[trt-hackthon2023]ControlNet-trt优化总结

trt-hackthon2023 ControlNet-trt优化总结

题目简介

本届赛题是模型优化赛，和上届的hackthon一样，也是借助于TensorRT工具，实现对深度模型的加速，本届赛题要优化的模型为controlNet，即为类SD的图像生成模型。

比赛地址：
https://tianchi.aliyun.com/competition/entrance/532108/information

赛题解读

模型结构

首先stable diffusion(SD)的模型结构如下所示，而controlNet则是其一个变种：

![[Pasted image 20230829220025.png]]

SD模型主要分为3部分，第一部分为AutoEncoderKL模型，这部分负责图像的编解码，其中在训练过程中用到编码部分，在推理阶段用到decode部分。第二部分为UNet部分，生成模型，这部分主要负责去燥和重采样。第三部分为FrozenCLIP部分，这部分是一个tokenizer和transformer，负责将prompt编码为context。

ControlNet的模型结构如下所示：

![[Pasted image 20230829220701.png]]

相比与SDmodel加入了ControlNet，其中ControlNet会根据生成图的约束条件生成一些约束，使用lora方法微调加入一些额外的block。关键点在于zero Convolution，copy了Unet中的下采样部分参数，并在上采样时将对应的feature concat一块，所以调的参数量比较少。

![[Pasted image 20230829220814.png]]

其中zeroConv部分实际上是将原有的参数冻结，然后再前后添加不改变原有形状的zero参数。

输入输出形状

分为4个模型去分析，分别是Controlnet、Unet、CLIP以及Decoder模型。下面是各个模型对应输入大小：

对于control_model，属性名为control_model，类名为ControlNet，其输入形状为：

x: [1, 4, 32, 48](bs, _, H//8, W//8)
Hint: [1, 3, 256, 384](bs, ch, h, w)
timesteps:[1](bs)
Context: [1, 77, 768] (bs, max_token_len, hidden_size)
Controls: 13*x 13个上采样的feature，有不同分辨率，[1, 320, 32,48] (bs, ch, H//8, W//8)

对于Unet，实际类名为DiffusionModel，其输入输出形状为：
输入shape：

x: [1, 4, 32, 48] (bs, _, H//8, W//8)
Hint: [1, 3, 256, 384](bs, ch, h, w)
timesteps:[1](bs)
Context: [1, 77, 768] (bs, max_token_len, hidden_size)
输出shape：

Decoder模型，在类中属性为first_stage_model，实际类名为AutoEncoderKL，其输入输出形状为：
输入shape：

[1, 4, 32, 48]
输出shape:

对于CLIP模型，属性名为cond_stage_model，类名为FrozenCLIPEmbedder，其输入输出形状为：
输入shape:

prompt:str
输出shape:
[1, 4, 256, 384]

优化方案设计

策略列表

将原torch模型转化为trt模型运行
将trt模型转化为fp16半精度模型
增大运行batch，将condition和uncondition计算合并为一次运算
增加trt运行时的优化等级
使用cuda_graph减少kernel间的启动间隙
使用Mutil-stream增加异步
修改onnx图，增加自定义plugin插件
手动使用trt-module构建网络
使用int8 加速模型运行

需要注意的点：

CLIP模型和Decoder模型在FP16模式下会有较大的误差，主要原因在于有些FP下的计算的结果过于小，以至于超出了FP可保存的下限。

具体实现

torch模型转化为trt模型

这里以controlnet为例，来说明如何将torch模型转化为trt模型。

control_model = self.model.control_model
x_in = torch.randn(1, 4, H//8, W //8, dtype=torch.float32).to("cuda")
h_in = torch.randn(1, 3, H, W, dtype=torch.float32).to("cuda")
t_in = torch.zeros(1, dtype=torch.int32).to("cuda")
c_in = torch.randn(1, 77, 768, dtype=torch.float32).to("cuda")

controls = control_model(x=x_in, hint=h_in, timesteps=t_in, context=c_in)

output_names = []
for i in range(13):
	output_names.append("out_"+ str(i))

dynamic_table = {'x' : {0 : 'bs', 2 : 'H', 3 : 'W'}, 
					'hint' : {0 : 'bs', 2 : '8H', 3 : '8W'}, 
					'timesteps' : {0 : 'bs'},
					'context' : {0 : 'bs'}}

