CN116029346A - 用于深度学习模型推理的方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种用于深度学习模型推理的方法、装置、设备和介质，涉及人工智能领域，具体涉及深度学习技术。该方法包括：获取量化推理模型；创建用于在图像处理单元上运行的多个子流；在量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵；将第一矩阵和第二矩阵进行切分，以得到与第一矩阵对应的多个第一矩阵分块和与第二矩阵对应的多个第二矩阵分块；将多个第一矩阵分块和多个第二矩阵分块发射到多个子流中的相应的子流；利用多个子流中的每一个子流对发射到该子流的第一矩阵分块和第二矩阵分块执行矩阵乘法，以生成矩阵分块乘法结果；将多个子流各自生成的矩阵分块乘法结果进行组合，得到第一矩阵和第二矩阵的矩阵乘法结果。

Description

用于深度学习模型推理的方法、装置、设备和介质

技术领域

本公开涉及人工智能领域，具体涉及深度学习技术，特别涉及一种用于深度学习模型推理的方法、用于深度学习模型推理的装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

深度学习领域，Transformer类模型已经在效果上取得了巨大的突破。例如，在自然语言处理领域，GPT-3系列(Generated Pre-trained Transformer)模型依托于上千亿个语料信息和1750亿个模型参数，可以生成令人类无法鉴别真伪的文章；ERNIE-3.0千亿参数大模型，可以在文章生成、问题/答案生成和语料分类等多个任务达到业界领先效果。此外，在计算机视觉领域和多模态领域，研究人员们也注意到了Transformer大模型的巨大潜力，研发了ViT等一系列模型，用于图像、视频等信息的精确处理。借助上述大模型的优良效果，人工智能技术将更加聪明的在交通、银行、农业、遥感等多个产业代替人类完成重复性劳动，实现人力解放。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种用于深度学习模型推理的方法、用于深度学习模型推理的装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种用于深度学习模型推理的方法。该方法包括：获取量化推理模型；创建用于在图像处理单元上运行的多个子流；在量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵；将第一矩阵和第二矩阵进行切分，以得到与第一矩阵对应的多个第一矩阵分块和与第二矩阵对应的多个第二矩阵分块；将多个第一矩阵分块中的每一个第一矩阵分块和多个第二矩阵分块中的每一个第二矩阵分块发射到多个子流中的相应的子流；利用多个子流中的每一个子流对发射到该子流的第一矩阵分块和第二矩阵分块执行矩阵乘法，以生成矩阵分块乘法结果；以及将多个子流各自生成的矩阵分块乘法结果进行组合，以得到第一矩阵和第二矩阵的矩阵乘法结果。

根据本公开的另一方面，提供了一种用于深度学习模型推理的装置。该装置包括：模型获取单元，被配置为获取量化推理模型；创建单元，被配置为创建用于在图像处理单元上运行的多个子流；第一确定单元，被配置为在量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵；切分单元，被配置为将第一矩阵和第二矩阵进行切分，以得到与第一矩阵对应的多个第一矩阵分块和与第二矩阵对应的多个第二矩阵分块；发射单元，被配置为将多个第一矩阵分块中的每一个第一矩阵分块和多个第二矩阵分块中的每一个第二矩阵分块发射到多个子流中的相应的子流；第一矩阵乘法单元，被配置为利用多个子流中的每一个子流对发射到该子流的第一矩阵分块和第二矩阵分块执行矩阵乘法，以生成矩阵分块乘法结果；以及组合单元，被配置为将多个子流各自生成的矩阵分块乘法结果进行组合，以得到第一矩阵和第二矩阵的矩阵乘法结果。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，通过使用量化推理模型，能够降低模型推理占用的显存，而通过将量化模型中的矩阵乘法进行拆解，并使用在图像处理单元(GPU)上创建的多个子流对拆解后的矩阵分块进行矩阵乘法，能够提升对GPU的资源的利用率，降低推理耗时。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1A示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图1B示出了根据本公开示例性实施例的文本生成模型的示意图；

