diff --git a/INSTALL_GUIDE_CN.md b/INSTALL_GUIDE_CN.md new file mode 100644 index 00000000..7114913c --- /dev/null +++ b/INSTALL_GUIDE_CN.md @@ -0,0 +1,126 @@ +# 安装部署手册 + +## 目录 + +- [环境准备](#环境准备) +- [编译本项目](#编译本项目) +- [技术支持](#技术支持) + +## 环境准备 + +目前的软硬件环境支持矩阵 + +| Host CPU | Device | OS | Support | +| -------- | ------------ | ----------- | ---------- | +| X86-64 | Nvidia GPU | Ubuntu-22.04 | Yes | +| X86-64 | Cambricon MLU | Ubuntu-22.04 | Yes | + +推荐使用 X86-64 机器以及 Ubuntu-22.04，本文以此环境为例。 + +1. 确认 GCC 版本为 11.3 及以上的稳定版本，如若您的机器 GCC 版本不满足此条件，请自行编译安装，下述方式二选一： + + > [GCC 官方文档](https://gcc.gnu.org/onlinedocs/gcc-11.3.0/gcc/) + + > [网友安装分享](https://zhuanlan.zhihu.com/p/509695395) + +2. 确认 CMake 版本为 3.17 及以上的稳定版本， 如若您的机器 CMake 版本不满足此条件，请自行编译安装，下述方式二选一： + + > [CMake 官方文档](https://cmake.org/install/) + + > [网友安装分享](https://zhuanlan.zhihu.com/p/110793004) + +3. 第三方加速卡软件资源安装，目前本项目已经适配了如下的第三方加速卡： + + > 如您的第三方加速卡为英伟达 GPU，请参考英伟达官方文档进行： + > > [驱动安装](https://www.nvidia.cn/geforce/drivers/)， + > > [CUDA Toolkit 安装](https://developer.nvidia.com/cuda-toolkit)， + > > [Cudnn 安装](https://developer.nvidia.com/rdp/cudnn-download)， + > > [Cublas 安装](https://developer.nvidia.com/cublas)， + > > 安装完成后请进行相应的环境变量配置，将可执行文件目录与库目录添加到操作系统识别的路径中， + 我们强烈建议您规范安装，统一到一个目录下，以免不必要的麻烦。 + + > 如您的第三方加速卡为寒武纪 MLU，请参考寒武纪官方文档进行： + > > [驱动安装](https://www.cambricon.com/docs/sdk_1.11.0/driver_5.10.6/user_guide_5.10.6/index.html)， + > > [CNToolkit 安装](https://www.cambricon.com/docs/sdk_1.11.0/cntoolkit_3.4.1/cntoolkit_install_3.4.1/index.html)， + > > [CNNL 安装](https://www.cambricon.com/docs/sdk_1.11.0/cambricon_cnnl_1.16.1/user_guide/index.html)， + > > 安装完成后请进行相应的环境变量配置，将可执行文件目录与库目录添加到操作系统识别的路径中，例如 + > > ```bash + > > # 将如下内容写入到你的 bashrc 文件并 source 该文件 + > > export NEUWARE_HOME="/usr/local/neuware" + > > export PATH="${NEUWARE_HOME}/bin:${PATH}" + > > export LD_LIBRARY_PATH="${NEUWARE_HOME}/lib64:${LD_LIBRARY_PATH}" + > > ``` + > > 我们强烈建议您规范安装，统一到一个目录下，以免不必要的麻烦。另外请注意，由于 MLU 上层软件建设适配程度有限，如您在其覆盖的机器，操作系统之外运行，需要在安装驱动之后使用上层软件的 Docker。 + +4. 确认您安装了 make，build-essential， python-is-python3， python-dev-is-python3， python3-pip， libdw-dev，如您的机器没有上述基础依赖，请自行按需安装。 + + > 在使用 apt-get 工具情况下，您可以这样子执行。 + + ```bash + sudo apt-get install make cmake build-essential python-is-python3 python-dev-is-python3 python3-pip libdw-dev + ``` + + > 其他工具安装方式请自行上网搜寻 + +5. 更新pip并切换到清华源 + + ```bash + python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade pip + pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple + ``` + +6. 安装一些不必要的项目（可选） + + > 如您需要运行本项目下的 example 代码，您需要安装一些辅助项目。请注意这些项目不是必要的，若您不需要运行样例代码，这些项目无需安装。 + > > [Pytorch](https://pytorch.org/get-started/locally/)：业界内流行的神经网络编程框架 + > > [ONNX](https://onnx.ai/get-started.html)：业界内流行的神经网络模型存储文件与转换器 + > > [onnxsim](https://pypi.org/project/onnxsim/)：一个简化onnx模型的小工具 + > > [onnx2torch](https://github.com/ENOT-AutoDL/onnx2torch)：一个将onnx模型转换pytorch模型的小工具 + > > [tqdm](https://pypi.org/project/tqdm/)：一个显示程序运行进度条的小工具 + + > 如您需要使用本项目下的 InfiniTest 测试工具，你还需要安装如下的项目： + > > [protobuf](https://github.com/protocolbuffers/protobuf)： 一种序列化文件的格式及其编译、序列化、解析工具 + +## 编译本项目 + +推荐使用 X86-64 机器以及 Ubuntu-22.04，本文以此环境为例。 + +1. 配置环境 + +打开 env.sh 文件进行环境变量配置，之后执行 + + ```bash + source env.sh + ``` + +2. 编译本项目并打包成 Python 库进行安装 + +我们提供了意见编译参数，您可以在项目根目录下执行下面的命令。第一次执行会同时安装 python 依赖库，耗时略长，请耐心等待 + + 仅编译 CPU 部分，不编译第三方计算卡： + + ```bash + make install-python + ``` + + 编译 CPU 部分，同时编译英伟达 GPU 部分： + + ```bash + export CUDA_HOME=/path/to/your/cuda_home + make install-python CUDA=ON + ``` + + 编译 CPU 部分，同时编译寒武纪 MLU 部分： + + ```bash + export NEUWARE_HOME=/path/to/your/neuware_home + make install-python BANG=ON + ``` + +3. 使用方法 + +安装成功后，您就可以使用本项目的 Python 接口进行编码并运行。具体使用方式可以参考项目样例代码 example/Resnet/resnet.py 以及用户使用手册 + +## 技术支持 + +如遇到问题，请联系我们技术支持团队 diff --git a/README_CN.md b/README_CN.md index 5480987b..9ff63a02 100644 --- a/README_CN.md +++ b/README_CN.md @@ -2,50 +2,73 @@ ## 目录 -- [编译](#编译) -- [使用](#使用) +- [环境准备](#环境准备) +- [编译本项目](#编译本项目) +- [使用方法](#使用方法) - [python-前端应用指南](#python-前端应用指南) - [导入-onnx-模型](#导入-onnx-模型) - [导出-onnx-模型](#导出-onnx-模型) - [执行推理](#执行推理) + - [样例代码](#样例代码) +- [技术支持](#技术支持) - [测试](#测试) -## 编译 +## 环境准备 -推荐使用 Ubuntu-22.04，本文以此环境为例。 +推荐使用 X86-64 机器以及 Ubuntu-22.04，本文以此环境为例。 -1. 使用 apt 安装依赖 - - > 如果不使用 Ubuntu-22.04，部分软件版本可能不够高。 +1. 确认 GCC 版本为 11.3 及以上的稳定版本，如若您的机器 GCC 版本不满足此条件，请自行编译安装，下述方式二选一： + > [GCC 官方文档](https://gcc.gnu.org/onlinedocs/gcc-11.3.0/gcc/) + > [网友安装分享](https://zhuanlan.zhihu.com/p/509695395) +2. 确认 CMake 版本为 3.17 及以上的稳定版本， 如若您的机器 CMake 版本不满足此条件，请自行编译安装，下述方式二选一： + > [CMake 官方文档](https://cmake.org/install/) + > [网友安装分享](https://zhuanlan.zhihu.com/p/110793004) +3. 第三方加速卡软件资源安装，目前本项目已经适配了如下的第三方加速卡： + > 如您的第三方加速卡为英伟达 GPU，请参考英伟达官方文档进行[驱动安装](https://www.nvidia.cn/geforce/drivers/)，[CUDA Toolkit 安装](https://developer.nvidia.com/cuda-toolkit)，[Cudnn 安装](https://developer.nvidia.com/rdp/cudnn-download)，[Cublas 安装](https://developer.nvidia.com/cublas)，我们强烈建议您规范安装，统一到一个目录下，以免不必要的麻烦。 + > 如您的第三方加速卡为寒武纪 MLU，请参考寒武纪官方文档进行[驱动安装](https://www.cambricon.com/docs/sdk_1.11.0/driver_5.10.6/user_guide_5.10.6/index.html)，[CNToolkit 安装](https://www.cambricon.com/docs/sdk_1.11.0/cntoolkit_3.4.1/cntoolkit_install_3.4.1/index.html)，[CNNL 安装](https://www.cambricon.com/docs/sdk_1.11.0/cambricon_cnnl_1.16.1/user_guide/index.html)，我们强烈建议您规范安装，统一到一个目录下，以免不必要的麻烦。另外请注意，由于 MLU 上层软件建设适配程度有限，如您在其覆盖的机器，操作系统之外运行，需要在安装驱动之后使用上层软件的 Docker。 +4. 确认您安装了 make，build-essential， python-is-python3， python-dev-is-python3， python3-pip， libdw-dev，如您的机器没有上述基础依赖，请自行按需安装。 + > 在使用 apt-get 工具情况下，您可以这样子执行。 ```bash sudo apt-get install make cmake build-essential python-is-python3 python-dev-is-python3 python3-pip libdw-dev ``` -2. 更新 pip 并换清华源 + > 其他工具请自行上网搜寻 + +5. 更新pip并切换到清华源 ```bash python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade pip pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple ``` -3. 编译并安装 python 库 +## 编译本项目 - > 第一次执行会同时安装 python 依赖库，比较慢 +推荐使用 X86-64 机器以及 Ubuntu-22.04，本文以此环境为例。 - 仅编译 CPU 部分： +1. 编译并安装 python 库 + + > 第一次执行会同时安装 python 依赖库，耗时略长，请耐心等待 + + 仅编译 CPU 部分，不编译第三方计算卡： ```bash make install-python ``` - 编译 GPU 部分： + 编译 CPU 部分，同时编译英伟达 GPU 部分： ```bash make install-python CUDA=ON ``` -## 使用 + 编译 CPU 部分，同时编译寒武纪 MLU 部分： + + ```bash + make install-python BANG=ON + ``` + +## 使用方法 项目管理功能已写到 [Makefile](Makefile)，支持下列功能： @@ -168,6 +191,21 @@ for name, tensor in stub.outputs.items(): print(tensor.copyout_float()) ``` +### 样例代码 + +您可以参照[./example/Resnet/resnet.py](./example/ResNet/resnet.py)的样例代码进行了解，并尝试运行。在这个文件中，我们使用了 Pytorch 构建了 resnet 网络。您可以查阅该脚本使用方式： + +```python +python resnet.py -h +``` + +在样例代码中，我们对定义的网络进行了序列化操作，并存储为模型文件。之后加载该模型文件，并转换为本项目的模型进行优化操作，再进行推理。您可以关注一下代码中 242 行之后的代码。请注意，您可以按照您的需求来进行操作，通常来说，您所需要撰写的代码就是加载模型，转换为本项目的模型进行优化，推理运行。 + +## 技术支持 + +如若您遇到了本项目的问题，请联系我们的技术支持团队 + + ## 测试 除了单元测试 `make test-cpp` 和 `make test-onnx` 之外，还可以用其他方式来测试单个模型导入导出和优化的正确性。 diff --git a/SUPPORT_MATRIX_CN.md b/SUPPORT_MATRIX_CN.md new file mode 100644 index 00000000..f812b355 --- /dev/null +++ b/SUPPORT_MATRIX_CN.md @@ -0,0 +1,29 @@ +# 支持矩阵 + +## 目录 + +- [环境支持](#环境支持) +- [神经网络支持](#神经网络支持) +- [技术支持](#技术支持) + +## 环境支持 + +目前的软硬件环境支持矩阵 + +| Host CPU | Device | OS | Support | +| -------- | ------------ | ----------- | ---------- | +| X86-64 | Nvidia GPU | Ubuntu-22.04 | Yes | +| X86-64 | Cambricon MLU | Ubuntu-22.04 | Yes | + +## 神经网络支持 + +目前已经验证过的神经网络模型有 + +- [x] [ResNet18-v2](https://github.com/onnx/models/blob/main/vision/classification/resnet/model/resnet18-v2-7.onnx) +- [x] [DenseNet-121-12](https://github.com/onnx/models/blob/main/vision/classification/densenet-121/model/densenet-12.onnx) +- [x] [Inception-2](https://github.com/onnx/models/blob/main/vision/classification/inception_and_googlenet/inception_v2/model/inception-v2-9.onnx) +- [x] [EfficientNet-Lite4](https://github.com/onnx/models/blob/main/vision/classification/efficientnet-lite4/model/efficientnet-lite4-11.onnx) + +## 技术支持 + +如若您遇到了本项目的问题，请联系我们的技术支持团队 diff --git a/USER_GUIDE_CN.md b/USER_GUIDE_CN.md new file mode 100644 index 00000000..25ab5b9a --- /dev/null +++ b/USER_GUIDE_CN.md @@ -0,0 +1,216 @@ +# 使用指南 + +## 目录 + +- [项目简介](#项目简介) +- [项目设计](#项目设计) +- [使用方法](#使用方法) +- [python-前端应用指南](#python-前端应用指南) + - [导入-onnx-模型](#导入-onnx-模型) + - [导出-onnx-模型](#导出-onnx-模型) + - [执行推理](#执行推理) + - [样例代码](#样例代码) +- [技术支持](#技术支持) +- [测试](#测试) + +## 项目简介 + +本项目是深度学习领域的一个编译器集合，本项目旨在缩小深度学习应用与后端硬件之间的鸿沟。本项目通过使用编译器超优化技术，对神经网络模型进行优化，从而获得更好的性能。同时，本项目与深度学习框架相互配合，为不同的硬件后端提供端倒端的编译，方便用户迁移部署。 + +## 项目设计 + +本项目的设计是前后端解耦合的，主要有三个模块，分别为： + +- Runtime 模块：该模式负责对不同的加速卡后端进行包装与支持，支撑后端运行。另外提供统一的向上接口，方便上层建设。 +- Compiler 模块：该模式负责对神经网络模型进行优化变换，获得更加高效的等价模型。 +- Interface 模块：该模式负责给用户提供编程与交互的接口，方便用户使用本系统。 + +## 使用方法 + +项目管理功能已写到 [Makefile](Makefile)，支持下列功能： + +- 编译项目：`make`/`make build` +- 清理生成文件：`make clean` +- 安装 python 库：`make install-python` +- 测试 c++ 后端：`make test-cpp` +- 测试 python 前端：`make test-onnx` + +并使用下列环境变量传递选项参数： + +- `TYPE`：编译模式（`debug`/`release`），默认值为 `release` +- `CUDA`：是否编译 CUDA 后端，默认为 `OFF`，`ON` 打开 +- `BANG`：是否编译寒武纪后端，默认为 `OFF`，`ON` 打开 +- `BACKTRACE`：是否启用栈回溯，默认为 `ON`，`OFF` 关闭，建议调试时打开 +- `TEST`：是否编译 `googletest`，默认为 `ON`，`OFF` 关闭，只有 `test-cpp` 时必要 + +## python 前端应用指南 + +`make install-python` 会将项目的 python 前端以 `pyinfinitensor` 为名字安装到系统目录，可以直接 `import pyinfinitensor` 来使用。现阶段，项目的主要用法是从 onnx 导入模型进行优化，然后可以再导出优化后的模型到 onnx，也可以直接运行推理。 + +### 导入 onnx 模型 + +支持的模型： + +- [x] [ResNet18-v2](https://github.com/onnx/models/blob/main/vision/classification/resnet/model/resnet18-v2-7.onnx) +- [x] [DenseNet-121-12](https://github.com/onnx/models/blob/main/vision/classification/densenet-121/model/densenet-12.onnx) +- [x] [Inception-2](https://github.com/onnx/models/blob/main/vision/classification/inception_and_googlenet/inception_v2/model/inception-v2-9.onnx) +- [x] [EfficientNet-Lite4](https://github.com/onnx/models/blob/main/vision/classification/efficientnet-lite4/model/efficientnet-lite4-11.onnx) + +```python +import onnx +from pyinfinitensor.onnx import OnnxStub +from pyinfinitensor import backend + +stub = OnnxStub(onnx.load("model_file"), backend.cpu_runtime()) +``` + +[`onnx.load`](https://onnx.ai/onnx/api/serialization.html#load-a-model) 是 onnx 提供的加载函数，将 onnx 文件读取为保存在内存中的 onnx 模型。 + +`OnnxStub` 是 onnx 模型在项目中的表示，通过构造这个对象，将 onnx 模型导入到项目中。其构造器的第一个参数是 onnx 模型文件；第二个参数是模型运行的后端运行时，可以是 `backend.cpu_runtime()`、`backend.cuda_runtime()` 或 `backend.bang_runtime()`。 + +构造出的 stub 对象可以用于操作项目中的模型和运行时。 + +### 优化 + +TODO + +### 导出 onnx 模型 + +优化后的模型可以导出成 onnx 文件提供给其他运行时。 + +```python +with open("optimized.onnx", "wb") as f: + f.write(stub.to_onnx("optimized").SerializeToString()) +``` + +`stub.to_onnx()` 将模型转换为 onnx 模型对象，`` 将填写到 onnx 模型的 `name` 字段。序列化到文件的代码见[官方示例](https://onnx.ai/onnx/intro/python.html#model-serialization)。 + +要可视化检查导出的模型文件，可以利用 [onnx 提供的功能](https://onnx.ai/onnx/api/shape_inference.html#infer-shapes)将所有的张量的形状推理出来再导出： + +```python +from onnx.shape_inference import infer_shapes + +with open("optimized.onnx", "wb") as f: + f.write(infer_shapes(stub.to_onnx("optimized")).SerializeToString()) +``` + +然后用 [Netron](https://netron.app/) 绘制计算图。 + +### 执行推理 + +也可以使用项目的运行时执行推理。 + +第一步是将数据传入计算图。`OnnxStub.inputs` 是一个 `Dict[str, Tensor]`，保存着模型的所有输入的名字和对象。可以用 [`items()`](https://docs.python.org/zh-cn/3/library/stdtypes.html#dict.items) 来遍历。 + +这个代码片段显示了如何打印出模型所有输入张量的名字、形状和对象指针： + +```python +for name, tensor in stub.inputs.items(): + print(name, tensor.shape(), tensor) +``` + +对于 [resnet18-v2-7.onnx](https://github.com/onnx/models/blob/main/vision/classification/resnet/model/resnet18-v2-7.onnx)，会打印出： + +```plaintext +data [1, 3, 224, 224] +``` + +当然，地址是随机的。这个输出表明需要输入一个名为 “data”，形为 1×3×224×224 的数据。通常来说，这表示一张 224×224 的 rgb 图片。而这个模型是一个 1000 分类的图像分类模型。 + +为了方便，这里我们向模型传入一个随机的数据。 + +```python +import numpy + +stub.init() +for name, tensor in stub.inputs.items(): + print(name, tensor.shape(), tensor) + input = numpy.random.random(tensor.shape()).astype(numpy.float32) + tensor.copyin_float(input.flatten().tolist()) +``` + +`stub.init()` 为所有张量分配空间。