auto-optimizer工具指南

介绍

auto-optimizer（自动调优工具）使能ONNX模型在昇腾芯片的优化，并提供基于ONNX的改图功能。

软件架构

auto-optimizer主要通过graph_optimizer、graph_refactor接口提供ONNX模型自动调优能力。

接口详细介绍请参见如下手册：

• graph_optimizer：基于知识库的自动改图优化。同时支持自定义知识库，详细接口请参考knowledge
• graph_refactor：改图API。graph_refactor

工具安装

git clone https://gitee.com/ascend/ait.git
cd ait/ait/debug/surgeon

# it's recommended to upgrade pip and install wheel

# is's also recommended to use conda/venv/... to manage python enviornments
# for example: `python3 -m venv .venv && source .venv/bin/activate`

# is's also recommended to use `python3 -m pip` to avoid python env issue

python3 -m pip install --upgrade pip
python3 -m pip install wheel

# installation
# optional features: inference, simplify

# without any optional feature
python3 -m pip install .

# with inference and simplify feature
python3 -m pip install .[simplify]

• simplify：提供onnx.simplify接口。

工具使用

命令格式说明

auto-optimizer工具可通过auto_optimizer可执行文件方式启动，若安装工具时未提示Python的HATH变量问题，或手动将Python安装可执行文件的目录加入PATH变量，则可以直接使用如下命令格式：

auto_optimizer <COMMAND> [OPTIONS] [ARGS]

或直接使用如下命令格式：

python3 -m auto_optimizer <COMMAND> [OPTIONS] [ARGS]

其中为auto_optimizer执行模式参数，取值为list、evaluate、optimize和extract；[OPTIONS]和[ARGS]为evaluate和optimize命令的额外参数，详细介绍请参见后续“evaluate命令”和“optimize命令”章节。

使用流程

auto-optimizer工具建议按照list、evaluate和optimize的顺序执行。如需切分子图，可使用extract命令导出子图。

操作流程如下：

1. 执行list命令列举当前支持自动调优的所有知识库。
2. 执行evaluate命令搜索可以被指定知识库优化的ONNX模型。
3. 执行optimize命令使用指定的知识库来优化指定的ONNX模型。
4. 执行extract命令对模型进行子图切分。

list命令

命令示例如下：

python3 -m auto_optimizer list

输出示例如下：

Available knowledges:
   0 KnowledgeConv1d2Conv2d
   1 KnowledgeMergeConsecutiveSlice
   2 KnowledgeTransposeLargeInputConv
   3 KnowledgeMergeConsecutiveConcat
   4 KnowledgeTypeCast
   5 KnowledgeSplitQKVMatmul
   6 KnowledgeSplitLargeKernelConv
   7 KnowledgeResizeModeToNearest
   8 KnowledgeTopkFix
   9 KnowledgeMergeCasts
  10 KnowledgeEmptySliceFix 
  11 KnowledgeDynamicReshape
  12 KnowledgeGatherToSplit
  13 KnowledgeAvgPoolSplit
  14 KnowledgeBNFolding
  15 KnowledgeModifyReflectionPad
  16 KnowledgeBigKernel

列举的知识库按照“序号”+“知识库名称”的格式展示，evaluate或optimize命令通过knowledges参数指定知识库时，可指定知识库序号或名称。关于具体知识库的详细信息，请参见知识库文档。

注意：序号是为了方便手动调用存在的，由于知识库可能存在被删除或修改等情况，序号可能会变化。

evaluate命令

命令格式如下：

python3 -m auto_optimizer evaluate [OPTIONS] PATH

evaluate可简写为eva。

参数说明：

参数	说明	是否必选
OPTIONS	额外参数。可取值： -k/--knowledges：知识库列表。可指定知识库名称或序号，以英文逗号“,”分隔。默认启用除修复性质以外的所有知识库。 -r/--recursive：在PATH为文件夹时是否递归搜索。默认关闭。 -v/--verbose：打印更多信息，目前只有搜索进度。默认关闭。 -p/--processes: 使用multiprocess并行搜索，指定进程数量。默认1。 --help：工具使用帮助信息。	否
PATH	evaluate的搜索目标，可以是.onnx文件或者包含.onnx文件的文件夹。	是

命令示例及输出如下：

python3 -m auto_optimizer evaluate aasist_bs1_ori.onnx

2023-04-27 14:37:10,364 - auto-optimizer-logger - INFO - aasist_bs1_ori.onnx    KnowledgeConv1d2Conv2d,KnowledgeMergeConsecutiveSlice,KnowledgeTransposeLargeInputConv,KnowledgeTypeCast,KnowledgeMergeCasts

