异构平台下卷积神经网络推理模型自适应划分和调度方法

doi:10.11772/j.issn.1001-9081.2022081177

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (9): 2828-2835.DOI: 10.11772/j.issn.1001-9081.2022081177

异构平台下卷积神经网络推理模型自适应划分和调度方法

尚绍法¹, 蒋林¹(), 李远成¹, 朱筠²

^1.西安科技大学计算机科学与技术学院，西安 710600
^2.西安邮电大学电子工程学院，西安 710121

收稿日期:2022-08-10 修回日期:2022-12-01 接受日期:2022-12-08 发布日期:2023-01-18 出版日期:2023-09-10
通讯作者: 蒋林
作者简介:尚绍法（1998—），男，陕西渭南人，硕士研究生，主要研究方向：编译优化、深度学习
李远成（1981—），男，河南开封人，讲师，博士，CCF会员，主要研究方向：计算机体系结构、并行计算、人工智能
朱筠（1981—），女，陕西西安人，讲师，硕士，主要研究方向：集成电路设计及仿真。
基金资助:
国家自然科学基金资助项目(61834005);陕西省自然科学基金资助项目(2020JM-525);科技创新2030-“新一代人工智能”重大项目(2020AAA0104603);榆林市科技计划项目(CXY-2020-026)

Adaptive partitioning and scheduling method of convolutional neural network inference model on heterogeneous platforms

Shaofa SHANG¹, Lin JIANG¹(), Yuancheng LI¹, Yun ZHU²

^1.College of Computer Science and Technology，Xi’an University of Science and Technology，Xi’an Shaanxi 710600，China
^2.School of Electronic Engineering，Xi’an University of Posts and Telecommunications，Xi’an Shaanxi 710121，China

Received:2022-08-10 Revised:2022-12-01 Accepted:2022-12-08 Online:2023-01-18 Published:2023-09-10
Contact: Lin JIANG
About author:SHANG Shaofa， born in 1998， M. S. candidate. His research interests include compiling optimization， deep learning.
LI Yuancheng， born in 1981， Ph. D.， lecturer. His research interests include computer architecture， parallel computing， artificial intelligence.
ZHU Yun， born in 1981， M. S.， lecturer. Her research interests include integrated circuit design and simulation.
Supported by:
National Natural Science Foundation of China(61834005);Shaanxi Natural Science Foundation(2020JM-525);Scientific and Technological Innovation 2030 - Major Project of “New Generation Artificial Intelligence”(2020AAA0104603);Yulin Science and Technology Program(CXY-2020-026)

摘要/Abstract

摘要：

针对卷积神经网络（CNN）在异构平台执行推理时存在硬件资源利用率低、延迟高等问题，提出一种CNN推理模型自适应划分和调度方法。首先，通过遍历计算图提取CNN的关键算子完成模型的自适应划分，增强调度策略灵活性；然后，基于性能实测与关键路径-贪婪搜索算法，在CPU-GPU异构平台上根据子模型运行特征选取最优运行负载，提高子模型推理速度；最后利用张量虚拟机（TVM）中跨设备调度机制，配置子模型的依赖关系与运行负载，实现模型推理的自适应调度，降低设备间通信延迟。实验结果表明，与TVM算子优化方法在GPU和CPU上的推理速度相比，所提方法在模型推理准确度无损前提下，推理速度提升了5.88%~19.05%和45.45%~311.46%。

关键词: 张量虚拟机, 卷积神经网络, 模型划分, 任务调度, 特征分析

Abstract:

Aiming at the problems of low hardware resource utilization and high latency of Convolutional Neural Network （CNN） when performing inference on heterogeneous platforms， a self-adaptive partitioning and scheduling method of CNN inference model was proposed. Firstly， the key operators of CNN were extracted by traversing the computational graph to complete the adaptive partition of the model， so as to enhance the flexibility of the scheduling strategy. Then， based on the performance measurement and the critical path-greedy search algorithm， according to the sub-model running characteristics on the CPU-GPU heterogeneous platform， the optimal running load was selected to improve the sub-model inference speed. Finally， the cross-device scheduling mechanism in TVM （Tensor Virtual Machine） was used to configure the dependencies and running loads of sub-models in order to achieve adaptive scheduling of model inference， and reduce the communication delay between devices. Experimental results show that on GPU and CPU， compared to the method optimized by TVM operator， the proposed method improves the inference speed by 5.88% to 19.05% and 45.45% to 311.46% with no loss of model inference accuracy.

Key words: Tensor Virtual Machine (TVM), Convolutional Neural Network (CNN), model partitioning, task scheduling, characteristic analysis

中图分类号:

TP302.1

尚绍法, 蒋林, 李远成, 朱筠. 异构平台下卷积神经网络推理模型自适应划分和调度方法[J]. 计算机应用, 2023, 43(9): 2828-2835.