空间是预分配的，所以不支持动态 size 的模型。 + +`tensor.copyin_float()` 向张量传入数据。其参数必须是一个 `List[float]`，即压平的数据。类似的函数还有 `copyin_int32()` 和 `copyin_int64()` + +然后，调用 `stub.run()` 执行推理： + +```python +stub.run() +``` + +最后，将结果拷贝出来，传入类似： + +```python +stub.init() +for name, tensor in stub.outputs.items(): + print(name, tensor.shape(), tensor) + print(tensor.copyout_float()) +``` + +### 样例代码 + +您可以参照[./example/Resnet/resnet.py](./example/ResNet/resnet.py)的样例代码进行了解，并尝试运行。在这个文件中，我们使用了 Pytorch 构建了 resnet 网络。您可以查阅该脚本使用方式： + +```python +python resnet.py -h +``` + +在样例代码中，我们对定义的网络进行了序列化操作，并存储为模型文件。之后加载该模型文件，并转换为本项目的模型进行优化操作，再进行推理。您可以关注一下代码中 242 行之后的代码。请注意，您可以按照您的需求来进行操作，通常来说，您所需要撰写的代码就是加载模型，转换为本项目的模型进行优化，推理运行。 + +## 技术支持 + +如若您遇到了本项目的问题，请联系我们的技术支持团队 + + +## 测试 + +除了单元测试 `make test-cpp` 和 `make test-onnx` 之外，还可以用其他方式来测试单个模型导入导出和优化的正确性。 + +这个脚本利用 onnxruntime 来测试导出的模型是否与导入的模型等价： + +```python +import onnx +import numpy +import sys +from onnx import ModelProto, ValueInfoProto +from pyinfinitensor.onnx import OnnxStub +from pyinfinitensor import backend +from onnxruntime import InferenceSession + + +def infer(model: ModelProto, input) -> dict: + collection = set() + for node in model.graph.node: + for output in node.output: + collection.add(output) + model.graph.output.extend([ValueInfoProto(name=x) for x in collection]) + session = InferenceSession(model.SerializeToString()) + i = session.get_inputs()[0].name + return dict( + zip( + [x.name for x in session.get_outputs()], + [x.flatten() for x in session.run(None, {i: input})], + ) + ) + + +model0 = onnx.load(sys.argv[1]) +model1 = OnnxStub(model0, backend.cpu_runtime()).to_onnx("new") + +input_shape = [x.dim_value for x in model1.graph.input[0].type.tensor_type.shape.dim] +input = numpy.random.random(input_shape).astype(numpy.float32) + +output0 = infer(model0, input)[model0.graph.output[0].name] +output1 = infer(model1, input)[model1.graph.output[0].name] + +print("error =", sum((output1 - output0) ** 2) / len(output0)) +``` + +要运行脚本，先安装 onnxruntime： + +```bash +pip install onnxruntime +``` + +打印出的 `error = ...` 是两个模型输出张量的均方误差。对于不同的模型，这个误差最小为 0，最大不超过 1e-9。 diff --git a/env.sh b/env.sh new file mode 100644 index 00000000..db8a08bf --- /dev/null +++ b/env.sh @@ -0,0 +1,34 @@ +# 配置英伟达 CUDA 的 HOME 路径，请注意安装 CUDA Toolkit, CUDNN 并将路径配置到下述环境变量。 +export CUDA_HOME=/PATH/TO/YOUR/CUDA/HOME +export CUDNN_HOME=/PATH/TO/YOUR/CUDNN/HOME + +# 配置寒武纪 BANG 的 HOME 路径，请注意 /usr/local/neuware 是寒武纪软件栈建议的，同时也是默认的安装路径。 +# 如若用户有其他的路径安装方式，请自行配置正确的路径。 +# 这里是 neuware 目录下一个可能的结构图，请参考。 +# . +# ├── bin +# ├── cmake +# ├── data +# ├── edge +# ├── include +# ├── lib +# ├── lib64 +# ├── LICENSE +# ├── mlvm +# ├── README +# ├── samples +# ├── share +# └── version.txt +export NEUWARE_HOME=/usr/local/neuware + +# 配置昆仑芯 XPU 的 HOME 路径，请注意 /usr/local/xpu 是昆仑芯软件栈提供的软件包路径。 +# 如若用户有其他的路径安装方式，请自行配置正确的路径。 +# 这里是 xpu 目录下一个可能的结构图，请参考。 +# . +# ├── bin +# ├── include +# ├── lib64 +# ├── tools +# ├── version +# └── XTDK +export XPU_HOME=/usr/local/xpu diff --git a/src/kernels/bang/batchnorm.cc b/src/kernels/bang/batchnorm.cc new file mode 100644 index 00000000..c6e4a2dd --- /dev/null +++ b/src/kernels/bang/batchnorm.cc @@ -0,0 +1,71 @@ +#include "bang/bang_kernel_without_config.h" +#include "bang/bang_runtime.h" +#include "operators/batch_norm.h" + +namespace infini { +class BatchNormCnnl : public BangKernelWithoutConfig { + void compute(const Operator &_op, + const RuntimeObj *_context) const override { + auto op = as(_op); + auto context = dynamic_cast(_context); + + void *const input = (op->getInputs(0)->getRawDataPtr()); + void *const mean = (op->getInputs(1)->getRawDataPtr()); + void *const var = (op->getInputs(2)->getRawDataPtr()); + void *const scale = (op->getInputs(3)->getRawDataPtr()); + void *const bias = (op->getInputs(4)->getRawDataPtr()); + void *const output = (op->getOutput()->getRawDataPtr()); + + auto dims = op->getInputs(0)->getDims(); + + if (dims.size() != 4) + IT_TODO_HALT(); + + int dimArray[4], strideArray[4], dimPArray[1], stridePArray[1]; + + for (size_t i = 0; i < dims.size(); ++i) { + dimArray[i] = dims[i]; + strideArray[i] = op->getInputs(0)->getStride()[i]; + } + int w = dimArray[3]; + dimArray[3] = dimArray[1]; + int h = dimArray[2]; + dimArray[1] = h; + dimArray[2] = w; + + dimPArray[0] = op->getInputs(1)->getDims()[0]; + stridePArray[0] = op->getInputs(1)->getDims()[0]; + // get inputs + cnnlTensorDescriptor_t inDesc; + checkCnnlError(cnnlCreateTensorDescriptor(&inDesc)); + checkCnnlError(cnnlSetTensorDescriptorEx(inDesc, CNNL_LAYOUT_NHWC, + CNNL_DTYPE_FLOAT, dims.size(), + dimArray, strideArray)); + + // get bnScaleBiasMeanVarDesc + cnnlTensorDescriptor_t paraDesc; + checkCnnlError(cnnlCreateTensorDescriptor(¶Desc)); + checkCnnlError(cnnlSetTensorDescriptorEx(paraDesc, CNNL_LAYOUT_ARRAY, + CNNL_DTYPE_FLOAT, 1, dimPArray, + stridePArray)); + + float alpha = 1.f, beta = 0.f; + // This mode is intended for use after convolutional layers + cnnlStatus_t stat = cnnlBatchNormForwardInference( + context->cnnlHandle(), &alpha, &beta, inDesc, input, paraDesc, + scale, bias, mean, var, op->getEps(), inDesc, output); + + if (stat != CNNL_STATUS_SUCCESS) + return; + + // Destories in BANG does not require sync. But cnnl does not state + // whether sync is required before destories. + checkCnnlError(cnnlDestroyTensorDescriptor(inDesc)); + checkCnnlError(cnnlDestroyTensorDescriptor(paraDesc)); + } +}; + +REGISTER_KERNEL(Device::BANG, OpType::BatchNorm, DataType::Float32, + BatchNormCnnl, "BatchNorm_cnnl_BANG_Float32"); + +}; // namespace infini diff --git a/src/kernels/bang/element_wise.cc b/src/kernels/bang/element_wise.cc index bca41e6f..225e3847 100644 --- a/src/kernels/bang/element_wise.cc +++ b/src/kernels/bang/element_wise.cc @@ -18,24 +18,26 @@ class ElementWiseCnnl : public BangKernelWithoutConfig { void *const