optimize命令

命令格式如下：

python3 -m auto_optimizer optimize [OPTIONS] INPUT_MODEL OUTPUT_MODEL

optimize可简写为opt。

参数说明：

参数	说明	是否必选
OPTIONS	额外参数。可取值： -k/--knowledges：知识库列表。可指定知识库名称或序号，以英文逗号“,”分隔。默认启用除修复性质以外的所有知识库。 -bk/--big-kernel：transform类模型大kernel优化的开关，当开关开启时会启用大kernel优化知识库。关于大kernel优化的介绍请参考示例 -as/--attention-start-node：第一个attention结构的起始节点，与-bk配合使用，当启用大kernel优化开关时，需要提供该参数。 -ae/--attention-end-node：第一个attention结构的结束节点，与-bk配合使用，当启用大kernel优化开关时，需要提供该参数。 -t/--infer-test：当启用这个选项时，通过对比优化前后的推理速度来决定是否使用某知识库进行调优，保证可调优的模型均为正向调优。启用该选项需要安装额外依赖[inference]，并且需要安装CANN。 -s/--soc：使用的昇腾芯片版本。默认为Ascend310P3。仅当启用infer-test选项时有意义。 -d/--device：NPU设备ID。默认为0。仅当启用infer-test选项时有意义。 -l/--loop：测试推理速度时推理次数。仅当启用infer-test选项时有意义。默认为100。 --threshold：推理速度提升阈值。仅当知识库的优化带来的提升超过这个值时才使用这个知识库，可以为负，负值表示接受负优化。默认为0，即默认只接受推理性能有提升的优化。仅当启用infer-test选项时有意义。 --input-shape：静态Shape图输入形状，ATC转换参数，可以省略。仅当启用infer-test选项时有意义。 --input-shape-range：动态Shape图形状范围，ATC转换参数。仅当启用infer-test选项时有意义。 --dynamic-shape：动态Shape图推理输入形状，推理用参数。仅当启用infer-test选项时有意义。 --output-size：动态Shape图推理输出实际size，推理用参数。仅当启用infer-test选项时有意义。 --help：工具使用帮助信息。	否
INPUT_MODEL	输入ONNX待优化模型，必须为.onnx文件。	是
OUTPUT_MODEL	输出ONNX模型名称，用户自定义，必须为.onnx文件。优化完成后在当前目录生成优化后ONNX模型文件。	是

命令示例及输出如下：

python3 -m auto_optimizer optimize aasist_bs1_ori.onnx aasist_bs1_ori_out.onnx

2023-04-27 14:31:33,378 - auto-optimizer-logger - INFO - Optimization success
2023-04-27 14:31:33,378 - auto-optimizer-logger - INFO - Applied knowledges:
2023-04-27 14:31:33,378 - auto-optimizer-logger - INFO -   KnowledgeConv1d2Conv2d
2023-04-27 14:31:33,378 - auto-optimizer-logger - INFO -   KnowledgeMergeConsecutiveSlice
2023-04-27 14:31:33,378 - auto-optimizer-logger - INFO -   KnowledgeTransposeLargeInputConv
2023-04-27 14:31:33,378 - auto-optimizer-logger - INFO -   KnowledgeTypeCast
2023-04-27 14:31:33,378 - auto-optimizer-logger - INFO -   KnowledgeMergeCasts
2023-04-27 14:31:33,378 - auto-optimizer-logger - INFO - Path: aasist_bs1_ori.onnx -> aasist_bs1_ori_out.onnx

extract命令

命令格式如下：

python3 -m auto_optimizer extract [OPTIONS] INPUT_MODEL OUTPUT_MODEL START_NODE_NAME1,START_NODE_NAME2 END_NODE_NAME1, END_NODE_NAME2

extract 可简写为ext

参数说明：

参数	说明	是否必选
OPTIONS	额外参数。可取值： -c/--is-check-subgraph：是否校验子图。启用这个选项时，会校验切分后的子图。	否
INPUT_MODEL	输入ONNX待优化模型，必须为.onnx文件。	是
OUTPUT_MODEL	切分后的子图ONNX模型名称，用户自定义，必须为.onnx文件。	是
START_NODE_NAME1,2...	起始节点名称。可指定多个输入节点，节点之间使用","分隔。	是
END_NODE_NAME1,2...	结束节点名称。可指定多个输出节点，节点之间使用","分隔	是
SUBGRAPH_INPUT_SHAPE	额外参数。可指定截取子图之后的输入shape。多节点的输入shape指定按照以下格式，"input1:n1,c1,h1,w1;input2:n2,c2,h2,w2"。	否
SUBGRAPH_INPUT_DTYPE	额外参数。可指定截取子图之后的输入dtype。多节点的输入dtype指定按照以下格式，"input1:dtype1;input2:dtype2"。	否
使用特别说明：为保证子图切分功能正常使用且不影响推理性能，请勿指定存在父子关系的输入或输出节点作为切分参数。

命令示例及输出如下：

python3 -m auto_optimizer extract origin_model.onnx sub_model.onnx "s_node1,s_node2" "e_node1,e_node2" --subgraph_input_shape="input1:1,3,224,224" --subgraph_input_dtype="input1:float16"

2023-04-27 14:32:33,378 - auto-optimizer-logger - INFO - Extract the model completed, model was saved in sub_model.onnx

许可证

Apache License 2.0

免责声明

auto-optimizer仅提供基于ONNX的改图及调优参考，不对其质量或维护负责。 如果您遇到了问题，Gitee/Ascend/auto-optimizer提交issue，我们将根据您的issue跟踪解决。 衷心感谢您对我们社区的理解和贡献。