C++部署的性能優(yōu)化方法

一、使用結構體提前存放常用變量

在編寫前后處理函數(shù)時，通常會多次用到一些變量，比如模型輸入 tensor 的 shape，count 等等，若在每個處理函數(shù)中都重復計算一次，會增加部署時的計算量。對于這種情況，可以考慮使用結構體，并定義一個初始化函數(shù)。先計算好需要的值，之后需要用到該變量的時候直接引用（&）傳遞即可。

// 定義結構體
struct ModelInfo {
    hbDNNPackedHandle_t packed_handle;
    hbDNNHandle_t       model_handle;
    const char *        model_path;
    const char **       model_name_list;
    int model_count;
    int input_count;
    int output_count;
};
// 函數(shù)聲明
int init_model(ModelInfo &model_info);
int other_function(ModelInfo &model_info, ...);
//主函數(shù)
int main(){
    // 初始化
    ModelInfo prefill_model = {0};
    prefill_model.model_path = drobotics_model_path_prefill.c_str();
    init_model(prefill_model);
    // 在其他函數(shù)中使用引用傳遞相關參數(shù)
    other_function(prefill_model, ...);
    return 0;
}
// 初始化函數(shù)的完整定義
int init_model(ModelInfo &model_info) {
    hbDNNInitializeFromFiles(&model_info.packed_handle, &model_info.model_path, 1);
    HB_CHECK_SUCCESS(hbDNNGetModelNameList(&model_info.model_name_list, &model_info.model_count, model_info.packed_handle),
            "hbDNNGetModelNameList failed");
    HB_CHECK_SUCCESS(hbDNNGetModelHandle(&model_info.model_handle, model_info.packed_handle, model_info.model_name_list[0]),
        "hbDNNGetModelHandle failed");
    HB_CHECK_SUCCESS(hbDNNGetInputCount(&model_info.input_count, model_info.model_handle), "hbDNNGetInputCount failed");
    HB_CHECK_SUCCESS(hbDNNGetOutputCount(&model_info.output_count, model_info.model_handle), "hbDNNGetOutputCount failed");
    return 0;
}
// 其他函數(shù)參數(shù)中使用引用傳遞
int other_function(ModelInfo &model_info, ...){
    ...
}

二、函數(shù)使用引用代替值傳遞

考慮到 C++的特性，函數(shù)的參數(shù)建議使用引用 （&） 來代替值傳遞，有這幾個顯著優(yōu)點：

只將原對象的引用傳遞給函數(shù)，避免不必要的拷貝，降低計算耗時

因為不會復制數(shù)據(jù)，所以引用相比值傳遞可以避免內(nèi)存的重復開銷，降低內(nèi)存占用

但需要注意，引用會允許函數(shù)修改原始數(shù)據(jù)，因此若不希望原始數(shù)據(jù)被修改，請不要使用引用方法。

三、量化/反量化融合

3.1 在前后處理的循環(huán)中融合

在前后處理中通常會遍歷數(shù)據(jù)，而量化/反量化也會遍歷數(shù)據(jù)，因此可以考慮合并計算，以減少數(shù)據(jù)遍歷耗時。這是最常見的量化/反量化融合思路，可以直接參考 ai benchmark 中的大量源碼示例。

3.2 將數(shù)據(jù)存進 tensor 時融合

如果在前處理中沒找到融合的機會，那么也可以在數(shù)據(jù)復制進 input tensor 的時候做量化計算。

int64_t kv_count = 0;
int8_t* input_ptr = reinterpret_cast<int8_t*>(model_info.input_tensors[i].sysMem.virAddr);
for (int n = 0; n < total_count; n++) {
    input_ptr[n] = quantize_int8(kv_decode[kv_count++], cur_scale, cur_zero_point);
}

3.3 填充初始值時，提前計算量化后的值

有時我們想給模型準備特定的輸入，比如生成一個全 0 數(shù)組，再為數(shù)組的特定區(qū)域填充某個固定的浮點值。在這種情況下，如果先生成完整的浮點數(shù)組，再遍歷整個數(shù)組做量化，會產(chǎn)生不必要的遍歷耗時，常見的優(yōu)化思路是先提前計算好填充值量化后的結果，填充的時候直接填入定點值，這樣就可以避免多余的量化耗時。

std::vector<int16_t> prepare_decode_attention_mask(ModelInfo &model_info,
    DecodeInfo &decode_info, PrefillInfo &prefill_info, int decode_infer_num){

