端到端TVM编译器（下）

端到端TVM编译器（下）

4.3 Tensorization

DL工作负载具有很高的运算强度，通常可以分解为张量运算符，如矩阵乘法或一维卷积。这些自然分解导致了最近的添加张量计算原语。这些新的原语带来了机遇和挑战调度；为了

提高性能，编译框架必须无缝集成。称之为张量化：类似于SIMD体系结构的矢量化，但是

有显著差异。指令输入是多维的，具有固定或可变的长度，每个输入都有不同的数据布局。更重要的是，不能支持一组固定的原语，因为新的加速器是张量指令变体。

需要一个可扩展的解决方案。通过分离张量内在声明机制，从调度中获取目标内部硬件。用同样的方法，用张量表达式语言来声明两者的行为，每一个新的硬件内在特性和与之相关的降低规则。下面的代码显示了如何声明8×8张量硬件。

此外，引入了一个tensorize调度原语，用相应的内部函数替换计算单元。编译器匹配计算

模式，降低到相应的硬件本身。张量化将调度表与特定的硬件原语，便于扩展TVM支持新的硬件架构。

生成的紧绷调度表代码与高性能计算实践保持一致：打破一系列微内核调用复杂运算。利用手工制作的tensorize微内核原语，在某些平台上是有益的。例如，利用一个位串行矩阵向量乘微内核，实现了超低精度算子据类型的移动CPU的算子。这个微内核将结果累积成越来越大的数据类型，最小化内存占用。呈现TVM固有的张量微内核，产生高达1.5× 加速比非张量化的版本。

4.4 Explicit Memory Latency Hiding

延迟隐藏是指将内存操作与计算重叠，最大限度地提高内存和计算资源利用率的过程。需要不同目标硬件后端的策略。在CPU上，内存延迟隐藏是通过多线程或硬件隐式预取实现的。GPU依赖于许多线程的快速上下文切换。相比之下，像TPU这样的专用DL加速器，通常更受欢迎，具有解耦访问执行（DAE）的精简控制架构，同步卸载细粒度与软件。

图9显示了一个DAE硬件管道，减少了runtime延迟。与单片硬件设计相比，流水线可以隐藏大部分内存访问开销，几乎可以充分利用计算资源。为了获得更高的利用率，指令流必须添加同步细粒度操作。否则，依赖关系就无法强制执行，导致错误的执行。因此，DAE硬件管道，需要在管道阶段之间进行细粒度依赖的排队/出列操作，保证正确执行，如图9指令流所示。

图8: TVM虚拟线程降低，将虚拟线程并行程序转换为单个指令流；这个流包含显式的低级同步，硬件可以解释这些同步，以恢复管道并行性，需要隐藏内存访问延迟。

图9：在硬件隐藏中执行解耦访问，通过允许内存和计算重叠。执行正确性是通过低级别的同步来实现的，同步的形式是依赖令牌排队/出列操作，这编译器堆栈必须插入到指令流中。

图10：运行ResNet推断，基于FPGA的DL加速器的roofline。由于TVM启用了延迟隐藏，基准测试的性能得到了提高，更接近roofline，显示出更高的计算和内存带宽效率。

编程需要显式低层同步是困难的。在减少编程负担方面，引入了虚拟线程，指定高级数据并行程序，将是一个支持多线程的硬件后端。TVM通过低级别显式同步，自动将程序降低到单个指令流，如图8所示。该算法从高级多线程程序调度开始，插入必要的低级同步操作，

保证在每个线程内正确执行。接下来，将所有虚拟线程的操作交织到单个指令流中。最后，硬件恢复可用的管道并行性，该并行性在低级指令流中的同步。

延迟隐藏的硬件评估。在一个定制的基于FPGA的加速器，设计演示了延迟隐藏的有效性

详见第6.4小节。在加速器上，运行ResNet的每一层，使用TVM生成两个调度：一个具有延迟隐藏，另一个不具有延迟隐藏。这个用延迟隐藏调度并行化调度，使用虚拟线程公开管道并行性和隐藏内存访问延迟。显示结果在图10中作为roofline图；roofline性能图提供了一个给定不同的基准测试使用计算和内存资源的系统。总的来说，延迟隐藏得到了改善所有ResNet层的性能。峰值计算利用率从没有延迟隐藏的70%提高到88%延迟隐藏。

5． Automating Optimization

考虑到一组丰富的调度原语，剩下的问题是，如何找到最佳的算子，实现DL模型的每一层。这里，TVM为与每个层相关联的特定输入形状和布局，创建一个专门的算子。这样的专业化提供了显著的性能优势（与手工制作相比），以较小的形状和形状多样性为目标代码，也带来了自动化的挑战。这个系统需要选择调度优化。

