TVM: Deep Learning模型的优化编译器(强烈推荐, 附踩坑记录)

加入极市 专业CV交流群，与 6000+来自腾讯，华为，百度，北大，清华，中科院 等名企名校视觉开发者互动交流！更有机会与 李开复老师 等大牛群内互动！

同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流 。 点击文末“ 阅读原文 ”立刻申请入群~

作者 |  阿莱克西斯

来源 |  https://zhuanlan.zhihu.com/p/58918363

作者按：前排提醒，本文的人文内容部分稍稍带有艺术加工，请保持一定的幽默感进行阅读

本来可能用不到TVM，项目其实进展的很顺利，我们初始的tensorflow模型在android端得到了满意的latency，我也可以照常一边修炼我的仙,继续和有奶大定律, 自由单子, Kan-Extension等邪魔外道搏斗...一边稳稳的推进项目进度。

无奈scientist一意孤行要上Pytorch, 于是我们换了一个Pytorch模型...

先不说同样的SSD魔改模型，Pytorch在android端比tensorflow整整慢了5倍，光是把Pytorch模型移植到Android上都让开发团队整整褪层皮(Pytorch对Android的支持简直为0，tensorflow的工程支持相对pytorch简直无敌)。而这时候已经花了好多时间，项目眼看要delay....

头都炸了的我在打算手撸OpenCL调优之前，去问了下我们组的CV大神该怎么办，大神微微一笑，转身随风而去，只听云端传来3个字：“T~V~M~~~~~"

于是我就开始TVM的研究(踩坑)之路, 到今天为止终于把所有的路都踩平了之后，成功把我们的Pytorch模型用Auto-TVM调优成功且部署在了我们的android系统上，性能整整提高了8倍，比我们之前的tensorflow模型还要快。更重要的是，通过TVM，我们的调优完全不couple与硬件和模型Framework，就算以后换模型，换终端，或者哪天scientist想不开要换回tensorflow或是使用MXNet都无所谓，用auto-TVM自动调调就行了（只可惜了我的Cuda C编程调优都白学了）。

简单介绍下Auto-TVM的调优终端设备的用法

1. 你可以有很多手机平板设备，安装好TVM RPC这个App之后，可以在App里输入Tracker的IP和端口，进行设备注册(另外输入一个设备ID来让Auto-TVM tuning程序找到)。

2. Tracker是一个 Python 的程序，git clone TVM之后，按教程编译好，就可以按这个 教程：https://github.com/dmlc/tvm/tree/master/apps/android_rpc 启动Tracker。

3. Auto-TVM tuning程序也是一个python程序，它会连接Tracker(也可以和Tracker是一台机器)找到相应的设备ID的IP，然后和设备直接用RPC通信，Auto-TVM程序会根据程序预设的target(比如是不是arm cpu，要不要用OpenCL...) 来把你想要优化的Deep Learning模型直接编译为设备的machine code, 通过TVM RPC把code部署在终端，终端的TVM RPC App会测试这个模型的inference performance，然后回报给Auto-TVM tuning程序，然后Auto-TVM tuning程序会根据反馈，重新计算该如何优化编译，重新生成新的模型的machine code再次部署... 如此循环... 直到达到预设的实验次数(比如2000), 或太多次实验都没有提高提前结束(比如第一次就找到了最优优化结果)。最后TVM会根据调优时得到的最佳“编译参数”来最终编译你的deep learning 模型为终端模型的machine code，最终完成优化编译过程。

以上只是简单介绍，具体请看TVM的论文，和去TVM官网看 tutorial，写得非常详细切提供了很多很好理解的范例代码。我的最终的tuning程序，就是魔改其中一个范例程序而来。

TVM踩坑记录

TVM目前还只是0.6版本，很多东西还不稳定，由于开发环境各异，有时候需要工程师自己解决一些开发团队在开发时没有碰到的问题，但是这些问题相对与TVM提供的巨大优势相比，都是小问题啦（工程能力越强，魔改力越强，你就可以越早体验新技术带来的好处呀。）。（我遇到的最坑的问题其实是公司网络各种IP禁止访问，封端口，使得android机和开发服务器一直连不上, 最终还是在自己的电脑上装了虚拟机，自建了一个小LAN才解决的这个问题）