图1C示出了根据本公开示例性实施例的编码器块的示意图；

图2示出了根据本公开示例性实施例的用于深度学习模型推理的方法的流程图；

图3示出了根据本公开示例性实施例的用于深度学习模型推理的方法的流程图；

图4示出了根据本公开示例性实施例的多流推理的示意图；

图5示出了根据本公开示例性实施例的确定第一矩阵和第二矩阵的流程图；

图6示出了根据本公开示例性实施例的推理引擎的输入输出的示意图；

图7示出了根据本公开示例性实施例的用于深度学习模型推理的装置的结构框图；以及

图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术在进行深度学习模型推理时需要占用大量显存资源，并且耗时严重。

为解决上述问题，本公开通过使用量化推理模型，能够降低模型推理占用的显存，而通过将量化模型中的矩阵乘法进行拆解，并使用在图像处理单元(GPU)上创建的多个子流对拆解后的矩阵分块进行矩阵乘法，能够提升对GPU的资源的利用率，降低推理耗时。

下面将结合附图详细描述本公开的实施例。

图1A示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1A，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行用于深度学习模型推理的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)网络下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1A所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1A是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来进行人机交互。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1A仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1A的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的一方面，提供了一种用于深度学习模型推理的方法。如图2所示，用于深度学习模型推理的方法包括：步骤S201、获取量化推理模型；步骤S202、创建用于在图像处理单元上运行的多个子流；步骤S203、在量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵；步骤S204、将第一矩阵和第二矩阵进行切分，以得到与第一矩阵对应的多个第一矩阵分块和与第二矩阵对应的多个第二矩阵分块；步骤S205、将多个第一矩阵分块中的每一个第一矩阵分块和多个第二矩阵分块中的每一个第二矩阵分块发射到多个子流中的相应的子流；步骤S206、利用多个子流中的每一个子流对发射到该子流的第一矩阵分块和第二矩阵分块执行矩阵乘法，以生成矩阵分块乘法结果；以及步骤S207、将多个子流各自生成的矩阵分块乘法结果进行组合，以得到第一矩阵和第二矩阵的矩阵乘法结果。

由此，通过使用量化推理模型，能够降低模型推理占用的显存，而通过将量化模型中的矩阵乘法进行拆解，并使用在图像处理单元(GPU)上创建的多个子流对拆解后的矩阵分块进行矩阵乘法，能够提升对GPU的资源的利用率，降低推理耗时。

在一些实施例中，本公开的方法可以应用于各种结构的深度学习模型，例如，Transformer类模型。为便于对本公开的技术构思和技术手段进行阐述说明，本公开将主要以Transformer类模型作为示例，但可以理解的是，本公开的方法也可以应用于其他深度学习模型，在此不作限定。此外，本公开的方法可以应用于不同领域的深度学习模型，例如自然语言处理、图像处理、语音处理等领域。

以文本生成模型为例(因为文本生成模型的结构最复杂)，先介绍常见的Transformer类大模型结构。如图1B所示，生成模型由一个多层的编码器(encoder)和多层的解码器(decoder)组成，每一层包含一个编码器/解码器块(block)。将输入input送入模型后，首先由多层的编码器对input进行处理，再由多层的解码器对多层的编码器输出的结果进行处理，进而迭代使用多层的解码器对多层的解码器输出的结果进行处理，直至得到最终结果。

每一个编码器/解码器块包含若干全连接层，每个全连接层都会包含若干可训练的权重参数，所谓千亿生成模型即意味着这样的权重有一千亿之多，会占据400GB的存储空间。虽然对应的编码器和解码器块(即相同行)的权重是相同的，但由于编码器和解码器在时间上是串行的执行逻辑，在执行大模型推理的时候，仍需要将所有的权重加载到显存中。

如图1C所示，每一个编码器块/解码器块(encoder block/decoder block)的内部结构由四个全联接层和一些中间算子组成，对于每一个全连接层(FC)和与之配套的中间算子，本公开采用了支持量化后的精度的通用矩阵乘法(GEMM)接口，并采用了多流优化方案，如下文将要介绍的。

