MegEngine 使用小技巧：如何使用 MegCC 进行模型编译

2023-07-06
北京
本文字数：3000 字
阅读完需：约 10 分钟

MegEngine 作为一个训推一体的 AI 框架，为用户提供了模型训练以及部署的能力。但是在部署模型时，由于会存在对于部署的模型计算来说不必要的代码，导致 SDK 体积比较大。为了解决上述问题，我们提供了新的工具：AI 编译器 MegCC。

MegCC 有以下特性：

只生成完成输入模型计算的必要的 kernel 代码以及用户指定的 CV 算子，编译得到的二进制文件体积很小。
支持 int8 量化模型以及 float16 量化，且生成的 kernel 是精心优化过的，推理性能好。
支持平台广。硬件方面，支持 Armv8、Armv7 以及 X86。操作系统方面，支持标准和非标准操作系统。

本文将重点解析模型部署中的重要步骤之一-模型编译：编译 MegEngine 模型，生成运行这个模型对应的 Kernel 以及和这些 Kernel 绑定的模型。

编译模型时：

MegCC 生成模型使用的内核和用户所需的 CV 内核
MegCC 做了多项优化，例如静态内存规划和模型优化
MegCC 将上述数据转储到最终模型中

模型编译阶段主要使用 mgb-to-tinynn 工具，编译完成之后，会在用户给定的目录下面，生成对应的纯 C 代码的 Kernel 以及对应的模型。为了编译模型，mgb-to-tinynn 工具需要用户提供一个 Json 文件来配置编译选项。

目前 MegCC 只支持 mge 模型作为输入，其他模型格式可以考虑转换到 ONNX，然后通过 mgeconvert 进行模型格式转换。

编写 Json 文件

json 模板如下：

{    "@dump_dir":"[Required], specify the directory where the output kernel and model are stored",    "dump_dir":"./batch_dump/",    "models":[        {            "@model_name":"[Optional], specify the name of the tiny model to be generated",            "model_name":"det_nchw44",            "@model_path":"[Required], specify the input model path. `mge' and `emod' formats are supported.",            "model_path":"path/to/model.mge",            "@input_shape_str":"[Optional], modify the input shape",            "input_shape_str":"data=(1,1,384,288):data=(1,1,288,384)",            "@enable_nchw44":"[Optional], whether to enable nchw44 optimization, default false",            "enable_nchw44":true,            "@enable_nchw44_dot":"[Optional], whether to enable nchw44 dot optimization for int8, default false",            "enable_nchw44_dot":false,            "@add_nhwc2nchw_to_input":"[Optional], add nhwc2nchw dimshuffle to input",            "add_nhwc2nchw_to_input":false,            "@mgb_fuse_kernel":"[Optional], fuse mgb kernel as possible",            "mgb_fuse_kernel":false,            "@enable_compress_fp16":"[Optional], whether to enable the optimization of using float16 storage to compress the model size",            "enable_compress_fp16":false,            "@enable_nchw88":"[Optional], whether to enable nchw88 optimization, default false",            "enable_nchw88":false,            "@enable_ioc16":"[Optional], whether to enable optimization using float16 calculation, default false",            "enable_ioc16":false        },        {            "model_name":"pf_nchw44",            "model_path":"path/to/another_model.emod",            "input_shape_str":"data=(1,1,112,112)",            "enable_nchw44":true        }    ],    "@cv":"[Optional], specify the cv operator used in non-models (e.g. in pre and post processing)",    "cv":{        "transpose":["ui8"],        "roicopy":["ui8"],        "rotate":["ui8"],        "flip":["ui8"],        "resize_linear":["ui8", "f32"],        "warp_affine_replicate_linear":["ui8"],        "rgb2bgr":["ui8"],        "yuv2bgr_nv21":["ui8"],        "rgb2yuv":["ui8"]    }}

