腾讯联合英伟达开源 TensorRT 插件自动生成工具 TPAT

2022 年 3 月 25 日，腾讯联合英伟达开发的 TensorRT 插件自动生成工具 TPAT 正式宣布开源。

TensorRT 是当前应用最广的 GPU 推理框架，但由于支持的算子数量有限，用户面临手写插件以支持算子的痛点。TPAT 能够支持开放神经网络交换 (ONNX) 格式所有的算子，端到端生成 TensorRT 插件，在解放人力成本的同时，性能对比手写毫不逊色。

TPAT Github 地址：https://github.com/Tencent/TPAT

背景

TensorRT 是当今最快的 GPU 推理引擎，可以让深度学习模型在 GPU 上实现低延迟、高吞吐量的部署，支持 Caffe，TensorFlow，Mxnet，Pytorch 等主流深度学习框架，由英伟达开发维护。业界几乎所有 GPU 推理业务都在使用TensorRT。

但是 TensorRT 也存在缺陷，即它的部署流程比较繁琐，因此算法工程师提供的模型需要交由系统工程师来部署上线，非常耗时耗力。在传统的 TensorRT 工作流里，手写插件往往是最耗时的一部分。

TensorRT 手写算子插件难点
⦁    TensorRT 官方只支持很有限的常用算子(Conv/FC/BN/Relu…)，对于不支持的算子，需要用户手写插件来实现；
⦁    插件的编写需要 GPU 和 cuda 知识，英伟达的工程师也通常需要 1~2 周时间来编写一个算子实现；模型中如果包含多个不支持算子，就需要更多时间来逐个编写和调试插件。

TPAT 概览

TPAT 实现了 TensorRT 插件的全自动生成，TensorRT 的部署和上线能基本流程化不再需要人工参与。手写插件的步骤将由 TPAT 代替，TPAT 全自动生成一个算子插件耗时仅需要 30-60 分钟的时间（该时间用于搜索算子的高性能 CUDA Kernel），TensorRT 会因此成为一个真正端到端的推理框架。

TPAT 亮点

⦁    覆盖度：支持 onnx/tensorflow/pyTorch 所有的算子
⦁    全自动：端到端全自动生成用户指定的 TensorRT Plugin
⦁    高性能：大部分算子上性能超越手写 Plugin

架构设计

TPAT 接受用户输入的 ONNX-Model，指定需要生成 TensorRT Plugin 的算子和 batch size，基于 TVM 深度学习编译器，对固定形状的算子进行 AutoTune，自动生成高性能的 CUDA Kernel. 将 CUDA Kernel 和 Runtime 必要的参数填充进 TensorRT Plugin 模板，生成动态链接库，可以直接加载到 TensorRT 运行。

TPAT 部分算子性能数据

使用 TPAT 自动生成 TensorRT-7.2 不支持的算子，并且用 TPAT 优化 TensorRT-7.2 原生实现性能较差的算子；

对比手写 Plugin

优化 TensorRT 原生算子

对内部业务模型里的部分算子进行了测试，TPAT 的性能几乎全面超越 CUDA 工程师手写，并且端到端的设计能够大幅减少人力投入；对于 TensorRT 原生的算子实现，TPAT 的表现也并不逊色，AutoTune 的特点能够优化 TensorRT 里表现不那么好的原生算子实现。

TPAT 开源

后续 TPAT 的开源计划：

• 对于算子的多精度进行支持，包括 Float16，Int8.
• 利用 TPAT 进行子图的优化
• 对于动态形状的支持

附：TPAT 使用案例

使用 TPAT 支持 Onehot 算子（TensorRT-7.2.2.3）

• 输入包括了 onehot 算子的 ONNX_Model、Onehot 算子的名字、batch_size
• TPAT借助 TVM的Relay 和 AutoScheduler 组件，生成高性能的 CUDA Kernel；
• 经过模板填充后直接生成可用的 onehot 算子 Plugin 的动态链接库。