根据一些实施例，量化推理模型可以是对具有第一数值精度的深度学习推理模型进行量化而得到的。量化推理模型具有低于第一数值精度的第二数值精度。如前文所描述的，深度学习推理模型(特别是自然语言处理等领域的“大模型”)具有庞大的权重参数量，因此如果以较高的数值精度执行模型推理，则会占用大量的显存(即，图像处理单元(GPU)的存储空间)。因此，通过对深度学习推理模型进行量化，能够显著降低模型所占用的显存。

根据一些实施例，第一数值精度可以为INT8，第二数值精度可以为FP32或FP16。

在一些实施例中，本公开的方法还可以使用cuBlasLt库进行优化加速。当前GPU上的矩阵乘是基于CUDA核心(CUDA core)和张量核心(Tensor core)的并行计算。CUDA core的内核，每一个GPU时钟执行一次数值乘法，Tensor core则会在每个GPU时钟执行一次矩阵乘法。因此，Tensor core使用计算的能力要比CUDA core高很多，能够大幅增加吞吐效果。cuBlasLt库的IMMA可以利用到INT8 Tensor core的技术，从而能够为INT8的矩阵乘法运算带来较优的性能。

在使用IMMA内核时，需要满足如下两组要求中的一组要求：

组1使用常规数据顺序

·所有矩阵指针必须以4字节对齐。为了获得更好的性能，该条件应为16而不是4。

·矩阵A、B、C的首个维数必须是4的倍数。

·仅支持“TN”格式—A必须转置，B不转置。

·维数m和k必须是4的倍数。

组2使用IMMA特定的数据顺序：矩阵A、C、D使用CUBLASLT_ORDER_COL32，并且矩阵B使用CUBLASLT_ORDER_COL32_4R2_8C(图灵或英伟达安培GPU架构)或CUBLASLT_ORDER_COL32_2R_4R4(英伟达安培GPU架构)

·矩阵A、B、C的前导维数必须满足特定于内存排序的条件。

·Matmul描述符必须指定矩阵B上的CUBLAS_OP_T和矩阵A和C上的CUBLAS_OP_N(默认)。

·如果使用了CUDA_R_32I作为scaleType，则alpha和beta的唯一支持值为0或1。

在一些实施例中，由于要求2需要将矩阵的排布进行修改，需要额外进行开发，并且由于引入了排布的转换操作，势必会增加推理耗时，因此可以选择满足组1的要求，以节省开发成本和额外推理开销。在一些实施例中，也可以根据矩阵形状或硬件条件在两种要求中进行自动选择，提升灵活性。

根据一些实施例，为进一步优化性能，可以根据矩阵的形状，自动选择GEMM调用的内核(kernel)，从而达到在不同矩阵形状的效果最优。用于深度学习模型推理的方法还可以包括：基于第一矩阵和第二矩阵的形状，确定用于执行第一矩阵和第二矩阵的矩阵乘法的内核。通过这样的方式，能够提升对GPU资源的利用率，提升性能。

在CUDA编程中，流(stream)是在GPU上CUDA内核的执行队列，HOST设备(一般是CPU)将需要执行的内核发射到流上，GPU按流的顺序执行。CUDA允许创建多个流，HOST设备可以向不同的流上发射内核，这些流异步执行。不过，异步执行的效率也受到GPU对不同内核资源调度策略的不同的影响，如果某个流上的内核在某时刻占用了接近100％的GPU资源，其他流上的内核也无法达到预期的执行效率。

发明人在对量化推理模型的研究中发现，一些k值较大的矩阵乘仍无法使用完所有GPU资源(这里k是指矩阵乘法中A矩阵的第二维/列数和B矩阵的第一维/行数)，因此在步骤S204，可以沿k维度对矩阵进行切分，进而在步骤S205-步骤S206，根据矩阵的分块相乘特性，将一个矩阵乘分为多个矩阵乘发射到多个子流上进行计算。