    // 初始化全 0 數(shù)組

    std::vector<int16_t> decode_attention_mask_int(decode_info.kv_cache_len, 0);
    // 提前計算填充值量化后的結果
    hbDNNQuantiScale scale = model_info.input_tensors[1].properties.scale;
    auto cur_scale = scale.scaleData[0];
    auto cur_zero_point = scale.zeroPointData[0];
    int16_t pad_value_int = quantize_s16(-2048.0, cur_scale, cur_zero_point);
    // 將量化后的填充值填充到數(shù)組中特定區(qū)域
    for(int i = 0; i < decode_info.kv_cache_len - prefill_info.tokens_len
        - decode_infer_num -1; i++){
        decode_attention_mask_int[i] = pad_value_int;
    }

    // 返回相當于已經(jīng)量化了的數(shù)組

    return decode_attention_mask_int;
} 

3.4 根據(jù)后處理的實際作用，跳過反量化

在某些情況下，比如后處理只做 argmax 時，完全沒有必要做反量化，直接使用整型數(shù)據(jù)做 argmax 即可。需要用戶根據(jù)后處理的具體原理來判斷是否使用這種優(yōu)化方法。

// 直接對模型輸出的 int16_t 數(shù)據(jù)做 argmax 計算
int logits_argmax(std::vector<hbDNNTensor> &output_tensor) {
    auto data_tensor = reinterpret_cast<int16_t *>(output_tensor[0].sysMem.virAddr);
    int maxIndex = -1;
    int maxValue = -32768;
    for (int i = 0; i < 151936; ++i) {
        if (data_tensor[i] > maxValue) {
            maxValue = data_tensor[i];
            maxIndex = i;
        }
    }
    return maxIndex;
}

四、循環(huán)推理同個模型時，輸出數(shù)據(jù)直接存進輸入 tensor

在某些情況下，我們希望 C++程序能重復推理同一個模型，并且模型上一幀的輸出可以作為下一幀的輸入。如果按照常規(guī)手段，我們可能會將輸出 tensor 的內(nèi)容保存到特定數(shù)組，再把這個數(shù)組拷貝到輸入 tensor，這樣一來一回就產(chǎn)生了兩次數(shù)據(jù)拷貝的耗時，也占用了更多內(nèi)存。實際上，我們可以將模型的輸出 tensor 地址直接指向輸入 tensor，這樣模型第一幀的推理結果會直接寫在輸入 tensor 上，推理第二幀的時候就可以直接利用這份數(shù)據(jù)，不需要再單獨準備輸入，可以節(jié)省大量耗時。

如果想使用該方法，需要模型輸入輸出對應節(jié)點的 shape/stride 等信息完全相同。此外，如果模型刪除了量化/反量化算子，并且對應的 scale 完全相同，那么重復利用的這部分 tensor 是不需要 flush 的（因為不涉及 CPU 操作），還可進一步節(jié)約耗時。

這里舉個例子詳細說明一下。

假設我們有一個模型，這個模型有 59 個輸入節(jié)點（0-58），57 個輸出節(jié)點（0-56），量化/反量化算子均已刪除，且輸入輸出最后 56 個節(jié)點對應的 scale/shape/stride 等信息均相同。在第一幀推理完成后，輸出節(jié)點 1-56 的值需要傳遞給輸入節(jié)點的 3-58，那么我們在分配模型輸入輸出 tensor 的時候，輸出 tensor 只需要為 1 分配即可，在分配輸入 tensor 時，3-58 的 tensor 可以同時 push_back 給輸出 tensor。具體來說，可以這樣寫：