复制代码

设置模型编译之后 dump 的路径，可以在 mgb-to-tinynn 工具中通过 --dump 参数进行 override。
Json 文件中需要指定使用 mgb-to-tinynn 编译的模型名称，模型的路径，以及模型的输入数据，以及一些优化参数等
如果部署的实际情况中需要多个模型组成 pipline，可以指定多个模型
如果一个模型在实际推理过程中可能需要多种输入 shape，需要分别在 input_shape_str 中指定，并用 : 分割开。
支持 enable_nchw44 和 enable_nchw44_dot 两个优化选项，enable_nchw44 为 true 表示，优化模型推理中 Tensor layout 为 NC4HW4。enable_nchw44_dot 为 true 表示，优化模型推理中 Tensor layout 为 NC4HW4，并且在推理过程中使用 ArmV8.2 dot 指令进行推理加速
开启 enable_ioc16 优化选项，可以使用 float16 进行 float32 模型的计算，可提升推理性能，代价是损失一些精度。通常需要同时开启 enable_nchw88 选项
另外为了方便用户集成时候使用 cv 算子进行模型的前后处理，可以在这个 Json 文件中指定需要用到的 cv 算子的名称以及对应的数据类型。MegCC 支持的 cv 算子列表。

模型编译

编译模型目前可以使用 mgb-to-tinynn 这个可执行文件完成编译，也可以使用 Release 包里面的现成脚本 ./script/ppl_gen.sh 进行编译。

使用现成脚本进行模型编译（推荐）

Release 包中的 script 目录下面有一个 ppl_gen.sh 的文件，直接执行：

./script/ppl_gen.sh ./bin/mgb-to-tinynn ./example/mobilenet.json mobilenet_gen --arm64

复制代码

./script/ppl_gen.sh 这个脚本将执行模型编译，并把 Runtime 需要的资源一同打包在一个压缩包中，方便后续 Runtime 的编译，解压这个压缩包将得到：

├── build runtime build 的路径├── immigration generalIntrinsic 头文件│   └── include├── kern 模型 kernel 文件包括cv 算子├── mobilenet.json 模型dump所用的配置文件├── model 模型│   └── mobilenet_nchw44.tiny├── model_info 模型输入信息│   └── mobilenet_nchw44.tiny.txt├── ppl_build.sh├── runtime runtime 源码│   ├── CMakeLists.txt│   ├── example│   ├── flatcc│   ├── include│   ├── schema│   ├── script│   └── src└── test_model.py 模型对分测试脚本

复制代码

使用可执行文件编译

使用 mgb-to-tinynn 和上面写好的 Json 文件执行：

mgb-to-tinynn --json=/path/to/json --[target]

复制代码

成模型编译后，将生成的运行这个模型的 Kernel，和这些 Kernel 绑定的模型文件以及 cv 算子都放在 Json 文件中指定的目录。其中

target：可以是 baremetal, arm64, armv7, arm64v7.

baremetal: 生成的 Kernel 为单片机可以运行的纯 C 形式
arm64v7: 生成能够同时在 Arm64 和 ArmV7 上运行的两套 Kernel 以及他们对应的模型，这时候，模型文件可能会比 target 为 arm64 时候大一点。

如编译 Release 包中的 mobilenet 模型，目标机器是 arm64 机器，运行如下命令

mkdir mobilenet_gen./bin/mgb-to-tinynn --json=./example/mobilenet.json --arm64 --dump mobilenet_gen

复制代码

附

更多 MegEngine 信息获取，您可以：查看文档和 GitHub 项目，或加入 MegEngine 用户交流 QQ 群：1029741705。欢迎参与 MegEngine 社区贡献，成为 Awesome MegEngineer，荣誉证书、定制礼品享不停。

发布于: 刚刚阅读数: 5

MegEngineBot

关注

工业级研发的开源深度学习框架-MegEngine 2022-10-21 加入

官网：https://www.megengine.org.cn/ MegEngine 技术交流 QQ 群：1029741705 框架使用相关交流或反馈，欢迎访问论坛：https://discuss.megengine.org.cn/ GitHub ：http://github.com/MegEngine/MegEngine

发布

暂无评论

创作场景

MegEngine 使用小技巧：如何使用 MegCC 进行模型编译

编写 Json 文件

模型编译

使用现成脚本进行模型编译（推荐）

使用可执行文件编译

附

MegEngineBot

评论