例如，修改循环顺序或优化内存层次结构，以及调度特定的参数，如平铺大小和循环展开因子。这样的组合选择，创造了一个每个硬件后端的算子实现的巨大搜索空间。

为了应对这一挑战，构建了一个自动化的调度优化器，包含两个主要组件：一个调度资源管理器，用于提出有前向新配置；另一个预测给定配置性能的机器学习cost model。本节介绍

这些组件和TVM的自动优化流量（图11）。

图11：自动化优化框架概述。通过RPC在分布式设备群集上运行，使用基于ML的成本模型并选择实验，调度表explore检查调度表空间。为了提高预测能力，ML模型定期更新使用收集记录在数据库中的数据。

表1：自动化方法的比较。模型偏差指由于建模而导致的不准确。

5.1 Schedule Space Specification

构建了一个调度表模板规范API，让开发人员在调度表空间中声明旋钮。模板规范允许将开发人员在指定可能的调度表时，根据需要掌握特定领域的知识。还为每个硬件后端创建了一个通用主模板，该模板根据计算自动提取可能的旋钮，用张量表达式语言描述。在高层次上，需要考虑，让优化器管理选择的负载。因此，优化器必须在数十亿个可能的配置中搜索真实实验中使用的世界DL工作负载。

5.2 ML-Based Cost Model

从大的配置空间中，通过黑盒优化，即自动调整，找到最佳调度的一种方法。此方法用于调整高性能计算库。然而，自动调谐需要许多实验来确定一个好的配置。

另一种方法是建立一个预定义的cost model，指导搜索特定的硬件后端，而不是运行所有的可能性和性能测量。

理想情况下，完美的cost model会考虑所有影响性能的因素：内存访问模式、数据重用、管道依赖关系和线程模式等。不幸的是，由于日益复杂，这种现代硬件方法很麻烦。此外，每一个新的硬件目标，需要新的（预定义的）cost model。

相反，采用统计方法来解决cost model建模问题。在这种方法中，调度explore，提出可提高算子操作效率的配置性能。对于每个调度配置，使用一种最大似然模型，以降低的循环程序作为输入，预测在给定硬件上的runtime后端。该模型使用勘探期间收集的runtime测量数据进行训练，不需要用户输入详细的硬件信息。在优化过程中，当探索更多配置时，会定期更新模型，从而提高精度，以及其它相关的工作负载。这样，ML模型的质量随着实验的进行而提高预判。

表1总结了自动化方法。从相关工作量，基于ML的cost model在自动调整和预定义的cost建模之间取得了平衡。

机器学习模型设计选择。

在选择哪种ML时，进度管理器将使用的机器学习模型，要考虑两个关键因素：质量和速度。

调度管理器经常查询cost model，由于模型预测时间和模型改装时间的原因，会产生开销。这些开销必须小于在实际硬件上测量性能所需的时间，可以找到取决于特定的工作负载/硬件目标秒数order顺序。这个调度要求区分传统的超参数优化问题，与模型开销相比，执行测量的cost非常高，而且更昂贵的模型可能被使用。除了模型的选择，还需要选择一个目标函数来训练模型，例如，作为配置的预测runtime中的误差error。

图12：Titan X上ResNet-18中的conv2d算子，不同自动化方法的比较。基于ML的模型从没有训练数据开始使用，收集数据改进自身。Y轴是相对于cuDNN加速。对于其它工作负载，观察到类似的趋势。

图13: ML cost model工作流示例。XGBoost根据循环程序特性预测成本。

TreeRNN直接归纳AST。

但是，由于explore选择了最重要的候选对象，基于预测的相对顺序（A运行比B更快），不需要预测直接重复的绝对执行。相反，使用等级目标来预测runtime cost的相对顺序。在ML优化器中实现了几种类型的模型。采用了一种基于梯度树的boosting模型XGBoost），从循环程序中提取特征进行预测。这些特性包括每种方法的内存访问计数和重用率，每个循环级别的内存缓冲区，以及一个one-hot循环注释的编码，如“矢量化”、“展开”和“并行”。评估了一个神经网络，使用TreeRNN总结循环的模型程序，没有特征工程的AST。

图13总结了cost model的工作流程。发现tree boosting and TreeRNN有相似的预测能力。然而，前者执行两次预测，同样的速度和花费更少的时间来训练。因此，选择了gradient tree boosting梯度树提升作为默认的cost model的实验。尽管如此，相信这两种方法都是有价值的，并期待着今后更多这个问题的研究。

