共计 1319 个字符，预计需要花费 4 分钟才能阅读完成。
2022 年 3 月 25 日，腾讯联结英伟达开发的 TensorRT 插件主动生成工具 TPAT 正式发表开源。
TensorRT 是以后利用最广的 GPU 推理框架，但因为反对的算子数量无限，用户面临手写插件以反对算子的痛点。TPAT 可能反对凋谢神经网络替换 (ONNX) 格局所有的算子，端到端生成 TensorRT 插件，在解放人力老本的同时，性能比照手写毫不逊色。
Github 地址：https://github.com/Tencent/TPAT
背景
TensorRT 是当今最快的 GPU 推理引擎，能够让深度学习模型在 GPU 上实现低提早、高吞吐量的部署，反对 Caffe，TensorFlow，Mxnet，Pytorch 等支流深度学习框架，由英伟达开发保护。业界简直所有 GPU 推理业务都在应用 TensorRT。
然而 TensorRT 也存在缺点，即它的部署流程比拟繁琐，因而算法工程师提供的模型须要交由零碎工程师来部署上线，十分耗时耗力。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 官网只反对很无限的罕用算子 (Conv/FC/BN/Relu…)，对于不反对的算子，须要用户手写插件来实现；
-
- 插件的编写须要 GPU 和 cuda 常识，英伟达的工程师也通常须要 1~2 周工夫来编写一个算子实现；模型中如果蕴含多个不反对算子，就须要更多工夫来一一编写和调试插件。
TPAT 概览
TPAT 实现了 TensorRT 插件的全自动生成，TensorRT 的部署和上线能根本流程化不再须要人工参加。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须要 30-60 分钟的工夫（该工夫用于搜寻算子的高性能 CUDA Kernel），TensorRT 会因而成为一个真正端到端的推理框架。
TPAT 亮点
- 覆盖度：反对 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过手写 Plugin
架构设计
TPAT 局部算子性能数据
咱们应用 TPAT 主动生成 TensorRT-7.2 不反对的算子，并且用 TPAT 优化 TensorRT-7.2 原生实现性能较差的算子；
比照手写 Plugin
优化 TensorRT 原生算子
咱们对外部业务模型里的局部算子进行了测试，TPAT 的性能简直全面超过 CUDA 工程师手写，并且端到端的设计可能大幅缩小人力投入；对于 TensorRT 原生的算子实现，TPAT 的体现也并不逊色，AutoTune 的特点可能优化 TensorRT 里体现不那么好的原生算子实现。
TPAT 开源
后续 TPAT 的开源打算：
- 对于算子的多精度进行反对，包含 Float16，Int8.
- 利用 TPAT 进行子图的优化
- 对于动静形态的反对
附录：TPAT 应用案例
应用 TPAT 反对 Onehot 算子（TensorRT-7.2.2.3）
输出包含了 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；
通过模板填充后间接生成可用的 onehot 算子 Plugin 的动态链接库。