI芯片即将初始,将复杂的网络模型运行在廉价低功耗的板子上可能也不再是遥不可及的幻想,不知道未来会是怎么样,但TVM这个框架已经开始走了一小步。

《一步一步解读神经网络编译器TVM(一)——一个简单的例子》

  点赞
本篇文章采用 署名-非商业性使用-禁止演绎 4.0 国际 进行许可
转载请务必注明来源: https://oldpan.me/archives/the-first-step-towards-tvm-1

   关注Oldpan博客微信公众号,你最需要的及时推送给你。


  1. 说道:

    作者你好,可以问您一下,您觉得onnx的ir和tvm的ir在算子集和数据结构上有什么差异呢,他们两个ir是同一个ir嘛

    1. O
      Oldpan说道:

      我觉得不一样呀,或许有相似的地方。onnx的ir是为了将各种框架的常用算子打散成一个个小的算子ir方便转化成其他的模型。tvm的ir(relay-ir)是为了更深入的优化而定制的单位算子,很抽象,只能自己使用。你可以看看tvm的前端解释器是怎么解释onnx模型的。

      1. 说道:

        感谢回答!

  2. a
    aiblackman说道:

    老哥,我在按照你的流程将torch模型保存为onnx,然后再在tvm里面使用relay.frontend.from_onnx来导出onnx模型时,报了一个“Process finished with exit code 139 (interrupted by signal 11: SIGSEGV)”,老哥对这个错误有啥建议么?感谢!

    1. O
      Oldpan说道:

      这个错误debug一下吧,出现的原因太多了...试试 https://discuss.tvm.ai/t/python-debugger-segfaults-with-tvm/843/2

  3. N
    NJ说道:

    最近TVM有对torch直接转tvm的支持,博主有测试过**pytorch->tvm**和 **pytorch->onnx->tvm**两条路径的同一个模型的速度区别吗?

    1. O
      Oldpan说道:

      米有进行过测试,两种转换方式差别可能在于一些op支持程度和差异吧,模型速度和这个关系不是很大

  4. 芳菲菲兮满堂说道:

    ~/util/tvm/python/tvm/relay/frontend/onnx.py in from_onnx(self, graph, opset)
    1740 tshape = self._shape[i_name]
    1741 else:
    -> 1742 raise ValueError("Must provide an input shape for `{0}`.".format(i_name))
    1743 if isinstance(self._dtype, dict):
    1744 dtype = self._dtype[i_name] if i_name in self._dtype else d_type

    ValueError: Must provide an input shape for `input.1`.

    为什么我运行到这里就报错了呢

    1. O
      Oldpan说道:

      这个报错的原因很明显么,你代码里有写input_shape吗

    2. k
      kg说道:

      这个错误我也遇到了,要把input_name = '0'改为input_name = 'input.1';
      作者在这句之后中的注释写了:“这里为之前导出onnx模型中的模型的输入id”

      1. k
        kg说道:

        模型的输入id可能不同,这里报错是因为输入id为 input.1 如下图
        https://img2020.cnblogs.com/blog/1776985/202004/1776985-20200414173256897-1893275824.jpg

  5. a
    abc说道:

    楼主您好,运行您的代码报错如下,能告知如何修改吗,谢谢。
    TVMError: Check failed: ObjectTypeChecker: :Check(ptr): Expected type relay.Expr but get relay.Module

    1. 随便说道:

      您好,我也遇到相同的问题,请问您解决了吗,还望回复,谢谢

      1. 科学小怪人说道:

        请问您这个问题解决了吗,麻烦告知,qq920883182

  6. S
    Scarlett说道:

    WARNING:autotvm:Cannot find config for target=llvm的warning

    源码安装的tvm
    llvm的版本是8.0
    Linux 平台 优化等级是3

  7. d
    dlam说道:

    博主你好 我最近在尝试部署pytorch训练的ssd模型 我看到你的github上有相关实现 我尝试了之后发现报错 错误出在torch.cat生成的onnx不能转成tvm的图 在tvm论坛上https://discuss.tvm.ai/t/relay-onnx-load-resnet-onnx-to-relay-failed/2411发现这个问题一直没有被解决 所以想请教一下博主是怎样解决这个问题的

