【商汤实习总结】深度学习模型部署与落地
温故而知新，参考mentor睿昊学长(xhplus)和主管锋伟(forwil)的专栏，记录在商汤实习内容的总结和反思。希望商汤工具人组越来越nb！
什么是模型部署
经过大量的图片进行训练后，一个具有上亿个参数的深度学习模型在测试集上达到的预定的精度，这时候老板们一定催着把这个模型上线/搭载到产品中 进行 验证/售卖。模型部署就是完成深度学习算法产品化的最后一步。一个完美的模型部署工具/引擎，理应完成以下几个功能：
- 跨平台：可跑在任何的硬件上，包括各类cpu/gpu/dsp/asic/fpga...
- 高效能：速度快、占用内存少...
- 保精度：产品精度与训练精度保持一致、损失极少...
- 产品集成：满足产品的各种用法，包括加密、批处理、reshape，甚至授权，可裁剪
- 训练打通：与训练生态打通，最好是训练完成后，简单命令直接导出
理想是美好的，现实往往很惨。理应把模型部署做的很好的源头：pytorch、tensorflow 做得不尽人意，尤其体现在跨平台、高效能和产品集成上。猜测是因为G&F两家的模型部署场景只有云与端，云侧可以用暴力的serving API直接将单模型上线，端侧似乎大家只关心手机，G家草草的搞个tensorflow-lite支持arm/ocl就完事了。
在这方面明显国内的需求场景走的非常靠前：1、国产成熟的深度学习芯片大量覆盖云侧和端侧，端侧需求除手机之外需求同样十分旺盛。2、国内的算法精度/速度要求及其高，普通的单模型流程无法满足。
现在是2020年，可以断言的是，国内随便一家做AI公司的部署系统，必定领先G家和F家好几代，这是贵国产业软件技术领先性上，非常难得的状态。
怎么是多平台模型部署
多平台模型部署指的是将已经训练收敛的模型，经过一系列工具，最终将模型运用在各式各样的计算设备上。市面上所有云端、边缘的人脸特效、人脸验证等功能，都是以此种模式运行，达到高性能、低延时。
商汤的研究课题包括：如何用一套架构支持各式各样的计算设备，如何将算法的前处理和后处理囊括在部署流程中，如何在可编程设备上达到极致的计算性能等等。
怎么研究部署系统
研究模型部署最好的范本绝对是DL框架的老祖宗：caffe。几乎所有的部署系统都深受caffe的影响。caffe提供了一个非常简单的基于net to layer的范式，很好的建模了至少是CNN模型的运行环境。下图展示一个caffe的架构示意图：
caffe是一个非常简单的执行引擎，在不考虑训练的情况下。最大单位为Net，在Net之上定义了一个Layer Vector，通过从0到n遍历layer，调用layer.forward，即可完成一次前馈。caffe有一些设计被其他框架大量的借鉴，比如基于layer的注册器机制、基于blob的内存管理等等。来自腾讯的ncnn/featherCNN都是基于caffe架构演进过来的（都继承了一些特性，修复了一些问题）。
但caffe的缺点同时也十分明显，给大家留下了非常非常多优化空间，可以说修复这些缺点养活了国内大量的深度学习工程师：
- cuda default stream：caffe里没有进行cuda kernel stream的管理，使得同一张显卡跑两个caffe部署任务效率急剧下降。
- Dtype：caffe里创建网络的数值类型是通过模板参数传入了，由于深度学习的低精度、低比特并不仅仅是改变编程语言里的数值类型这么简单，导致至少在很长一段时间里，caffe甚至都极难支持fp16部署。
- protobuf：caffe极度依赖一个中心化的protobuf定义，这带来了几个问题，一是protobuf的代码size不小，在极端追求库体积情况下成为累赘。另一个是中心化的protobuf使得注册一个新的layer及其不模块化，很容易造成版本冲突。
- blob in layer：caffe的设计中，卷积的weight是隐藏在layer的参数中的，这样的设计明显不如将卷积的weight作为第二个/第三个常量tensor输入来的简洁和一致。
- heavey runtime：caffe没有解耦 模型结构定义 与 layer kernel实现 两者，使得caffe和protobuf格式深深的绑定在了一起。在深度学习不断发展，硬件不断变多，网络格式日新月异的同时，all-in-one-runtime的方式制约了许多新feature的引入和更深的优化。compiler-runtime分离的方式被验证是一种更合理的方案。
尽管如此，caffe依然是一个非常伟大的框架，任何在校生只要能把caffe吃透，对于其对深度学习的理解，大规模c++项目的认知将会上一个台阶。
