MegEngine 使用小技巧：如何做 MegCC 的模型性能评测

MegCC 是一个深度学习模型编译器，具有以下特点：

• 极轻量级运行时：只在二进制文件中保留所需的计算内核。例如，MobileNet v1 的81KB运行时间
• 高性能：每个操作都经过专家精心优化
• 便携：只生成计算代码，易于在 Linux、Android、TEE、BareMetal 上编译和使用
• Low Memory Usage while Boot Instantly：模型优化和内存规划在编译时生成。获得最先进的内存使用率，并且在推理过程中不花费额外的 CPU

MegCC 支持了基础的 Benchmark 模块用于测试各类模型的推理性能，获取推理时各个 Kernel 的性能数据，分析模型性能瓶颈。

如何使用 MegCC 基准测试

介绍

MegCC Benchmark 是一个简单的工具，可以在 MegCC 中获取不同模型的基准测试结果，文件结构如下所示：

├── clean.sh
├── CMakeLists.txt
├── main.cpp
├── model
│   ├── model_arm.json
│   ├── model_riscv.json
│   ├── model_x86.json
│   └── request.txt
├── python
│   ├── example.py
│   ├── format.sh
│   └── src
│       ├── benchmark.py
│       └── models.py
├── README.md
├── src
│   ├── benchmark.h
│   ├── build_config.h.in
│   ├── CCbenchmark.cpp
│   ├── CCbenchmark.h
│   ├── MGEbenchmark.cpp
│   └── MGEbenchmark.h
└── tools
    ├── cc_analysis.py
    └── inference_visual.py

在 src 中，它是一个 c++ 应用程序，用于在不同平台上运行基准测试结果。在 python 中，包含了模型转换，其他相关准备工作和基准测试示例，并给出了一些可用来分析基准测试结果工具脚本

支持模型

mobilenetv2、resnet18、efficientnetb0 shufflenetv2 vgg16

要求

mgeconvert > v.1.0.2
onnx==1.11.0
torch==1.10.0
cmake >=3.15.2
clang
ninja
torchvision==0.11.1`

mgeconvert 可以通过以下命令安装：

git clone https://github.com/MegEngine/mgeconvert.git
cd mgeconvert
git checkout master
python3 -m pip install . --user --install-option="--targets=onnx"

获取模型并运行基准示例

cd megcc/benchmark
export MEGCC_MGB_TO_TINYNN_PATH=<your_mgb_to_tinynn_path>
python3  python/example.py

example 会从 torchvision 下载对应模型并转换为 onnx, onnx 模型通过 mgeconvert 以及mgb-to-tiynn 转换为 megcc 模型

如果你想在其他平台上运行，请参考示例在 BenchmarkRunner 中添加你新的 run_platform_xxx 函数，示例给出了一个ssh远程设备测试模板

分析megcc日志

example.py 运行结束后，会在 benchmark 目录下生成 output 目录，里面包含了模型的推理 log 以及 profile log，这些 log 可以用相关分析脚本可视化进行进一步的分析利用

生成的 log 示例如下：

output/
├── megcc-x86-efficientnetb0-0-log-local.txt
├── megcc-x86-efficientnetb0-3-log-local.txt
├── megcc-x86-mobilenetv2-0-log-local.txt
├── megcc-x86-mobilenetv2-3-log-local.txt
├── megcc-x86-resnet18-0-log-local.txt
├── megcc-x86-resnet18-3-log-local.txt
├── megcc-x86-resnet50-0-log-local.txt
├── megcc-x86-resnet50-3-log-local.txt
├── megcc-x86-shufflenetv2-0-log-local.txt
├── megcc-x86-shufflenetv2-3-log-local.txt
├── megcc-x86-vgg11-0-log-local.txt
├── megcc-x86-vgg11-3-log-local.txt
├── megcc-x86-vgg16-0-log-local.txt
└── megcc-x86-vgg16-3-log-local.txt

0 代表只测速的 log, 3 代表 profile 的 log

注意：需安装 matplotlib

可视化不同模型的推理结果

benchmark 下tools/inference_visual.py工具可以用于分析测速日志，获取各个模型推理的性能对照，用法如下：

python3 tools/inference_visual.py output -o figure_dir 

运行完后会在 figure_dir 目录下生成如下所示的性能对照图：

可视化不同内核在不同模型中的分析结果

benchmark 下tools/cc_analysis.py工具可以用于分析profile日志，获取各个模型推理时前10个最耗时的kernel 耗时占比饼图，用法如下：

python3 tools/cc_analysis.py output -o figure_dir

运行完后相关饼图也会在 figure_dir 目录下生成， 示例如下：

附

更多 MegEngine 信息获取，您可以：查看文档、 深度学习框架 MegEngine 官网和 GitHub 项目，或加入 MegEngine 用户交流 QQ 群：1029741705

https://wiki.megvii-inc.com/pages/viewpage.action?pageId=444979800