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 采用了子图的形式对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，目前已支持的模型有：AlexNet, MobileNetV1, ResNet50, VGG19, ResNext, Se-ReNext, GoogLeNet, DPN, ICNET, Deeplabv3, MobileNet-SSD等。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。

内容

• 编译Paddle-TRT预测库
• Paddle-TRT接口使用
• Paddle-TRT参数介绍
• Paddle-TRT样例编译测试
• Paddle-TRT INT8使用
• Paddle-TRT子图运行原理

编译Paddle-TRT预测库

使用Docker编译预测库

TensorRT预测库目前仅支持使用GPU编译。

• 下载Paddle

git clone https://github.com/PaddlePaddle/Paddle.git

• 获取docker镜像

nvidia-docker run --name paddle_trt -v $PWD/Paddle:/Paddle -it hub.baidubce.com/paddlepaddle/paddle:latest-dev /bin/bash

• 编译Paddle TensorRT

# 在docker容器中执行以下操作
cd /Paddle
mkdir build
cd build
# TENSORRT_ROOT为TRT的路径，默认为 /usr，根据自己需求进行改动
# MKLDNN 可以根据自己的需求自行打开
cmake .. \
      -DWITH_FLUID_ONLY=ON \
      -DWITH_MKL=ON \
      -DWITH_MKLDNN=OFF \
      -DCMAKE_BUILD_TYPE=Release \
      -DWITH_PYTHON=OFF   \
      -DTENSORRT_ROOT=/usr \
      -DON_INFER=ON
 
# 编译    
make -j
# 生成预测库
make inference_lib_dist -j

编译后的库的目录如下：

fluid_inference_install_dir
├── paddle
│      
├── CMakeCache.txt
├── version.txt
├── third_party
    ├── boost
    ├── install
    └── engine3

fluid_inference_install_dir下， paddle目录包含了预测库的头文件和预测库的lib， version.txt 中包含了lib的版本和配置信息，third_party 中包含了预测库依赖的第三方库

Paddle-TRT接口使用

Paddle-TRT预测使用总体上分为以下步骤：1. 创建合适的配置AnalysisConfig. 2. 根据配置创建 PaddlePredictor. 3. 创建输入tensor. 4. 获取输出tensor，输出结果.

以下的代码展示了完整的过程：

#include "paddle_inference_api.h"
 
namespace paddle {
using paddle::AnalysisConfig;
 
void RunTensorRT(int batch_size, std::string model_dirname) {
  // 1. 创建AnalysisConfig
  AnalysisConfig config(model_dirname);
  // config->SetModel(model_dirname + "/model",                                                                                             
  //                     model_dirname + "/params"); 
  config->EnableUseGpu(10, 0 /*gpu_id*/);
  // 我们在这里使用了 ZeroCopyTensor, 因此需要将此设置成false
  config->SwitchUseFeedFetchOps(false);
  config->EnableTensorRtEngine(1 << 20 /*work_space_size*/, batch_size /*max_batch_size*/, AnalysisConfig::Precision::kFloat32, false /*use_static*/);
 
  // 2. 根据config 创建predictor
  auto predictor = CreatePaddlePredictor(config);
  // 3. 创建输入 tensor
  int channels = 3;
  int height = 224;
  int width = 224;
 
  float *input = new float[input_num];
  memset(input, 0, input_num * sizeof(float));
 
  auto input_names = predictor->GetInputNames();
  auto input_t = predictor->GetInputTensor(input_names[0]);
  input_t->Reshape({batch_size, channels, height, width});
  input_t->copy_from_cpu(input);
 
  // 4. 运行
  predictor->ZeroCopyRun()
 
  // 5. 获取输出
  std::vector<float> out_data;
  auto output_names = predictor->GetOutputNames();
  auto output_t = predictor->GetOutputTensor(output_names[0]);
  std::vector<int> output_shape = output_t->shape();
  int out_num = std::accumulate(output_shape.begin(), output_shape.end(), 1, std::multiplies<int>());
 
  out_data.resize(out_num);
  output_t->copy_to_cpu(out_data.data());
 }
}  // namespace paddle
 
int main() {
  // 模型下载地址 http://paddle-inference-dist.cdn.bcebos.com/tensorrt_test/mobilenet.tar.gz
  paddle::RunTensorRT(1, "./mobilenet");
  return 0;
}

Paddle-TRT参数介绍

在使用AnalysisPredictor时，我们通过配置

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。以下我们将对此接口中的参数进行详细的介绍：

• workspace_size，类型：int，默认值为1 << 20。
• max_batch_size，类型：int，默认值1。需要提前设置最大的batch的大小，运行时batch数目不得超过此大小。
• min_subgraph_size，类型：int，默认值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, kInt8,};, 默认值为AnalysisConfig::Precision::kFloat32。如果需要使用Paddle-TRT calib int8的时候，需要指定precision为 AnalysisConfig::Precision::kInt8, 且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，下次运行的时候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。如果需要运行Paddle-TRT calib int8的时候，需要将此设置为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

• 下载样例

https://paddle-inference-dist.cdn.bcebos.com/tensorrt_test/paddle_trt_samples_v1.5.tar.gz

解压后的目录如下：

sample
├── CMakeLists.txt
├── mobilenet_test.cc
├── thread_mobilenet_test.cc
├── mobilenetv1
│   ├── model
│   └── params
└── run_impl.sh

• mobilenet_test.cc 为单线程的程序文件
• thread_mobilenet_test.cc 为多线程的程序文件
• mobilenetv1 为模型文件在这里假设预测库的路径为 BASE_DIR/fluid_inference_install_dir/ ，样例所在的目录为 SAMPLE_BASE_DIR/sample

• 编译样例

cd SAMPLE_BASE_DIR/sample
# sh run_impl.sh {预测库的地址} {测试脚本的名字} {模型目录}
sh run_impl.sh BASE_DIR/fluid_inference_install_dir/  mobilenet_test SAMPLE_BASE_DIR/sample/mobilenetv1

• 编译多线程的样例

cd SAMPLE_BASE_DIR/sample
# sh run_impl.sh {预测库的地址} {测试脚本的名字} {模型目录}
sh run_impl.sh BASE_DIR/fluid_inference_install_dir/  thread_mobilenet_test SAMPLE_BASE_DIR/sample/mobilenetv1

Paddle-TRT INT8使用

• 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，并将记录到校准表中，这些信息有效的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。

• 编译测试INT8样例

cd SAMPLE_BASE_DIR/sample
# sh run_impl.sh {预测库的地址} {测试脚本的名字} {模型目录}
# 我们随机生成了500个输入来模拟这一过程，建议大家用真实样例进行实验。
sh run_impl.sh BASE_DIR/fluid_inference_install_dir/  fluid_generate_calib_test SAMPLE_BASE_DIR/sample/mobilenetv1

运行结束后，在 SAMPLEBASE_DIR/sample/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。

# 执行INT8预测
# 将带校准表的模型文件拷贝到特定地址
cp -rf SAMPLE_BASE_DIR/sample/build/mobilenetv1 SAMPLE_BASE_DIR/sample/mobilenetv1_calib
sh run_impl.sh BASE_DIR/fluid_inference_install_dir/  fluid_int8_test SAMPLE_BASE_DIR/sample/mobilenetv1_calib

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实现的功能是能够对整个图进行扫描，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TensoRT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kenel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。