CUDA优化之PReLU性能调优

InsightFace模型里大量使用了PReLU激活函数，而PReLU的工作模式有两种：

1. PReLU(1)，此时权重alpha的形状为(1, )，等价于一个Elementwise操作。

2. PReLU(channels)，此时权重alpha的形状为(channels, )，和输入特征(N, C, H, W)中C的大小是对应的。此时PReLU等价于一个Binary Broadcast操作。

InsightFace模型里的PReLU工作模式是第二种，之前已经介绍过CUDA Elementwise操作优化，而在Broadcast情形下也存在一定的优化机会。

朴素实现

一个朴素实现的思想就是在循环内部，根据当前元素的索引，推算出该元素对应需要使用的alpha权重的索引。然后判断当前元素x是否大于0，若大于0则返回x，小于0则返回alpha*x。对应代码如下：

template<typename T>
__global__ void PReluForwardGpu(const int32_t elem_cnt, const int32_t alpha_size,
                                const int32_t inner_size, const T* x, const T* alpha, T* y) {
  CUDA_1D_KERNEL_LOOP(i, elem_cnt) {
    const T x_i = x[i];
    const T alpha_i = alpha[(i / inner_size) % alpha_size];
    y[i] = x_i > 0 ? x_i : x_i * alpha_i;
  }
}

其中：

inner_size表示的是通道维后面维度乘积，以NCHW格式为例，inner_size=H*W
alpha_size表示通道维大小

在CUDA中，整数除法的计算代价是比较昂贵的（https://docs.nvidia.com/cuda/cuda-c-programming-guide/index.html#maximize-instruction-throughput）关于计算指令耗时这一章中有提到：

Integer division and modulo operation are costly as they compile to up to 20 instructions.

整数除法，取余操作会被编译成多达20条指令。而我们这里计算alpha的索引的时候，分别用到一次除法，一次取余，占整个Kernel的主要计算量，下面我们将用向量化的思路来提高读写带宽的同时，减少整数除法，取余的计算次数。

Pack向量化优化

我们考虑一个比较简单的例子，输入为(1, 2, 4, 4)，对应PReLU(2)

显然，输入在hw维上是连续的，在 inner_size 满足被pack整除的条件下，一个pack内的元素应用到的是同一个alpha权重**。参见下图：

这样我们就能以向量化形式去处理元素，以提升读写带宽。并且每一个pack内部只需要计算一次，向量化处理相比逐元素计算能节省不小计算量。对应代码如下：

template<typename T, typename IndexType, int pack_size>
__global__ void PReluForwardMultiAlphaGpu(const IndexType elem_cnt, const IndexType alpha_size,
                                          const IndexType inner_size, const T* x, const T* alpha, T* y) {
  int32_t global_thread_id = blockIdx.x * blockDim.x + threadIdx.x;


  using LoadType = cuda::elementwise::PackType<T, pack_size>;
  using LoadPack = cuda::elementwise::Pack<T, pack_size>;
  T zero_val = static_cast<T>(0);
  for (int64_t linear_index = global_thread_id * pack_size; linear_index < elem_cnt;
       linear_index += gridDim.x * blockDim.x * pack_size) {
    // 计算当前Pack所使用到Alpha的索引
    
    IndexType alpha_idx = (linear_index/inner_size%alpha_size);
    const LoadType* x_load = reinterpret_cast<const LoadType*>(x + linear_index);
    // 以向量化的形式加载输入x
    LoadPack x_vec;
    x_vec.storage = *x_load;


    LoadPack y_vec;
    // 循环展开，逐个处理Pack内的元素
#pragma unroll
    for (int i = 0; i < pack_size; i++) {
      y_vec.elem[i] = x_vec.elem[i] > zero_val ? x_vec.elem[i] : x_vec.elem[i] * alpha[alpha_idx];
    }
    // 以向量化的形式存储输出y
    *(reinterpret_cast<LoadType*>(y + linear_index)) = y_vec.storage;
  }
}

我们在Nsight Compute内简单比较下优化前后的结果，测试数据为(96, 64, 112, 112)，机器为A100-40GB。蓝色一栏是使用向量化优化过的kernel，而绿色一栏是朴素实现的kernel。可以看到，经过优化后，我们计算占比降低20%-30%，吞吐提升了30+%。优化后的kernel带宽能达到1350GB/s，已经很接近A100上的理论带宽1555GB/s。