    1. O
      Oldpan说道:

      这个问题是concat的时候类型不一致导致的,是Halide中的IR的类型判断导致的,最直接的方法就是把类型判断的的相关代码注释掉重新编译,可以通过错误信息找到出错的代码。

  8. z
    zacario说道:

    或者这么说吧,我无论target设置成'llvm'还是cuda,重新计时了一次,平均耗时都是0.038s左右一张图。当我选择cuda的时候,也确实看到GPU被占用了,然而速度跟cpu一模一样,不清楚为什么。

  9. z
    zacario说道:

    帅哥,我用 onnx官方github提供的mobilenetv2的onnx模型,跑你这个代码,平均耗时0.23s,慢的离谱,然后还提示一堆Warning,autotvm::Cannot find config for target=llvm, workload=...,看起来像是我这里所有的层它都没有支持一样,太慢了。你大概知道什么原因不?

    1. O
      Oldpan说道:

      这么慢?是正常安装的吗?llvm什么版本,什么平台?优化等级是多少,还有那个警告不是层不支持,是当前默认的计算参数设置不是最佳设置可能会影响速度。

      1. z
        zacario说道:

        build_model的时候,都是提示一大堆WARNING:autotvm:Cannot find config for target=cuda...,看起来每一层,他都给我报了这个Warning,然后我得到的结果就是很慢,慢的不可思议。

      2. z
        zacario说道:

        找到了解决方案,虽然不是root cause。 不能使用官方教程中的create_executor,要使用graph_runtime,这样就可以了。

        1. S
          Scarlett说道:

          你好,可以详细说一下解决方案吗
          使用graph_runtime的话 不是使用了nnvm吗 就没有使用relay了吧? 刚接触,不是很懂
          运行了楼主的例子 就报了很多 WARNING:autotvm:Cannot find config for target=llvm的warning 一点都没有优化
          感谢

  10. b
    burning说道:

    最近刚刚开始学习深度学习相关的东西 ,想请问下博主 运行relay.frontend.from_XX得出的sym就是relay图吗?我感觉其中算子的定义跟tensorflow很像 所以TVM是把所有深度学习框架中的算子都变成类似tensorflow中的形式了吗?
    感谢回答!!

    1. O
      Oldpan说道:

      是有点像,因为TVM定义的是静态图,可以优化的静态图,跟TF有一定的相似性,另外sym是已经解析后的relay计算图,是可以优化的计算图。

      1. b
        burning说道:

        谢谢博主!再请教一下,那文章中relay前端生成的sym,他的数据结构是在哪里定义的呢?因为比如conv2D算子,会有很多输入的参数,这些数据是怎么集合的呢?

  11. 小菜鸡说道:

    博主,能推荐一下优化等级的介绍文档吗?

    1. O
      Oldpan说道:

      这个优化等级官方没有介绍,只能自己看源码了

  12. 烟火说道:

    请问中间那个sym和params是怎么导出的,我运行之后好像没有

    1. O
      Oldpan说道:

      这两个是通过TVM的ONNX前端读入模型导出的,只要这句运行了就有,没有具体是指?

      1. 烟火说道:

        可以直接print出sym和params吗?还有前辈我想问一下那个模型搭建的计算图可以提取出来吗(人为看懂的形式) :redface:

        1. O
          Oldpan说道:

          你可以打印出sym但param不可以,运行程序中debug一下

      2. f
        frank说道:

        帅哥,这个错误,你知道什么原因吗? TVMError: Check failed: ObjectTypeChecker: :Check(ptr): Expect RelayExpr but get IRModule

        1. O
          Oldpan说道:

          不要用relay.build_module.create_executor,使用relay.build进行构建

          1. g
            guminhao说道:

            up你好 使用relay.build构建的时候IRModule 是哪个呢

guminhao进行回复 取消回复

邮箱地址不会被公开。 必填项已用*标注

评论审核已启用。您的评论可能需要一段时间后才能被显示。