在一个示例性实施例中，可以预先在GPU上创建4个子流，并在推理过程中将第一矩阵沿列切成第一矩阵分块A1和第一矩阵分块A2，将第二矩阵延行切成第二矩阵分块B1和第二矩阵分块B2，再将A1、B1发送至第一子流，将A1、B2发送至第二子流，将A2、B1发送至第三子流，将A2、B2发送至第四子流。进而，可以利用每一个子流对发送到该子流的两个矩阵分块执行矩阵乘法，再将矩阵分块乘法结果发送到主流中。最后，可以利用GPU的主流根据矩阵乘法原理将四个矩阵分块乘法结果进行组合，以得到与将第一矩阵和第二矩阵进行直接相乘等价的矩阵乘法结果。

通过将矩阵乘法拆分后发送到不同子流来进行计算，使得能够提升对GPU的资源利用率，从而降低推理耗时。需要注意的是，上述方案针对量化推理模型，这是因为量化推理模型的数值精度较低，在推理过程中执行矩阵乘法计算不会用完所有GPU资源；而针对非量化的深度学习推理模型，由于数值精度较高，矩阵乘法计算会占用大量GPU资源，GPU利用率高，因此无需使用多流的方式再提升GPU利用率。

根据一些实施例，可以将k值较小的矩阵乘法在主流上计算，被判断为需要切分的时候将矩阵切分发射到子流上计算。第一矩阵的列数可以大于预设值。如图3所示，用于深度学习模型推理的方法还可以包括：步骤S308、在量化推理模型的推理过程中确定待执行矩阵乘法的第三矩阵和第四矩阵，第三矩阵的列数不大于预设值；以及步骤S309、利用图像处理单元上运行的主流对第三矩阵和第四矩阵执行矩阵乘法，以得到第三矩阵和第四矩阵的矩阵乘法结果。图3中的步骤S301-步骤S307的操作和图2中的步骤S201-步骤S207类似，在此不作赘述。

由于矩阵拆分、将矩阵分块发射到不同子流、以及将子流上的结果进行汇总组合同样需要消耗资源，而计算量较小的矩阵乘法本身就不会消耗太多资源，因此通过在主流上执行计算量较小的矩阵乘法，并且将计算量较大的矩阵乘法拆分后发送到多个子流上执行，能够提升资源的利用率。

除了矩阵乘法外，其他的内核可以在主流上执行。此外，由于流的异步性，可以使用CUDA事件(CUDA event)将主流和子流进行同步，以确保计算的正确性。

在一些实施例中，如图4所示，主流上串行运行内核1、内核2和内核3。在每个内核运行结束后，子流向主流进行查询。在内核3之后，可以通过CUDA事件进行同步并将矩阵分块发射到相应的子流上，随后每个子流对接收到的矩阵分块执行矩阵乘法。子流上的矩阵乘法运算结束后，主流向每个子流查询运算结果，并且可以在每个子流使用CUDA事件进行同步，进而可以将每个子流的运算结果进行组合，以得到矩阵乘法结果。在此之后，主流还可以执行后续的内核4。

根据一些实施例，由于采用了量化的矩阵乘法实现，因此在部分其他中间算子仅支持浮点数计算的情况下，需要对每一个矩阵乘的输入和输出做量化和反量化处理。用于深度学习模型推理的方法还可以包括：对第一矩阵和第二矩阵的矩阵乘法结果进行反量化，以得到具有第一数值精度的目标结果。

在一些实施例中，量化和反量化需要额外的耗时。为优化掉该部分耗时，可以采用了内核融合技术，即将量化内核融合到全连接层之前的内核中，并将反量化内核融合到全连接层之后的内核中。通过这样的方式，相当于省去了量化和反量化内核启动的时间，从而可以为模型带来10％～20％的速度提升。

如前文所描述的，由于编码器和解码器在时间上是串行的执行逻辑，因此在执行深度学习模型推理的时候，可能会发生编码器和解码器加载多份重复的权重，从而造成显存浪费。

根据一些实施例，如图5所示，步骤S203、在量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵可以包括：步骤S501、确定量化推理模型中的待推理的第一全连接层，第一全连接层与第一矩阵相关联，并且包括多个第一权重；以及步骤S502、针对多个第一权重中的每一个第一权重，响应于确定图像处理单元的存储空间不包含该第一权重，从其他存储空间中获取该第一权重并将该第一权重存入图像处理单元的存储空间。由此，通过上述方式，能够确保每一份权重在图像处理单元的存储空间仅被存储一次，避免了显存的额外开销。

