CUDA優化之PReLU效能調優

語言: CN / TW / HK

撰文|鄭澤康

InsightFace模型裡大量使用了PReLU啟用函式,而PReLU的工作模式有兩種:

  1. PReLU(1),此時權重alpha的形狀為(1, ),等價於一個Elementwise操作。

  2. PReLU(channels),此時權重alpha的形狀為(channels, ),和輸入特徵(N, C, H, W)中C的大小是對應的。此時PReLU等價於一個Binary Broadcast操作。

InsightFace模型裡的PReLU工作模式是第二種,之前已經介紹過CUDA Elementwise操作優化,而在Broadcast情形下也存在一定的優化機會。

1

樸素實現

一個樸素實現的思想就是在迴圈內部,根據當前元素的索引,推算出該元素對應需要使用的alpha權重的索引。然後判斷當前元素x是否大於0,若大於0則返回x,小於0則返回alpha*x。對應程式碼如下:

template<typename T> __global__ void PReluForwardGpu(const int32_t elem_cnt, const int32_t alpha_size, const int32_t inner_size, const T* x, const T* alpha, T* y) { CUDA_1D_KERNEL_LOOP(i, elem_cnt) { const T x_i = x[i]; const T alpha_i = alpha[(i / inner_size) % alpha_size]; y[i] = x_i > 0 ? x_i : x_i * alpha_i; } }

其中:

  • inner_size表示的是通道維後面維度乘積,以NCHW格式為例,inner_size=H*W
  • alpha_size表示通道維大小

在CUDA中,整數除法的計算代價是比較昂貴的(https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#maximize-instruction-throughput)關於計算指令耗時這一章中有提到:

Integer division and modulo operation are costly as they compile to up to 20 instructions.

整數除法,取餘操作會被編譯成多達20條指令。而我們這裡計算alpha的索引的時候,分別用到一次除法,一次取餘,佔整個Kernel的主要計算量,下面我們將用向量化的思路來提高讀寫頻寬的同時,減少整數除法,取餘的計算次數。

2

Pack向量化優化

我們考慮一個比較簡單的例子,輸入為(1, 2, 4, 4),對應PReLU(2)

CUDA優化之PReLU效能調優

顯然,輸入在hw維上是連續的,在 inner_size滿足被pack整除的條件下,一個pack內的元素應用到的是同一個alpha權重**。參見下圖:

CUDA優化之PReLU效能調優

這樣我們就能以向量化形式去處理元素,以提升讀寫頻寬。並且每一個pack內部只需要計算一次,向量化處理相比逐元素計算能節省不小計算量。對應程式碼如下:

``` template global void PReluForwardMultiAlphaGpu(const IndexType elem_cnt, const IndexType alpha_size, const IndexType inner_size, const T x, const T alpha, T* y) { int32_t global_thread_id = blockIdx.x * blockDim.x + threadIdx.x;

using LoadType = cuda::elementwise::PackType; using LoadPack = cuda::elementwise::Pack; T zero_val = static_cast(0); for (int64_t linear_index = global_thread_id * pack_size; linear_index < elem_cnt; linear_index += gridDim.x * blockDim.x * pack_size) { // 計算當前Pack所使用到Alpha的索引

IndexType alpha_idx = (linear_index/inner_size%alpha_size);
const LoadType* x_load = reinterpret_cast<const LoadType*>(x + linear_index);
// 以向量化的形式載入輸入x
LoadPack x_vec;
x_vec.storage = *x_load;

LoadPack y_vec;
// 迴圈展開,逐個處理Pack內的元素

pragma unroll

for (int i = 0; i < pack_size; i++) {
  y_vec.elem[i] = x_vec.elem[i] > zero_val ? x_vec.elem[i] : x_vec.elem[i] * alpha[alpha_idx];
}
// 以向量化的形式儲存輸出y
*(reinterpret_cast<LoadType*>(y + linear_index)) = y_vec.storage;

} } ```

我們在Nsight Compute內簡單比較下優化前後的結果,測試資料為(96, 64, 112, 112),機器為A100-40GB。藍色一欄是使用向量化優化過的kernel,而綠色一欄是樸素實現的kernel。可以看到,經過優化後,我們計算佔比降低20%-30%,吞吐提升了30+%。優化後的kernel頻寬能達到1350GB/s,已經很接近A100上的理論頻寬1555GB/s。

CUDA優化之PReLU效能調優

當然也不是所有形狀都支援向量化操作,當inner_size無法被對應的pack_size 整除時,只能退回到樸素實現上。

3

基準測試

在A100-40GB測試機器上,我們對Insightface涉及到的Tensor形狀,與PyTorch實現進行比較,測試資料如下:

CUDA優化之PReLU效能調優

經過優化PReLU的OneFlow,在大部分情況下均有比PyTorch接近2倍的領先優勢,在最後一種情況由於形狀較為特殊,無法應用向量化的優化,所以表現與PyTorch持平。

歡迎下載體驗 OneFlow v0.7.0 最新版本: https://github.com/Oneflow-Inc/oneflow/