cData = (op->getOutput()->getRawDataPtr()); cnnlTensorDescriptor_t aDesc, bDesc, cDesc; - auto dim = op->getInputs(0)->getDims(); - if (dim.size() != 4) + auto a_dim = op->getInputs(0)->getDims(); + auto b_dim = op->getInputs(1)->getDims(); + auto c_dim = op->getOutput()->getDims(); + + if (a_dim.size() > 4 || b_dim.size() > 4 || c_dim.size() > 4) IT_TODO_HALT(); - int dim_array[4] = {dim[0], dim[1], dim[2], dim[3]}; // get inputs checkCnnlError(cnnlCreateTensorDescriptor(&aDesc)); - checkCnnlError(cnnlSetTensorDescriptor(aDesc, CNNL_LAYOUT_NCHW, - CNNL_DTYPE_FLOAT, 4, dim_array)); + checkCnnlError(cnnlSetTensorDescriptor( + aDesc, CNNL_LAYOUT_NCHW, CNNL_DTYPE_FLOAT, 4, a_dim.data())); checkCnnlError(cnnlCreateTensorDescriptor(&bDesc)); - checkCnnlError(cnnlSetTensorDescriptor(bDesc, CNNL_LAYOUT_NCHW, - CNNL_DTYPE_FLOAT, 4, dim_array)); + checkCnnlError(cnnlSetTensorDescriptor( + bDesc, CNNL_LAYOUT_NCHW, CNNL_DTYPE_FLOAT, 4, b_dim.data())); // get outputs checkCnnlError(cnnlCreateTensorDescriptor(&cDesc)); - checkCnnlError(cnnlSetTensorDescriptor(cDesc, CNNL_LAYOUT_NCHW, - CNNL_DTYPE_FLOAT, 4, dim_array)); + checkCnnlError(cnnlSetTensorDescriptor( + cDesc, CNNL_LAYOUT_NCHW, CNNL_DTYPE_FLOAT, 4, c_dim.data())); // get op descriptor cnnlOpTensorDescriptor_t opDesc; diff --git a/src/kernels/bang/matmul.cc b/src/kernels/bang/matmul.cc index 98f30947..811c43ef 100644 --- a/src/kernels/bang/matmul.cc +++ b/src/kernels/bang/matmul.cc @@ -18,45 +18,53 @@ class MatmulCnnl : public BangKernelWithoutConfig { auto dimInputs0 = op->getInputs(0)->getDims(); auto dimInputs1 = op->getInputs(1)->getDims(); auto dimOutput = op->getOutput()->getDims(); - int input0_batch_size = 1; - int input1_batch_size = 1; - int output_batch_size = 1; - for (size_t i = 0; i < dimInputs0.size() - 2; ++i) { - input0_batch_size *= dimInputs0[i]; - input1_batch_size *= dimInputs1[i]; - output_batch_size *= dimOutput[i]; - } - bool transA = op->getTransA(); - bool transB = op->getTransB(); - - int inputs0Array[3] = {input0_batch_size, - dimInputs0[dimInputs0.size() - 2], - dimInputs0[dimInputs0.size() - 1]}; - int inputs1Array[3] = {input1_batch_size, - dimInputs1[dimInputs1.size() - 2], - dimInputs1[dimInputs1.size() - 1]}; - int outputArray[3] = {output_batch_size, - dimOutput[dimOutput.size() - 2], - dimOutput[dimOutput.size() - 1]}; + int32_t transA = op->getTransA(); + int32_t transB = op->getTransB(); // get inputs checkCnnlError(cnnlCreateTensorDescriptor(&aDesc)); - checkCnnlError(cnnlSetTensorDescriptor( - aDesc, CNNL_LAYOUT_ARRAY, CNNL_DTYPE_FLOAT, 3, inputs0Array)); + checkCnnlError( + cnnlSetTensorDescriptor(aDesc, CNNL_LAYOUT_ARRAY, CNNL_DTYPE_FLOAT, + dimInputs0.size(), dimInputs0.data())); checkCnnlError(cnnlCreateTensorDescriptor(&bDesc)); - checkCnnlError(cnnlSetTensorDescriptor( - bDesc, CNNL_LAYOUT_ARRAY, CNNL_DTYPE_FLOAT, 3, inputs1Array)); + checkCnnlError( + cnnlSetTensorDescriptor(bDesc, CNNL_LAYOUT_ARRAY, CNNL_DTYPE_FLOAT, + dimInputs1.size(), dimInputs1.data())); // get