根据一些实施例，用于深度学习模型推理的方法还可以包括：确定量化推理模型中待推理的第二全连接层，第二全连接层包括与多个第一权重至少部分相同的多个第二权重；以及从图像处理单元的存储空间直接获取多个第二权重。由此，通过上述方式，实现了模型的不同结构之间的权重共享。权重加载一次，使用多次。

根据一些实施例，在量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵还包括：获取与多个权重各自对应的指针，指针指示图像处理单元的存储空间是否包含与该指针对应的权重。由此，通过使用指针，能够便捷地判断GPU中是否已经包括对应的权重。

在一个示例性实施例中，针对飞桨(PaddlePaddle)深度学习开发平台，可以使用scope作为多个权重的指针，根据scope是否已经包含GPU上的权重，实行不同的操作步骤。在构造全连接层时，传入scope指针，如果scope不包含GPU权重，则可以进行预处理并存储权重，进而构造矩阵乘法；如果scope包含GPU权重，则可以直接构造矩阵乘法。

在一个示例性实施例中，在使用ERNIE 3.0模型验证时，数值精度为FP32的深度学习模型需要的显存为420G，而通过使用权重共享和量化等技术，显存降低到了133GB，可以节省近3/4的GPU卡片。此外，通过使用多流和内核融合，可以将推理耗时从FP32精度的模型的500ms降低到186ms，推理效率提高到原来的2.7倍。

除上述优势外，本公开的方法面向用户十分友好。如图6所示，用户向推理引擎提供推理模型(例如，量化推理模型)和对应的模型输入，以及相关配置，包括量化开关(指示用户提供的模型是否为量化后的模型)、GPU卡片个数、以及子流的个数。推理引擎可以执行本公开的方法，以生成模型的输出结果并返回给用户。本公开的方法对于各个领域的各种任务都是适用的，例如文本和图像的分类、生成任务等，以生成文本、图像、分类结果等。本公开的方法对于各种模型也是使用的，例如ViT，GPT，ERNIE等。

根据本公开的另一方面，提供了一种用于深度学习模型推理的装置。如图7所示，装置700包括：模型获取单元710，被配置为获取量化推理模型；创建单元720，被配置为创建用于在图像处理单元上运行的多个子流；第一确定单元730，被配置为在量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵；切分单元740，被配置为将第一矩阵和第二矩阵进行切分，以得到与第一矩阵对应的多个第一矩阵分块和与第二矩阵对应的多个第二矩阵分块；发射单元750，被配置为将多个第一矩阵分块中的每一个第一矩阵分块和多个第二矩阵分块中的每一个第二矩阵分块发射到多个子流中的相应的子流；第一矩阵乘法单元760，被配置为利用多个子流中的每一个子流对发射到该子流的第一矩阵分块和第二矩阵分块执行矩阵乘法，以生成矩阵分块乘法结果；以及组合单元770，被配置为将多个子流各自生成的矩阵分块乘法结果进行组合，以得到第一矩阵和第二矩阵的矩阵乘法结果。

可以理解的是，装置700中的单元710-单元770的操作和图2中的步骤S201-步骤S207的操作类似，在此不作赘述。

根据一些实施例，第一矩阵的列数可以大于预设值。装置700还可以包括(图中未示出)：第二确定单元，被配置为在量化推理模型的推理过程中确定待执行矩阵乘法的第三矩阵和第四矩阵，第三矩阵的列数不大于预设值；以及第二矩阵乘法单元，被配置为利用图像处理单元上运行的主流对第三矩阵和第四矩阵执行矩阵乘法，以得到第三矩阵和第四矩阵的矩阵乘法结果。