1. 编译tvm4j-core出错: cannot find symbol [ERROR] symbol: class SharedSecrets

JDK11会遇到这个问题，因为JDK11已经把sun.misc.SharedSecrets换到别的地方了，建议不要尝试修改TVM源代码来fix这个问题，因为你会遇到其他更多问题，请下载JDK8，把JAVA_HOME设为JDK8的，一切就会很顺利

2. Android TVM RPC编译出错: #error "Unable to determine endianness of your machine; use CMake to compile"

https://discuss.tvm.ai/t/android-rpc-server-fails-to-build/1461

按上边link里的修改endian.h文件即可，参见我下边的修改

diff --git a/include/dmlc/endian.h b/include/dmlc/endian.h

index 5bf53fb..9422fce 100644

--- a/include/dmlc/endian.h

+++ b/include/dmlc/endian.h

@@ -23,7 +23,9 @@

#elif defined(__EMSCRIPTEN__)

#define DMLC_LITTLE_ENDIAN 1

#else

- #error "Unable to determine endianness of your machine; use CMake to compile"

+ #include <endian.h>

+ #define DMLC_LITTLE_ENDIAN (__BYTE_ORDER == __LITTLE_ENDIAN)

+ /*!#error "Unable to determine endianness of your machine; use CMake to compile" */

#endif

#endif

3. Auto-TVM运行时出错"Do not know how to handle return type code 113"

https://discuss.tvm.ai/t/auto-tvm-failed-on-android-device-with-error-msg-of-do-not-know-how-to-handle-return-type-code-113/1808

可以根据我上边在TVM Discussion里的自问自答来解决。

4. 找不到TVM_NDK_CC

https://discuss.tvm.ai/t/solved-android-rpc-test-py-failed/1339

按照 dayanandasiet 的回复设定TVM_NDK_CC即可

5. LLVM only Large Small are allowd on AArch64

https://github.com/dmlc/tvm/issues/2005  可解。

6. Auto-TVM自动优化时出错：Cannot find config for target=cuda

https://discuss.tvm.ai/t/what-does-this-warning-cannot-find-config-for-target-cuda-mean/798/3

不是什么大问题，某operator不能调，对我来说其他的可以调就行了。。。。

7. Auto-TVM自动优化OpenCL时出错: No OpenCL platform matched given existing options

https://discuss.tvm.ai/t/no-opencl-platform-matched-given-existing-options/1848/6

也是自己问最终自己解决的，很反直觉，编译TVM的时候，选择OpenCL=OFF，就没有这个问题，选择OpenCL=ON，为终端Cross Compile OpenCL就不work了... 应该是bug.

8. Auto-TVM自动优化OpenCL时出错: CL_INVALID_WORK_GROUP_SIZE

https://discuss.tvm.ai/t/cl-invalid-work-group-size-error-after-auto-tuning-for-opencl-on-android-device/1858/10

应该是我trial number设的太小了，以至于TVM找不到一个valid的kernel，顺着这个问题，发现了CL_INVALID_WORK_GROUP_SIZE的一个undocumented的错误源，即OpenCL kernel使用过多的register file也会造成CL_INVALID_WORK_GROUP_SIZE错误，这一点在查OpenCL文档的时候是查不到的, 有点tricky。

9. Auto-TVM自动优化时Android TVM RPC Crush，一切白调。。。

目前TVM还不支持checkpoint，不过我们可以很简单的魔改measure_methods.py这个文件，把190行set_task(): 这个函数里的check remote失败直接raise RuntimeError退出程序，改成循环多次check即可，这样使得Auto-TVM一方持续等待Android程序上线，比一点网络问题，或者终端问题，就废掉之前n多个小时的auto-tuning成果要好的多。

最后感谢  @陈天奇 大神为我们带来了这么方便的工具。

*延伸阅读

• 微软开源的深度学习模型转换工具MMdnn

• 不要只关心怎么优化模型，这不是机器学习的全部

点击左下角 “ 阅读原文 ”， 即可申请加入极市 目标跟踪、目标检测、工业检测、人脸方向、视觉竞赛等技术交流群， 更有每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流， 一起来让思想之光照的更远吧~

觉得有用麻烦给个在看啦~