深度學(xué)習(xí)模型大小與模型推理速度的探討（2）

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)開一節(jié)來探討一下“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)，拆開來可得：

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始的問題了：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)間沒變“這種問題抱有疑問了（說的就是我【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。

（下文要開始難度升級(jí)了，建議沒看懂 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****、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，帶來性能損失。

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

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

除了操作系統(tǒng)帶來的影響，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 寫的多重 for 循環(huán)，和用 numpy 高度優(yōu)化過的矩陣操作函數(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)帶來的性能損失（如上文的調(diào)度問題和內(nèi)存缺頁問題）、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)而言可能過于復(fù)雜，并不需要掌握。但如果所在的公司/部門有交流的機(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)試遇到疑問時(shí)，建議咨詢部署/優(yōu)化的同學(xué)。

好了，廢話不多說（其實(shí)已經(jīng)說了很多了），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)?、?nèi)存池、線程池等開銷，這些開銷跟網(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)這部分開銷更大。一般情況下這部分開銷占比不大。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，還可以考慮通過一些其他工程技巧來提升系統(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。