一般们来说，树推进模型可以在0.67毫秒内进行预测，比运行真正的测量更快。图12比较了基于ML的优化器和blackbox自动调优方法。发现前者比后者快得多的配置。

5.3 Schedule Exploration

一旦选择了cost model，就可以选择迭代运行real的配置测量。每次迭代中，explore都使用ML模型预测，在其上选择一批候选样本运行测量。收集的数据作为训练数据更新模型。如果不存在初始训练数据，explore将随机挑选候选对象进行测量。最简单的搜索算法枚举和通过cost model运行每个配置，选择前k个预测执行者。然而，在搜索空间大的情况下，策略变得很难处理。

相反，运行了一个并行模拟退火算法。资源管理器从随机配置开始，在每一步中，随机走到附近的配置。如果成本降低，这种转变是成功的，正如cost model所预测的那样。如果目标配置的成本较高，很可能失败（拒绝）。随机的walk倾向于收敛于具有较低性能cost model预测成本的配置。勘探状态持续更新cost model，继续执行最后一次更新后的配置。

5.4 Distributed Device Pool and RPC

分布式设备池可扩展硬件上试运行，在多个优化作业中，支持细粒度资源共享。TVM实现

自定义的、基于RPC的分布式设备池，使客户端能够在特定类型的设备上运行程序。可以用这个接口在主编译器上编译程序，请求一个远程设备，远程运行函数，访问相同脚本中的结果。TVM的RPC支持动态上传，运行交叉编译的模块和使用runtime约定函数。因此，相同的基础架构可以执行单个工作负载优化，端到端图形推理。自动化了跨多个设备编译、运行和配置步骤。

表2：ResNet-18和MobileNet中用于单核实验的所有深度conv2d算子的配置。高/宽表示高度和宽度、IC输入通道、OC输出通道、K内核大小和S步长。所有算子使用“相同”填充。所有纵深操作通道乘数为1。

这种基础架构对于嵌入式设备尤其重要，因为嵌入式设备通常需要繁琐的手动操作，用于交叉编译、代码部署和度量。

6． Evaluation

TVM核心是用C++实现的（∼5万LoC）。提供到Python和Java的语言绑定。本文早期评估了TVM的几个单独优化和组件的影响，即，图4中的算子融合，图10中的延迟隐藏，以及图12中基于ML的cost model。现在关注的是一个端到端的评估，旨在回答以下问题：

•TVM能否在多个服务器上优化DL工作负载平台？

•在每个后端，TVM与现有DL框架（依赖于高度优化的库）相比如何？

•TVM能否支持新出现的DL工作负载（例如深度卷积、低精度运算）？

•TVM是否能够支持和优化新的专业应用程序加速器？

回答这些问题，从四个方面评估了TVM平台类型：

（1）服务器级GPU；

（2）嵌入式GPU；

（3）嵌入式CPU；

（4）在低功耗FPGA SoC上实现的DL加速器。

基准是基于真实世界的DL推理工作负载，包括ResNet、MobileNet、LSTM语言模型、Deep Q网络（DQN）和深层卷积生成对抗网络（DCGAN）。

图14: 在英伟达Titan-X上，TVM的GPU端到端MXNet、Tensorflow和Tensorflow XLA评估测试。

将上述方法与现有的DL框架（包括MxNet[9]和TensorFlow[2]）进行比较，后者依赖于高度工程化的、特定于算子的技术库。TVM执行端到端的自动优化和代码生成，而不需要外部设备算子库。

6.1 Server-Class GPU Evaluation

首先比较了Nvidia Titan上的深度神经网络TVM、MXNet（v1.1）、Tensorflow（v1.7）和Tensorflow XLA。MXNet和Tensorflow都使用cudnnv7作为卷积算子；实现深度卷积，因为它是相对新的和不支持最新的库。使用矩阵乘法cuBLAS v8。

另一方面，TensorFlowXLA使用JIT编译。

图14显示了TVM的性能优于基线，加速范围为1.6× 至3.8× ，由于联合图优化和自动优化，生成高性能的融合算子。DQN的3.8倍加速，使用了未经cuDNN优化的非常规算子（4×4 conv2d，步幅=2）；ResNet工作负载更传统。两种情况下，TVM自动查找优化算子。