for i in range(13):
	dynamic_table[output_names[i]] = {0 : "bs"}
torch.onnx.export(control_model,               
					(x_in, h_in, t_in, c_in),  
					control_onnx_path,   
					export_params=True,
					opset_version=18,
					do_constant_folding=True,
					keep_initializers_as_inputs=True,
					input_names = ['x', "hint", "timesteps", "context"], 
					output_names = output_names, 
					dynamic_axes = dynamic_table)

if build_trt and not os.path.isfile(control_trt_path):         
        cmd = f"trtexec --onnx={control_onnx_path} --saveEngine={control_trt_path} --{opt_fp} \
        --optShapes=x_in:1x4x32x48,h_in:1x3x256x384,t_in:1,c_in:1x77x768"
        os.system(cmd)

针对control_model，有X，hint，time,cond等几个常规输入，controlnet是一个包含了13个不同大小分辨率的特征图。使用torch.onnx工具进行导出时，需要声明输入输出变量以及要导出的形状，注意opset小于18时，layernorm算子将不能正常导出。dynamic_table要设置动态shape，以方便在trt中使用动态形状推理。这里使用的是trtexec命令进行转化的，当然也可以使用Polygraphy等工具进行转换。

其运行时环境如下所示：

with open(control_trt_path, 'rb') as f:
    engine_str = f.read()

control_engine = trt.Runtime(self.trt_logger).deserialize_cuda_engine(engine_str)
control_context = control_engine.create_execution_context()

control_context.set_binding_shape(0, (1, 4, H // 8, W // 8))
control_context.set_binding_shape(1, (1, 3, H, W))
control_context.set_binding_shape(2, (1,))
control_context.set_binding_shape(3, (1, 77, 768))
self.model.control_context = control_context

通过构建trt_loggerr构建trt_engine，再构建对应的context环境，对于当前的context环境，对每个动态shape的输入进行binding_shape。

buffer_device = []
buffer_device.append(device_view(x_noisy))
buffer_device.append(device_view(cond_hint))
buffer_device.append(device_view(t)) #  t.reshape(-1).data_ptr())
buffer_device.append(device_view(cond_txt)) #  cond_txt.reshape(-1).data_ptr())

control_out = []
for i in range(3):
    temp = torch.zeros(b, 320, h, w, dtype=torch.float32).to("cuda")
    control_out.append(temp)
    buffer_device.append(device_view(temp)) # .data_ptr())

temp = torch.zeros(b, 320, h//2, w//2, dtype=torch.float32).to("cuda")
control_out.append(temp)
buffer_device.append(device_view(temp)) # .data_ptr())

for i in range(2):
    temp = torch.zeros(b, 640, h//2, w//2, dtype=torch.float32).to("cuda")
    control_out.append(temp)
    buffer_device.append(device_view(temp)) # .data_ptr())

temp = torch.zeros(b, 640, h//4, w//4, dtype=torch.float32).to("cuda")
control_out.append(temp)
buffer_device.append(device_view(temp)) ## .data_ptr())

for i in range(2):
    temp = torch.zeros(b, 1280, h//4, w//4, dtype=torch.float32).to("cuda")
    control_out.append(temp)
    buffer_device.append(device_view(temp)) # .data_ptr())

for i in range(4):
    temp = torch.zeros(b, 1280, h//8, w//8, dtype=torch.float32).to("cuda")
    control_out.append(temp)
    buffer_device.append(device_view(temp))

buffer_device = [buf.ptr for buf in buffer_device]

self.control_context.execute_async_v2(buffer_device, cuda.Stream().ptr)

在真正推理时，需要将数据放入buffer_device中，其实是cuda缓存区，如果是c++则需要将host的内存数据搬到对应的device中去。在python中因为torch提供一种直接访问cuda显存的方式，所以相对就简单一些，然后将准备好的buffer_device送入到context下进行异步执行。

其他模型转化类似可参考。

将trt模型转化为fp16半精度模型

将trt转化为fp16运行在实际代码上改动量并不算大，因为tensorrt本身已经对fp16做了比较好的支持，只需要在trtexec时开启fp16选项即可。这里需要注意的是，因为fp16时有溢出，所以某些位置要特殊处理。比如在CLIPmodel中，所有的mask都被置为了-inf, 还有Softmax操作，因为存在指数对数，只需要改为一个特别小的负数即可：