什么是深度学习芯片
深度学习芯片是一个并未界定严谨的概念。
狭义上，深度学习芯片指“针对深度学习设计的，可高效执行深度学习算法的芯片”，一般指ASIC和FPGA。其叫法五花八门，根据不同厂商的风格，有不同的特定称呼，如DPU，NPU，TPU等等。
从广义上，DSP、CPU和GPU也可以称之为深度学习芯片，因为深度学习算法也可以极其高效的运行在这些设备上面：DSP往往拥有超长的指令集（VLIW），提供位宽特别大，峰值算力不错的SIMD（单指令多数据流）指令支持。CPU中的ARM/X86同样也为深度学习应用提供了长度128~256~512不等的fp32/fp16/int8计算。至于GPU，深度学习扛把子Nvidia的GPU就不同提了，移动端的GPU同样提供丰富的矩阵算力，以fp16为主要支持的精度。
Hi3559A 提供了4种不同类型的深度学习执行方案
以最为典型的海思家族的Hi3559A SOC为例，就集结了四种典型的处理器类型。神奇的是，这四种处理器都可以执行深度学习模型，是不是很吃惊？所以如果听到有人说“我这个算法可以跑在3559A”上，那你可得问清楚了是跑在哪个处理器，因为四种处理器的编程难度、算力可不相同。
| 芯片 | 算力 | 编程方法级别 |
|---|---|---|
| ARM A73/A53 | 28.8 + 19.2 Gops（fp32） | ARM neon：vmla |
| Mali G71 | 约 22.16 Gops (fp16) | opencl 1.1/1.2/2.0 |
| DSP：4 x cadence vp6 | 4 x 350 Gops (int8) | VP6 VLIW instruction |
| NPU：2 x nnie11 | 2 x 1.7 Tops (int8) | HI_MPI_SVP_NNIE API |
部署框架如何支持一款新的深度学习硬件
我们可以找到非常方便的部署软件库：
- ARM：市面上支持arm上部署神经网络的库很多：ncnn，tnn，mnn，tengine，featherCNN，tvm
- DSP：tensilica官方提供运行库XNNC（Xtensa Neural Network Compiler）看文档有点麻烦，但跑起来应该没问题。就是需要封装到HI_SVP的DSP RPC接口中。
- NNIE：nnie的文档十分完善，mapper一下直接量化部署全搞定！
“针对每个平台单独转换，执行的话，以后换新算法、新模型咋办？以后如果又来一个新平台，你是不是还得再写一遍代码。”
——思考一种软件架构，可以灵活的接入不同的新硬件，并且快速适配新模型：
定义一个标准接口（或者说基类），然后针对每个平台写一个适配（子类）。实操上，可以使用工厂模式或者动态库加载的方式，注册到环境中。这样就可以不用改动上层的前处理和后处理封装，将神经网络的执行过程完全隐藏在标准接口内了。几个基础函数如下：
1 nn_handle * NN_Init(char * model_file); // 通过模型文件创建句柄 2 void NN_Prepare(nn_handle * hdl); // 执行一的内存空间申请等事项 3 nn_tensor * NN_GetTensor(nn_handle * hdl, char * tensor_name); // 获取输入输出Tensor 用于取数据（或者塞数据） 4 void NN_SetTensor(nn_handle * hdl, char * tensor_name, nn_tensor * tensor); // 将数据送回网络（一般是输入） 5 void NN_Forward(nn_handle * hdl): // 数据准备完毕，开始推理 6 void NN_Destroy(nn_handle * hdl); // 模型执行结束，销毁句柄
一个简单版本的多平台模型部署框架
除此之外，我们还发现另外一堆严重的问题：
- DSP和NNIE都只支持量化INT8/INT32数据输入/输出，之前Caffe和NCNN则都是fp32。数据类型无法统一。
- NNIE不支持在运行时使用caffe模型进行初始化，需要转换到专用格式，这种格式只能在x86上进行。
- DSP的模型已经直接编译成二进制固件了，需要非常复杂的DSP重启操作才能使用。
- 刨掉Shufflenet不说，NNIE和DSP在Resnet18上因为将数值转化成了INT8，都出现了不同程度的掉精度。
Reference
部署：深度学习落地的最后“N”公里