根据一些实施例，量化推理模型可以是对具有第一数值精度的深度学习推理模型进行量化而得到的。量化推理模型可以具有低于第一数值精度的第二数值精度。

根据一些实施例，装置700还可以包括(图中未示出)：反量化单元，被配置为对第一矩阵和第二矩阵的矩阵乘法结果进行反量化，以得到具有第一数值精度的目标结果。

根据一些实施例，第一数值精度可以为INT8，第二数值精度可以为FP32或FP16。

根据一些实施例，装置700还可以包括(图中未示出)：第三确定单元，被配置为基于第一矩阵和第二矩阵的形状，确定用于执行第一矩阵和第二矩阵的矩阵乘法的内核。

根据一些实施例，第一确定单元可以包括：确定子单元，被配置为确定量化推理模型中的待推理的第一全连接层，第一全连接层与第一矩阵相关联，并且包括多个第一权重；以及存储子单元，被配置为针对多个第一权重中的每一个第一权重，响应于确定图像处理单元的存储空间不包含该第一权重，从其他存储空间中获取该第一权重并将该第一权重存入图像处理单元的存储空间。

根据一些实施例，装置700还可以包括(图中未示出)：第四确定单元，被配置为确定量化推理模型中待推理的第二全连接层，第二全连接层包括与多个第一权重至少部分相同的多个第二权重；以及权重获取单元，被配置为从图像处理单元的存储空间直接获取多个第二权重。

根据一些实施例，第一确定单元还可以包括：获取子单元，被配置为获取与多个权重各自对应的指针，指针指示图像处理单元的存储空间是否包含与该指针对应的权重。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图8，现将描述可以作为本公开的服务器或客户端的电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习网络算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如用于深度学习模型推理的方法。例如，在一些实施例中，用于深度学习模型推理的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的用于深度学习模型推理的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于深度学习模型推理的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (21)

1.一种用于深度学习模型推理的方法，包括：

获取量化推理模型；

创建用于在图像处理单元上运行的多个子流；

在所述量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵；

将所述第一矩阵和所述第二矩阵进行切分，以得到与所述第一矩阵对应的多个第一矩阵分块和与所述第二矩阵对应的多个第二矩阵分块；

将所述多个第一矩阵分块中的每一个第一矩阵分块和所述多个第二矩阵分块中的每一个第二矩阵分块发射到所述多个子流中的相应的子流；

利用所述多个子流中的每一个子流对发射到该子流的第一矩阵分块和第二矩阵分块执行矩阵乘法，以生成矩阵分块乘法结果；以及

将所述多个子流各自生成的矩阵分块乘法结果进行组合，以得到所述第一矩阵和所述第二矩阵的矩阵乘法结果。

2.根据权利要求1所述的方法，其中，所述第一矩阵的列数大于预设值，所述方法还包括：

在所述量化推理模型的推理过程中确定待执行矩阵乘法的第三矩阵和第四矩阵，所述第三矩阵的列数不大于所述预设值；以及

利用所述图像处理单元上运行的主流对所述第三矩阵和所述第四矩阵执行矩阵乘法，以得到所述第三矩阵和所述第四矩阵的矩阵乘法结果。

3.根据权利要求1所述的方法，其中，所述量化推理模型是对具有第一数值精度的深度学习推理模型进行量化而得到的，所述量化推理模型具有低于所述第一数值精度的第二数值精度。

4.根据权利要求3所述的方法，还包括：

对所述第一矩阵和所述第二矩阵的矩阵乘法结果进行反量化，以得到具有所述第一数值精度的目标结果。

5.根据权利要求4所述的方法，其中，所述第一数值精度为INT8，所述第二数值精度为FP32或FP16。

6.根据权利要求1所述的方法，还包括：

基于所述第一矩阵和所述第二矩阵的形状，确定用于执行所述第一矩阵和所述第二矩阵的矩阵乘法的内核。

7.根据权利要求1所述的方法，其中，在所述量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵包括：

确定所述量化推理模型中的待推理的第一全连接层，所述第一全连接层与所述第一矩阵相关联，并且包括多个第一权重；以及

针对所述多个第一权重中的每一个第一权重，响应于确定所述图像处理单元的存储空间不包含该第一权重，从其他存储空间中获取该第一权重并将该第一权重存入所述图像处理单元的存储空间。