为了评估算子级优化的有效性，还对ResNet和MobileNet中的每个张量算子，如图15所示。包括TensorComprehension（TC，commit:ef644ba），每一个算子包含10 generations × 100 population × 2 random seeds，一种最近引入的自动调优框架，作为额外的基线。2 TC结果包括最佳kernel（即，每个操作员2000次试验）。

图15：所有conv2d运算符的相对加速比。ResNet-18和MobileNet中的所有depthwise conv2d算子。在Titan-X上测试。算子配置见表2，包括3x3 conv2d（TVM PT）的权重预变形Winograd。

二维卷积，2D convolution，最重要的DL算子，通过cuDNN优化。然而，TVM仍然可以为大多数层的内核kernel生成更好的GPU。深度卷积是一种新引入的结构更简单的算子。在这种情况下，与MXNet的手工内核相比，TVM和TC都可以找到快速内核。TVM的改进主要得益于，对大调度空间的探索和一种有效的基于ML的搜索算法。

6.2 Embedded CPU Evaluation

评估了TVM在Cortex A53（四核1.2GHz）上的性能。用的是Tensorflow Lite（TFLite，commit:7558b085）作为基线系统。

图17比较了TVM算子和ResNet和MobileNet的手工优化算子。观察到TVM生成性能优于手动优化的算子两种神经网络工作负载的TFLite版本。结果表明，TVM的能力，快速优化新兴的张量算子，如深卷积算子。最后，图16显示了三种工作负载的端到端比较，其中TVM优于TFLite基线。

超低精度算子

展示TVM通过生成高度优化的算子，支持超低精度推理的能力。对于小于8位的定点数据类型。低精度网络取代昂贵的乘法矢量化位串行乘法，由按位和popcount减少。要实现有效的低精度推理，需要进行量化包装，将数据类型转换为更广泛的标准数据类型，如int8或int32。系统生成的代码比来自Caffe2的手工优化库（commit:39e07f7）。实现了一个特定于ARM的张量化，利用ARM指令构建高效、低精度的矩阵向量微内核，使用TVM的自动优化器搜索调度空间。

图16: 在ARM A53上对TVM和TFLite评估。

图17：所有conv2d运算符的相对加速比。ResNet-18和mobilenet中的所有depthwise conv2d算子。在ARM A53上测试。这些算子的配置见表2。

图18:ResNet中单线程和多线程低精度conv2d运算符的相对加速比。基线是来自Caffe2的单线程、手工优化的实现（commit:39e07f7）。C5、C3为1x1卷积，计算强度较小，多线程导致加速较慢。

图18将TVM与ResNet上的Caffe2超低精度库进行了2位激活、1位权重推理比较。因为基线是单线程的，与单线程TVM版本进行了比较。单线程TVM优于基线，特别是对于C5、C8和C11层；这些是卷积内核大小为1的层×1和2的步长，超低精度基线库未对此进行优化。此外，利用额外的TVM功能来生成一个并行库实现，显示出比基线有所改善。除了2-bit+1-bit配置，TVM可以生成和优化不支持的其它精度配置的基线库，提高了灵活性。

6.3 Embedded GPU Evaluation

对于移动GPU实验，运行了端到端的Firefly-RK3399板上ARM-T860MP4 GPU的管道配备。基线是一个算子提供的ARM计算库（v18.03）。

图19: MaliT860MP4上的端到端实验结果。有两种数据类型float32和float16评价的。

如图19所示，在性能上优于基线。三种适用于float16和float32的型号（基线还不支持DCGAN和LSTM）。加速比为1.2× 至1.6×.

6.4 FPGA Accelerator Evaluation

Vanilla深度学习加速器

TVM如何处理特定于加速器的代码生成，在FPGA上，进行原型化的通用推理加速器设计。在这个评估中，使用了Vanilla学习加速器（VDLA）–从以前的加速器中，提取特征

成为一个极简主义的硬件架构-演示可以瞄准专门的加速器，TVM生成高效调度表的能力。图20显示了VDLA体系结构的高级硬件组织。VDLA被编程为一个张量处理器。高效地执行高计算强度的算子（例如，矩阵乘法、高维卷积）。可以执行加载/存储操作，将三维张量从DRAM阻塞到SRAM的相邻区域。还为网络参数、层输入（窄数据类型）和层输出（宽数据类型）提供专门的onchip存储器。最后，VDLA提供了显式的同步控制，在连续的加载、计算和存储中最大化内存和计算算子之间的重叠。