Shaofa SHANG, Lin JIANG, Yuancheng LI, Yun ZHU. Adaptive partitioning and scheduling method of convolutional neural network inference model on heterogeneous platforms[J]. Journal of Computer Applications, 2023, 43(9): 2828-2835.

图/表 17

图1 三种典型CNN模型结构

Fig. 1 Structures of three typical CNN models

表1 三类CNN模型的组成结构

Tab.1 Composition structures of three CNN models

模型	主要组成
VGG16	5×Conv_Block+3×Fc
ResNet18	1×Conv_Block+4×Residual_Block（含19×Conv_Block）+1×Fc
GoogLeNet	3×Conv_Block+9×Inception_Block（含64×Conv_Block）+1×Fc

图2 三种CNN模型计算量和参数量分布

Fig. 2 Distribution of computational amount and parameters of three CNN models

图3 CPU与GPU间的通信消耗

Fig. 3 Consumption of communication between CPU and GPU

图4 本文方法的总体流程

Fig. 4 Overall flow of the proposed method

图5 两种模型划分方法效果对比

Fig. 5 Comparison between two model partitioning methods

图6 两种模型划分方法的调度效果对比

Fig. 6 Comparison of scheduling effect between two model partitioning methods

表2 VGG16子模型在不同设备上的执行时间对比 (ms)

Tab. 2 Comparison of execution time of VGG16 submodels on different devices

模块	CPU	GPU
C_1	1.08	0.35
C_2	7.62	0.75
C_3	5.46	1.56
C_4	2.19	1.85
C_5	0.84	0.96
FC	0.46	3.75

图7 异构平台的调度策略

Fig. 7 Scheduling strategies for heterogeneous platforms

表3 测试平台配置信息

Tab. 3 Experimental platform configuration information

标签		描述
CPU	型号	2×Intel Xeon Gold 6248R
	物理核心数	48
	线程数	96
	L3缓存	35.75 MB
	内存容量	256 GB DDR4
	内存频率	3 200 MHz
GPU	型号	1*Nvidia Quadro P2200
	核心数	1280 CUDA 并行运算处理核心
	显存容量	5 GB DDR5x
	单精度运算性能	最高3.8 TFLOPs
系统环境		Ubuntu18.04
系统内核		5.40-96-generic
深度学习框架		PyTorch3.6
深度学习编译器		TVM9.0

表4 不同模型的卷积层、分类层的计算量与参数量

Tab. 4 Computational amount and parameters of convolutional and classification layers of different models

模型	卷积层		分类层
模型	计算量/FLOPs	参数量/MB	计算量/FLOPs	参数量/MB
VGG11	7.506	9.220	0.124	123.643
AlexNet	0.657	2.470	0.059	58.631
MobileNet	0.319	2.224	0.001	1.281
SqueezeNet	0.269	0.722	0.513	0.087
ResNet18	1.821	11.177	0.001	0.513
GoogLeNet	1.507	5.600	0.001	1.025

表5 CNN模型划分与设备分配

Tab. 5 Partitioning and device assignment of CNN models

模型	层数	划分结果	设备分配结果
模型	层数	划分结果	CPU	GPU
AlexNet	32	0-3，4-7，8-17，18-31	0-3，18-31	4-7，8-17
VGG11	43	0-3，4-7，8-14，15-21，22-28，29-42	0-3，29-42	4-7，8-14，15-21，22-28
ResNet18	72	0-3，4-10，11-17，18-26，27-33，34-42， 43-50，51-59，60-66，67-71	67-71	0-3，4-10，11-17，18-26，27-33， 34-42，43-50，51-59，60-66

图8 不同模型执行时间对比

Fig. 8 Comparison of execution time of different models

图9 不同深度的CNN模型推理执行时间对比

Fig. 9 Comparison of inference execution time of CNN models with different depths

图10 不同批大小下CNN模型的推理执行时间延迟对比结果

Fig. 10 Comparison of CNN models inference excution time with different batch sizes

图11 本文方法与EOP方法的推理执行时间对比

Fig. 11 Comparison of inference execution time between proposed method and EOP method

图12 本文方法与Tensorflow框架的推理执行时间对比

Fig. 12 Comparison of inference execution time between proposed method and Tensorflow method

