利用 UMA 使硬體加速器可直接用於 TVM

超神經HyperAI發表於2023-04-11

本篇文章譯自英文文件 Making your Hardware Accelerator TVM-ready with UMA

作者是 Michael J. Klaiber,Christoph Gerum,Paul Palomero Bernardo

更多 TVM 中文文件可訪問 →TVM 中文站

本節介紹通用模組化加速器介面(UMA)。UMA 提供了一個易用的 API 來將新的硬體加速器整合到 TVM 中。

本教程詳細介紹瞭如何利用 UMA 使得你的硬體加速器可直接用於 TVM。雖然這個問題沒有萬能的解決方案,但 UMA 旨在提供一個穩定的純 Python API,從而將許多種類的硬體加速器整合到 TVM 中。

本教程將透過三個逐漸複雜的用例來介紹 UMA API。這些用例引入了三個模擬加速器 Vanilla、Strawberry 和 Chocolate,並用 UMA 將它們整合到 TVM 中。

Vanilla​

Vanilla 是一個由 MAC 陣列組成的簡單加速器,沒有內部儲存器。它只能處理 Conv2D 層,所有其他層都在 CPU 上執行,同時也協調 Vanilla。 CPU 和 Vanilla 共享記憶體。

Vanilla 的 C 介面 vanilla_conv2dnchw(...) 用於執行 Conv2D 操作(包括 same-padding),它接收指向輸入特徵圖、權重和結果的指標,以及 Conv2D 的維度:oc、iw、ih、ic、kh 和 kw

int vanilla_conv2dnchw(float* ifmap, float*  weights, float*  result, int oc, int iw, int ih, int ic, int kh, int kw);

指令碼 uma_cli 為新的加速器建立帶有 API(UMA-API)呼叫的程式碼骨架。

Vanilla 的使用方式如下:(--tutorial vanilla 新增了本部分教程所需的所有附加檔案)

pip install inflection
cd $TVM_HOME/apps/uma
python uma_cli.py --add_hardware vanilla_accelerator --tutorial vanilla

uma_cli.py 在 vanilla_accelerator 目錄中生成這些檔案。

backend.py
codegen.py
conv2dnchw.cc
passes.py
patterns.py
run.py
strategies.py

Vanilla 後端

vanilla 生成的後端位於 vanilla_accelerator/backend.py 中:

class VanillaAcceleratorBackend(UMABackend):
 """VanillaAccelerator 的 UMA 後端。"""

 def __init__(self):
 super().__init__()

        self._register_pattern("conv2d", conv2d_pattern())
        self._register_tir_pass(PassPhase.TIR_PHASE_0, VanillaAcceleratorConv2DPass())
        self._register_codegen(fmt="c", includes=gen_includes)

 @property
 def target_name(self):
 return "vanilla_accelerator"

定義遷移模式

為了指定 Conv2D 遷移到 Vanilla,vanilla_accelerator/patterns.py 中將其描述為 Relay 資料流模式(DFPattern)。

def conv2d_pattern():
    pattern = is_op("nn.conv2d")(wildcard(), wildcard())
    pattern = pattern.has_attr({"strides": [1, 1]})
 return pattern

為了將輸入計算圖的 Conv2D 運算元對映到 Vanilla 的底層函式呼叫 vanilla_conv2dnchw(...),在 VanillaAcceleratorBackend 中註冊了 TIR pass VanillaAcceleratorConv2DPass(稍後討論)。

Codegen

檔案 vanilla_accelerator/codegen.py 定義了靜態 C 程式碼,它被新增到生成的結果 C 程式碼(由 gen_includes 中的 TVM 的 C-Codegen 生成)中,其目的是包含 Vanilla 的底層庫 vanilla_conv2dnchw()。

def gen_includes() -> str:
    topdir = pathlib.Path(__file__).parent.absolute()

    includes = ""
    includes += f'#include "{topdir}/conv2dnchw.cc"'
 return includes

如上面的 VanillaAcceleratorBackend 所示,用 self._register_codegen 可將其註冊到 UMA。

self._register_codegen(fmt="c", includes=gen_includes)

構建神經網路並在 Vanilla 上執行

為了演示 UMA 的功能,將為單個 Conv2D 層生成 C 程式碼,並在 Vanilla 加速器上執行。檔案 vanilla_accelerator/run.py 提供了一個使用 Vanilla 的 C-API 執行 Conv2D 層的 demo。

def main():
    mod, inputs, output_list, runner = create_conv2d()

    uma_backend = VanillaAcceleratorBackend()
    uma_backend.register()
    mod = uma_backend.partition(mod)
    target = tvm.target.Target("vanilla_accelerator", host=tvm.target.Target("c"))

    export_directory = tvm.contrib.utils.tempdir(keep_for_debug=True).path
 print(f"Generated files are in {export_directory}")
    compile_and_run(
        AOTModel(module=mod, inputs=inputs, outputs=output_list),
        runner,
        interface_api="c",
        use_unpacked_api=True,
        target=target,
        test_dir=str(export_directory),
 )

main()

執行 vanilla_accelerator/run.py,將以模型庫格式(MLF)生成輸出檔案。

輸出結果:

Generated files are in /tmp/tvm-debug-mode-tempdirs/2022-07-13T13-26-22___x5u76h0p/00000

檢視生成的檔案:

輸出結果:

cd /tmp/tvm-debug-mode-tempdirs/2022-07-13T13-26-22___x5u76h0p/00000
cd build/
ls -1

codegen
lib.tar
metadata.json
parameters
runtime
src

若要評估生成的 C 程式碼,請檢視 codegen/host/src/default_lib2.c。

cd codegen/host/src/
ls -1

default_lib0.c
default_lib1.c
default_lib2.c

在 default_lib2.c 中,可以看到生成的程式碼呼叫了 Vanilla 的 C-API,然後執行了一個 Conv2D 層:

TVM_DLL int32_t tvmgen_default_vanilla_accelerator_main_0(float* placeholder, float* placeholder1, float* conv2d_nchw, uint8_t* global_workspace_1_var) {
 vanilla_accelerator_conv2dnchw(placeholder, placeholder1, conv2d_nchw, 32, 14, 14, 32, 3, 3);
 return 0;
}

Strawberry​

即將上線

Chocolate​

即將上線

徵求社群意見​

若本教程不適合你的加速器,請將你的需求新增到 TVM 論壇中的 UMA 帖子 中。我們很樂意透過擴充套件本教程來提供更多指導,例如如何利用 UMA 介面使得更多種類的 AI 硬體加速器可直接用於 TVM。

參考​
[UMA-RFC]UMA:通用模組化加速器介面,TVM RFC,2022 年 6 月。

[DFPattern]Relay 中的模式匹配

下載 Python 原始碼:uma.py

下載 Jupyter Notebook:uma.ipynb

以上就是該文件的全部內容,點選檢視更多 TVM 中文文件

相關文章