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"]
}
}
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
./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
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]
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