参考文献 24

1	ZENG Q S， DU Y Q， HUANG K B， et al. Energy-efficient resource management for federated edge learning with CPU-GPU heterogeneous computing［J］. IEEE Transactions on Wireless Communications， 2021， 20（12）： 7947-7962. 10.1109/twc.2021.3088910
2	郭棉，张锦友. 移动边缘计算环境中面向机器学习的计算迁移策略［J］. 计算机应用， 2021， 41（9）： 2639-2645. 10.11772/j.issn.1001-9081.2020111734
	GUO M， ZHANG J Y. Computation offloading policy for machine learning in mobile edge computing environments［J］. Journal of Computer Applications， 2021， 41（9）： 2639-2645. 10.11772/j.issn.1001-9081.2020111734
3	LI M Z， LIU Y， LIU X Y， et al. The deep learning compiler： a comprehensive survey［J］. IEEE Transactions on Parallel and Distributed Systems， 2021， 32（3）： 708-727. 10.1109/tpds.2020.3030548
4	宋冰冰，张浩，吴子锋，等. 自动化张量分解加速卷积神经网络［J］. 软件学报， 2021， 32（11）：3468-3481.
	SONG B B， ZHANG H， WU Z F， et al. Automated tensor decomposition to accelerate convolutional neural networks［J］. Journal of Software， 2021， 32（11）： 3468-3481.
5	HOU X Y， GUAN Y J， HAN T， et al. DistrEdge： speeding up convolutional neural network inference on distributed edge devices［C］// Proceedings of the 2022 IEEE International Parallel and Distributed Processing Symposium. Piscataway： IEEE， 2022： 1097-1107. 10.1109/ipdps53621.2022.00110
6	TANAKA M， TAURA K， HANAWA T， et al. Automatic graph partitioning for very large-scale deep learning［C］// Proceedings of the 2021 IEEE International Parallel and Distributed Processing Symposium. Piscataway： IEEE， 2021： 1004-1013. 10.1109/ipdps49936.2021.00109
7	XU Y J， WU H， ZHANG W B， et al. EOP： efficient operator partition for deep learning inference over edge servers［C］// Proceedings of the 18th ACM SIGPLAN/SIGOPS International Conference on Virtual Execution Environments. New York： ACM， 2022： 45-57. 10.1145/3516807.3516820
8	邝祝芳，陈清林，李林峰，等. 基于深度强化学习的多用户边缘计算任务卸载调度与资源分配算法［J］. 计算机学报， 2022， 45（4）：812-824. 10.11897/SP.J.1016.2022.00812
	KUANG Z F， CHEN Q L， LI L F， et al. Multi-user edge computing task offloading scheduling and resource allocation based on deep reinforcement learning［J］. Chinese Journal of Computers， 2022， 45（4）： 812-824. 10.11897/SP.J.1016.2022.00812
9	PARK J H， YUN G， YI C M， et al. HetPipe： enabling large DNN training on （whimpy） heterogeneous GPU clusters through integration of pipelined model parallelism and data parallelism［C］// Proceedings of the 2020 USENIX Annual Technical Conference. Berkeley： USENIX Association， 2020： 307-321. 10.48550/arXiv.2005.14038
10	WANG S Q， ANANTHANARAYANAN G， ZENG Y F， et al. High-throughput CNN inference on embedded ARM big.LITTLE multicore processors［J］. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems， 2020， 39（10）： 2254-2267. 10.1109/tcad.2019.2944584
11	BEAUMONT O， EYRAUD-DUBOIS L， SHILOVA A. MadPipe： memory aware dynamic programming algorithm for pipelined model parallelism［C］// Proceedings of the 2022 IEEE International Parallel and Distributed Processing Symposium Workshops. Piscataway： IEEE， 2022： 1063-1073. 10.1109/ipdpsw55747.2022.00174
12	LU J M， FANG C， XU M Y， et al. Evaluations on deep neural networks training using posit number system［J］. IEEE Transactions on Computers， 2021， 70（2）： 174-187. 10.1109/tc.2020.2985971
13	CHEN T Q， MOREAU T， JIANG Z H， et al. TVM： an automated end-to-end optimizing compiler for deep learning［C］// Proceedings of the 13th USENIX Symposium on Operating Systems Design and Implementation. Berkeley： USENIX Association， 2018： 579-594.
14	赵旭，黄光球，江晋，等. 基于深度强化学习的资源受限条件下的DIDS任务调度优化方法［J］. 控制与决策， 2022， 37（11）： 3052-3057.
	ZHAO X， HUANG G Q， JIANG J， et al. An optimization method for DIDS task scheduling under resource-constrained conditions based on deep reinforcement learning［J］. Control and Decision， 2022， 37（11）： 3052-3057.
15	TARNAWSKI J M， PHANISHAYEE A， DEVANUR N， et al. Efficient algorithms for device placement of DNN graph operators［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2020： 15451-15463.
16	NARAYANAN D， PHANISHAYEE A， SHI K Y， et al. Memory-efficient pipeline-parallel DNN training［C］// Proceedings of the 38th International Conference on Machine Learning. New York： JMLR.org， 2021： 7937-7947.
17	SHEN H C， ROESCH J， CHEN Z， et al. Nimble： efficiently compiling dynamic neural networks for model inference［C/OL］// Proceedings of the 4th Conference on Machine Learning and Systems ［2022-11-12］..
18	刘瑞奇，李博扬，高玉金，等. 新型分布式计算系统中的异构任务调度框架［J］. 软件学报， 2022， 33（3）：1005-1017.
	LIU R Q， LI B Y， GAO Y J， et al. Heterogeneous task scheduling framework in emerging distributed computing systems［J］. Journal of Software， 2022， 33（3）： 1005-1017.
19	YIN J， HAN J， ZHANG X D. An optimization toolchain design of deep learning deployment based on heterogeneous computing platform［C］// Proceedings of the 2020 International Conference on Wireless Communications and Signal Processing. Piscataway： IEEE， 2020： 631-635. 10.1109/wcsp49889.2020.9299844
20	YU F X， BRAY S， WANG D， et al. Automated runtime-aware scheduling for multi-tenant DNN inference on GPU［C］// Proceedings of the 2021 IEEE/ACM International Conference on Computer Aided Design. Piscataway： IEEE， 2021： 1-9. 10.1109/iccad51958.2021.9643501
21	HU C， LI B. Distributed inference with deep learning models across heterogeneous edge devices［C］// Proceedings of the 2022 IEEE Conference on Computer Communications. Piscataway： IEEE， 2022： 330-339. 10.1109/infocom48880.2022.9796896
22	HEMMAT M， DAVOODI A， HU Y H. Edge ⁿ AI： distributed inference with local edge devices and minimal latency［C］// Proceedings of the 27th Asia and South Pacific Design Automation Conference. Piscataway： IEEE， 2022： 544-549. 10.1109/asp-dac52403.2022.9712496
23	LI Q， HUANG L， TONG Z， et al. DISSEC： a distributed deep neural network inference scheduling strategy for edge clusters［J］. Neurocomputing， 2022， 500： 449-460. 10.1016/j.neucom.2022.05.084
24	JIA Z H， LIN S N， QI C R， et al. Exploring hidden dimensions in parallelizing convolutional neural networks［C］// Proceedings of the 35th International Conference on Machine Learning. New York： JMLR.org， 2018： 2274-2283.