outputs checkCnnlError(cnnlCreateTensorDescriptor(&cDesc)); - checkCnnlError(cnnlSetTensorDescriptor( - cDesc, CNNL_LAYOUT_ARRAY, CNNL_DTYPE_FLOAT, 3, outputArray)); + checkCnnlError( + cnnlSetTensorDescriptor(cDesc, CNNL_LAYOUT_ARRAY, CNNL_DTYPE_FLOAT, + dimOutput.size(), dimOutput.data())); - cnnlStatus_t stat = - cnnlBatchMatMul(context->cnnlHandle(), transA, transB, aDesc, aData, - bDesc, bData, cDesc, cData); + cnnlMatMulDescriptor_t bmm_desc; + cnnlMatMulDescCreate(&bmm_desc); + cnnlSetMatMulDescAttr(bmm_desc, CNNL_MATMUL_DESC_TRANSA, &transA, + sizeof(int32_t)); + cnnlSetMatMulDescAttr(bmm_desc, CNNL_MATMUL_DESC_TRANSB, &transB, + sizeof(int32_t)); + + cnnlMatMulAlgo_t bmm_algo; + cnnlMatMulAlgoCreate(&bmm_algo); + + float alpha = 1.0; + float beta = 0.0; + int count = 0; + + cnnlMatMulHeuristicResult_t desc; + cnnlCreateMatMulHeuristicResult(&desc); + + cnnlGetBatchMatMulAlgoHeuristic(context->cnnlHandle(), bmm_desc, aDesc, + bDesc, cDesc, NULL, 1, &desc, &count); + size_t wsSize; + cnnlGetBatchMatMulHeuristicResult(desc, bmm_algo, &wsSize); + BangPtr wsData = context->getWorkspace(wsSize); + + cnnlStatus_t stat = cnnlBatchMatMulBCast_v2( + context->cnnlHandle(), bmm_desc, bmm_algo, &alpha, aDesc, aData, + bDesc, bData, &beta, cDesc, cData, wsData, wsSize); if (stat != CNNL_STATUS_SUCCESS) return; @@ -65,6 +73,9 @@ class MatmulCnnl : public BangKernelWithoutConfig { checkCnnlError(cnnlDestroyTensorDescriptor(aDesc)); checkCnnlError(cnnlDestroyTensorDescriptor(bDesc)); checkCnnlError(cnnlDestroyTensorDescriptor(cDesc)); + checkCnnlError(cnnlMatMulDescDestroy(bmm_desc)); + checkCnnlError(cnnlMatMulAlgoDestroy(bmm_algo)); + checkCnnlError(cnnlDestroyMatMulHeuristicResult(desc)); } }; diff --git a/src/kernels/bang/reshape.cc b/src/kernels/bang/reshape.cc index 5b4e8613..883cd9ba 100644 --- a/src/kernels/bang/reshape.cc +++ b/src/kernels/bang/reshape.cc @@ -4,9 +4,8 @@ namespace infini { class CopyBang : public BangKernelWithoutConfig { - void compute(const Operator &_op, + void compute(const Operator &op, const RuntimeObj *_context) const override { - auto op = as(_op); auto context = dynamic_cast(_context); auto inData = op->getInputs(0)->getRawDataPtr(); auto outData = op->getOutputs()[0]->getRawDataPtr(); diff --git a/src/utils/exception.cc b/src/utils/exception.cc index 304571b0..2121b3a7 100644 --- a/src/utils/exception.cc +++ b/src/utils/exception.cc @@ -3,16 +3,16 @@ #ifdef BACKWARD_TRACE #include "backward.hpp" -namespace backtrace = backward; +namespace backward_trace = backward; // signal handler -backtrace::SignalHandling sh; +backward_trace::SignalHandling sh; namespace infini { Exception::Exception(const std::string &msg) : std::runtime_error(msg) { - backtrace::StackTrace st; + backward_trace::StackTrace st; st.load_here(32); - backtrace::Printer p; + backward_trace::Printer p; p.print(st); } }; // namespace infini