8.根据权利要求7所述的方法，还包括：

确定所述量化推理模型中待推理的第二全连接层，所述第二全连接层包括与所述多个第一权重至少部分相同的多个第二权重；以及

从所述图像处理单元的存储空间直接获取所述多个第二权重。

9.根据权利要求7所述的方法，其中，在所述量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵还包括：

获取与所述多个权重各自对应的指针，所述指针指示所述图像处理单元的存储空间是否包含与该指针对应的权重。

10.一种用于深度学习模型推理的装置，包括：

模型获取单元，被配置为获取量化推理模型；

创建单元，被配置为创建用于在图像处理单元上运行的多个子流；

第一确定单元，被配置为在所述量化推理模型的推理过程中，确定待执行矩阵乘法的第一矩阵和第二矩阵；

切分单元，被配置为将所述第一矩阵和所述第二矩阵进行切分，以得到与所述第一矩阵对应的多个第一矩阵分块和与所述第二矩阵对应的多个第二矩阵分块；

发射单元，被配置为将所述多个第一矩阵分块中的每一个第一矩阵分块和所述多个第二矩阵分块中的每一个第二矩阵分块发射到所述多个子流中的相应的子流；

第一矩阵乘法单元，被配置为利用所述多个子流中的每一个子流对发射到该子流的第一矩阵分块和第二矩阵分块执行矩阵乘法，以生成矩阵分块乘法结果；以及

组合单元，被配置为将所述多个子流各自生成的矩阵分块乘法结果进行组合，以得到所述第一矩阵和所述第二矩阵的矩阵乘法结果。

11.根据权利要求10所述的装置，其中，所述第一矩阵的列数大于预设值，所述装置还包括：

第二确定单元，被配置为在所述量化推理模型的推理过程中确定待执行矩阵乘法的第三矩阵和第四矩阵，所述第三矩阵的列数不大于所述预设值；以及

第二矩阵乘法单元，被配置为利用所述图像处理单元上运行的主流对所述第三矩阵和所述第四矩阵执行矩阵乘法，以得到所述第三矩阵和所述第四矩阵的矩阵乘法结果。

12.根据权利要求10所述的装置，其中，所述量化推理模型是对具有第一数值精度的深度学习推理模型进行量化而得到的，所述量化推理模型具有低于所述第一数值精度的第二数值精度。

13.根据权利要求12所述的装置，还包括：

反量化单元，被配置为对所述第一矩阵和所述第二矩阵的矩阵乘法结果进行反量化，以得到具有所述第一数值精度的目标结果。

14.根据权利要求13所述的装置，其中，所述第一数值精度为INT8，所述第二数值精度为FP32或FP16。

15.根据权利要求10所述的装置，还包括：

第三确定单元，被配置为基于所述第一矩阵和所述第二矩阵的形状，确定用于执行所述第一矩阵和所述第二矩阵的矩阵乘法的内核。

16.根据权利要求10所述的装置，其中，所述第一确定单元包括：

确定子单元，被配置为确定所述量化推理模型中的待推理的第一全连接层，所述第一全连接层与所述第一矩阵相关联，并且包括多个第一权重；以及

存储子单元，被配置为针对所述多个第一权重中的每一个第一权重，响应于确定所述图像处理单元的存储空间不包含该第一权重，从其他存储空间中获取该第一权重并将该第一权重存入所述图像处理单元的存储空间。

17.根据权利要求16所述的装置，还包括：

第四确定单元，被配置为确定所述量化推理模型中待推理的第二全连接层，所述第二全连接层包括与所述多个第一权重至少部分相同的多个第二权重；以及

权重获取单元，被配置为从所述图像处理单元的存储空间直接获取所述多个第二权重。

18.根据权利要求16所述的装置，其中，所述第一确定单元还包括：

获取子单元，被配置为获取与所述多个权重各自对应的指针，所述指针指示所述图像处理单元的存储空间是否包含与该指针对应的权重。

19.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-9中任一项所述的方法。

Images