int prepare_tensor(std::vector<hbDNNTensor> & input_tensor, std::vector<hbDNNTensor> & output_tensor,
                   hbDNNHandle_t dnn_handle) {
    int input_count  = 0;
    int output_count = 0;
    hbDNNGetInputCount(&input_count, dnn_handle);
    hbDNNGetOutputCount(&output_count, dnn_handle);
    for (int i = 0; i < 1; i++) {
        hbDNNTensor output;
        HB_CHECK_SUCCESS(hbDNNGetOutputTensorProperties(&output.properties, dnn_handle, i),
                         "hbDNNGetOutputTensorProperties failed");
        int output_memSize = output.properties.alignedByteSize;
        HB_CHECK_SUCCESS(hbUCPMallocCached(&output.sysMem, output_memSize, 0), "hbUCPMallocCached failed");
        output_tensor.push_back(output);
    }

    for (int i = 0; i < input_count; i++) {
        hbDNNTensor input;
        HB_CHECK_SUCCESS(hbDNNGetInputTensorProperties(&input.properties, dnn_handle, i),
                         "hbDNNGetInputTensorProperties failed");
        int input_memSize = input.properties.alignedByteSize;
        HB_CHECK_SUCCESS(hbUCPMallocCached(&input.sysMem, input_memSize, 0), "hbUCPMallocCached failed");
        input_tensor.push_back(input);
        if(i > 2){
            output_tensor.push_back(input);
        }
    }
    return 0;
}

在模型推理時，重復利用的這部分 tensor 不需要再 flush，因此只需要給 output_tensor 的 0，以及 input_tensor 的 0/1/2 進行 flush 操作即可（這幾個 tensor 和 CPU 產(chǎn)生了交互）。

while(1){
    hbUCPTaskHandle_t task_handle_decode{nullptr};
    hbDNNTensor *output_decode = decode_model.output_tensors.data();
    HB_CHECK_SUCCESS(hbDNNInferV2(&task_handle_decode, output_decode,
        decode_model.input_tensors.data(), decode_model.model_handle), "hbDNNInferV2 failed");
    hbUCPSchedParam ctrl_param_decode;
    HB_UCP_INITIALIZE_SCHED_PARAM(&ctrl_param_decode);
    ctrl_param_decode.backend = HB_UCP_BPU_CORE_ANY;
    HB_CHECK_SUCCESS(hbUCPSubmitTask(task_handle_decode, &ctrl_param_decode), "hbUCPSubmitTask failed");
    HB_CHECK_SUCCESS(hbUCPWaitTaskDone(task_handle_decode, 0), "hbUCPWaitTaskDone failed");
    // 只刷新一部分輸出內(nèi)存（output_tensor 0）
    hbUCPMemFlush(&decode_model.output_tensors[0].sysMem, HB_SYS_MEM_CACHE_INVALIDATE);
    HB_CHECK_SUCCESS(hbUCPReleaseTask(task_handle_decode), "hbUCPReleaseTask failed");
    // 后處理（只針對 output_tensor 0）
    decode_argmax_id = logits_argmax(decode_model.output_tensors);
    // 準備下一幀推理的 input_tensor 0/1/2 輸入數(shù)據(jù)
    prepare_input_tensor(...);
    // 只刷新一部分輸入內(nèi)存（input_tensor 0/1/2）
    for (int i = 0; i < 3; i++) {
        hbUCPMemFlush(&decode_model.input_tensors[i].sysMem, HB_SYS_MEM_CACHE_CLEAN);
    ｝
｝

此外，如果使用了這種優(yōu)化方法，那么在模型推理結束釋放內(nèi)存時，要避免同一塊內(nèi)存的重復釋放。對于該案例，input_tensor 全部釋放完畢后，output_tensor 只需要釋放 output_tensor 0。

for (int i = 0; i < decode_model.input_count; i++) {
    HB_CHECK_SUCCESS(hbUCPFree(&(decode_model.input_tensors[i].sysMem)), "hbUCPFree decode_model.input_tensors failed");
}
for (int i = 0; i < 1; i++) {
    HB_CHECK_SUCCESS(hbUCPFree(&(decode_model.output_tensors[i].sysMem)), "hbUCPFree decode_model.output_tensors failed");
}

五、多線程后處理

對于 yolo v5 這種有三個輸出頭的模型，可以考慮使用三個線程同時對三個輸出頭做后處理，以顯著提升性能。