方法论

在一个平台上实现了VDLA设计，低功耗PYNQ板，采用ARM Cortex A9双核CPU，时钟频率667MHz和Artix-7，基于FPGA结构。在这些有限的FPGA资源上，实施了16×16矩阵矢量单元，200MHz，执行8位值的乘积，并在每个周期累加到32位寄存器中。VDLA设计的理论峰值吞吐量约为102.4加仑/秒。激活存储分配了32kB的资源，微码缓冲区，以及128kB的寄存器文件，参数存储分配了32kB的资源。这些片内缓冲区决不足以提供一层ResNet。可以对有效的内存重用进行案例研究和潜伏期隐藏。

Figure 20: VDLA 硬件设计架构。

用C runtime为VDLA构建一个驱动程序库构造指令，推送到执行的目标加速器。代码生成算法将加速器程序转换为一系列调用，并将这些调用转换为运行时API。添加专门的加速器后端∼Python中的2k LoC。

End-to-End ResNet Evaluation.

在PYNQ平台上，用TVM生成ResNet推理内核，尽可能多的层卸载到VDLA。为CPU生成两个调度，仅限CPU+FPGA实现。由于卷积深度较浅，第一个ResNet卷积层无法在FPGA上有效卸载，而是在CPU上计算。然而，ResNet中的所有其它卷积层，可以进行有效的卸载。残余层和激活等算子也在CPU上执行，因为VDLA不支持这些操作。

图21将ResNet推理时间分解为仅CPU执行和CPU+FPGA执行。最多计算花费在卷积层上，可以卸载到VDLA。对于那些卷积层，实现的加速比是40×. 不幸的是，根据Amdahl定律，对FPGA的整体性能进行了分析。加速系统的瓶颈，必须在CPU上执行的工作负载。设想扩展VDLA设计，支持这些其它算子，有助于进一步降低成本。

基于FPGA的实验验证了TVM的性能，适应新的体系结构和硬件本质。

7． Related Work

深度学习框架提供了便利，很容易在不同的硬件后端，用于用户表示DL工作负载和部署的接口。现有的框架，目前依赖于特定于算子的Tensor算子库，来执行工作负载。可以为大量的硬件设备利用TVM的堆栈。高级计算图dsl是一个典型的表示和执行高级优化的方法。Tensorflow的XLA和最近引入的DLVM属于这一类。这些工作中计算图的表示是相似的，本文还使用了高级计算图DSL论文。图级表示则是一个很好的选择，对于高级优化，级别太高，无法在不同的硬件后端下优化张量算子。之前的工作取决于具体的降低直接生成低级LLVM或诉诸于算子库。这些方法需要对每个硬件后端进行大量的工程工作和算子变量组合。

Halide引入了将计算和调度分离的思想。采用Halid的方法，再利用编译器中现有的有用的调度原语。张量算子调度也与其它算子有关。研究GPU的DSL和多面体回路变换。TACO介绍一种生成稀疏张量算子的通用中央处理器方法。Weld是用于数据处理任务的DSL。特别关注于为GPU和专用加速器解决DL工作负载的新调度挑战。通过优化这些工程中的管线，新原语有可能被采纳。

高性能库，如ATLAS和FFTW使用自动调谐以获得最佳性能。张量理解应用黑盒自动调谐和多面体优化CUDA内核。OpenTuner和现有超参数调整算法应用领域无关搜索。预定义的cost model用于在中自动调度图像处理管道Halid。TVM的ML模型使用有效的考虑程序结构的域感知cost model。

图21：在ResNet中卸载了卷积，基于FPGA的加速器的工作负载。灰色输出条对应于不能加速的层，必须在CPU上运行。这个FPGA在Cortex A9 上的卸载卷积层上提供了40倍的加速。

模型的分布式调度优化器，可扩展到更大的搜索空间，在大范围的支持后端，可以找到最先进的内核。更重要的是，提供了一个端到端堆栈，可以直接从DL框架中获取描述，并与图级堆栈一起进行联合优化。尽管深入学习加速器越来越流行，有效地针对这些设备，仍然不清楚如何构建编译堆栈。提供了一种总结类TPU性质的通用方法，评估中使用的VDLA设计，加速器和使具体的案例研究如何为加速器编译代码。可以潜在的好处是编译深度学习FPGA。本文提供了一个通过张量化和编译器驱动的延迟隐藏，有效地瞄准加速器的通用解决方案。

8． Conclusion

跨越一系列不同的硬件后端，提出了一个端到端编译堆栈来解决深度学习的基本优化挑战。。系统包括自动端到端优化，历史上，这是一项劳动密集型和高度专业化的任务。

希望这项工作将鼓励更多的研究，端到端编译方法为DL系统软硬件协同设计，提供了新的技术。