# change onnx -inf to -1e4
for node in new_onnx_model.graph.node:
    # if node.name == "/text_model/ConstantOfShape_1":
    if node.op_type == "ConstantOfShape":
        print(node)
        attr = node.attribute[0]
        print(attr)
        if attr.name == "value" and attr.t.data_type == onnx.TensorProto.FLOAT:
            np_array = np.frombuffer(attr.t.raw_data, dtype=np.float32).copy()
            print("raw array", np_array)
            np_array[np_array == -np.inf] = -100000  # 将所有负无穷的值
            attr.t.raw_data = np_array.tobytes() 
            print("new array", np_array)
        print(attr)
onnx.save_model(
    new_onnx_model,
    new_onnx_path2,
    # save_as_external_data=True,
    # all_tensors_to_one_file=False
)

注意： fp16转换之后对应的误差在1e-2~1e-3左右。

增大运行batch

这里优化的点在于，由于原模型计算condition和uncondition时，是分两步进行计算的，具体实现如下所示：

model_t = self.model.apply_model(x, t,  cond_txt, c_hint_in)
model_uncond = self.model.apply_model(x, t, uncond_txt, unc_hint_in)
model_output = model_uncond + unconditional_guidance_scale * (model_t - model_uncond)

那么在优化时，便可以将两次运算合并为同一个batch，然后使用chunk分割计算后的结果，具体实现如下：

model_t, model_uncond = torch.chunk(
  self.model.apply_model(
  torch.cat((x.detach().clone(), x.detach().clone())), 
  torch.cat((t.detach().clone(), t.detach().clone())), 
  torch.cat((cond_txt.detach().clone(), uncond_txt.detach().clone())), 
  torch.cat((c_hint_in.detach().clone(), unc_hint_in.detach().clone())) ), 2)

def apply_model(self, x_noisy, t, cond_txt, cond_hint=None, *args, **kwargs):
   t = torch.tensor(t, dtype=torch.int32)
   input_tensor = {
      'x': x_noisy,
      'hint': cond_hint,
      'timesteps': t,
      'context': cond_txt
   }
   input_feed = {k: device_view(v) for k, v in input_tensor.items()}
   stream = cuda.Stream()
   trt_outputs = self.control_engine.infer(input_feed, stream)
   stream.synchronize()
   trt_outputs = [t for k, t in trt_outputs.items() if 'out' in k]
   control = [c * scale for c, scale in zip(trt_outputs, self.control_scales)]
      
   for i in range(len(control)):
      input_tensor[f'control_{i}'] = control[i]

   input_tensor.pop('hint')
   input_feed = {k: device_view(v) for k, v in input_tensor.items()} 
   trt_outputs = self.unet_engine.infer(input_feed, stream)
   stream.synchronize()
   trt_eps = trt_outputs['eps'] 
   # print("eps diff", torch.abs(trt_eps-th_eps).max())
   return trt_eps

具体推理代码和上述controlnet类似，但是在转onnx和trt时，需要将动态batch_size的大小设置为2，否则在运行trt时将出现不匹配的情况。另外需要注意的是，由于onnx的某些输入为int64，如果是torch的默认输入，则需要将原有的type int64转化为int32运行，否则在batch为2会出现越界，导致结果不正确，笔者在这点曾困惑很久。

增加trt运行时的优化等级

这点不属于认为的优化，是trt本身的优化--builderOptimizationLevel 默认参数为3，可以设置为较大的参数，比如设置为5。当设置为5时，对应算子运行的搜索空间会变大，对应消耗的峰值显存会变大，相应地，构建时间会变长。

比赛总结

以上几点是在比赛中使用到的，并且是有明显的运行加速效果提升的。剩余的几点策略后续看完其他大佬的源码之后再来总结，也是一次非常好的学习机会。
但是反观这次比赛，我觉得有几个痛点在以后的比赛中需要注意：

心态问题：起步并不算晚，开始名次还算可以，但后续由于在调batch时耗费了太多时间(其实归根到底是由于粗心大意造成的)，导致心态不太稳定，发挥也不太好。
多看社区公告：有些软件升级，也有群友提供一些比较好的想法，能够打开一些新的思路。
显卡缺乏：目前只有基础的硬件条件，工作区的硬件还是不太够，调试起来很耗费时间。
要学习的点还有很多：这次算是入门级，后续要看的东西还很多。

希望下次能够再接再厉，加油！

posted @ 2023-08-31 00:49 wildkid1024 阅读(404) 评论(0) 编辑收藏举报

刷新页面返回顶部

wildkid1024

平平无奇！