[1]	路琨婷, 费蓉蓉, 张选德. 融合卷积神经网络的遥感图像全色锐化[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2963-2969.
[2]	申云飞, 申飞, 李芳, 张俊. 基于张量虚拟机的深度神经网络模型加速方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2836-2844.
[3]	李豆豆, 李汪根, 夏义春, 束阳, 高坤. 基于特征交互与自适应融合的骨骼动作识别[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2581-2587.
[4]	秦源源, 张鸿. 基于注意力特征金字塔网络的肺结节检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2311-2318.
[5]	何嘉明, 杨巨成, 吴超, 闫潇宁, 许能华. 基于多模态图卷积神经网络的行人重识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2182-2189.
[6]	方和平, 刘曙光, 冉泳屹, 钟坤华. 基于深度强化学习的多数据中心一体化调度优化[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1884-1892.
[7]	张慧斌, 冯丽萍, 郝耀军, 王一宁. 基于注意力机制和迁移学习的古壁画朝代识别[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1826-1832.
[8]	许睿, 梁爽, 万航, 文益民, 沈世铭, 李建. 基于烛台图模式匹配的PM_2.5扩散特征的提取[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1394-1400.
[9]	隋佳宏, 毛莺池, 于慧敏, 王子成, 平萍. 基于图注意力网络的全局图像描述生成方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1409-1415.
[10]	何建辉, 胡春龙, 束鑫. 基于多峰标签分布学习的多任务年龄估计方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1578-1583.
[11]	傅励瑶, 尹梦晓, 杨锋. 基于Transformer的U型医学图像分割网络综述[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1584-1595.
[12]	王彬, 向甜, 吕艺东, 王晓帆. 基于NSGA‑Ⅱ的自适应多尺度特征通道分组优化算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1401-1408.
[13]	杨森淇, 段旭良, 肖展, 郎松松, 李志勇. 基于ERNIE+DPCNN+BiGRU的农业新闻文本分类[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1461-1466.
[14]	樊小宇, 蔺素珍, 王彦博, 刘峰, 李大威. 基于残差图卷积神经网络的高倍欠采样核磁共振图像重建算法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1261-1268.
[15]	杨海宇, 郭文普, 康凯. 基于卷积长短时深度神经网络的信号调制方式识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1318-1322.

异构平台下卷积神经网络推理模型自适应划分和调度方法

Adaptive partitioning and scheduling method of convolutional neural network inference model on heterogeneous platforms

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 24

相关文章 15

编辑推荐

Metrics