MegCC是一个深度学习模型编译器，具有以下特点：

MegCC 支持了基础的 Benchmark 模块用于测试各类模型的推理性能，获取推理时各个 Kernel 的性能数据，分析模型性能瓶颈。


(资料图片仅供参考)

如何使用 MegCC 基准测试

介绍

MegCC Benchmark 是一个简单的工具，可以在 MegCC 中获取不同模型的基准测试结果，文件结构如下所示：

├── clean.sh├── CMakeLists.txt├── main.cpp├── model│   ├── model_arm.json│   ├── model_riscv.json│   ├── model_x86.json│   └── request.txt├── python│   ├── example.py│   ├── format.sh│   └── src│       ├── benchmark.py│       └── models.py├── README.md├── src│   ├── benchmark.h│   ├── build_config.h.in│   ├── CCbenchmark.cpp│   ├── CCbenchmark.h│   ├── MGEbenchmark.cpp│   └── MGEbenchmark.h└── tools    ├── cc_analysis.py    └── inference_visual.py

在 src 中，它是一个 c++ 应用程序，用于在不同平台上运行基准测试结果。在 python 中，包含了模型转换，其他相关准备工作和基准测试示例，并给出了一些可用来分析基准测试结果工具脚本

支持模型

mobilenetv2、resnet18、efficientnetb0 shufflenetv2 vgg16

要求

mgeconvert > v.1.0.2onnx==1.11.0torch==1.10.0cmake >=3.15.2clangninjatorchvision==0.11.1`

mgeconvert 可以通过以下命令安装：

git clone https://github.com/MegEngine/mgeconvert.gitcd mgeconvertgit checkout masterpython3 -m pip install . --user --install-option="--targets=onnx"

获取模型并运行基准示例

cd megcc/benchmarkexport MEGCC_MGB_TO_TINYNN_PATH=python3  python/example.py

example 会从 torchvision 下载对应模型并转换为 onnx, onnx 模型通过 mgeconvert 以及mgb-to-tiynn 转换为 megcc 模型

如果你想在其他平台上运行，请参考示例在 BenchmarkRunner 中添加你新的 run_platform_xxx 函数，示例给出了一个ssh远程设备测试模板

分析megcc日志

example.py 运行结束后，会在 benchmark 目录下生成 output 目录，里面包含了模型的推理 log 以及 profile log，这些 log 可以用相关分析脚本可视化进行进一步的分析利用

生成的 log 示例如下：

output/├── megcc-x86-efficientnetb0-0-log-local.txt├── megcc-x86-efficientnetb0-3-log-local.txt├── megcc-x86-mobilenetv2-0-log-local.txt├── megcc-x86-mobilenetv2-3-log-local.txt├── megcc-x86-resnet18-0-log-local.txt├── megcc-x86-resnet18-3-log-local.txt├── megcc-x86-resnet50-0-log-local.txt├── megcc-x86-resnet50-3-log-local.txt├── megcc-x86-shufflenetv2-0-log-local.txt├── megcc-x86-shufflenetv2-3-log-local.txt├── megcc-x86-vgg11-0-log-local.txt├── megcc-x86-vgg11-3-log-local.txt├── megcc-x86-vgg16-0-log-local.txt└── megcc-x86-vgg16-3-log-local.txt

0 代表只测速的 log, 3 代表 profile 的 log

注意：需安装 matplotlib

可视化不同模型的推理结果

benchmark 下tools/inference_visual.py工具可以用于分析测速日志，获取各个模型推理的性能对照，用法如下：

python3 tools/inference_visual.py output -o figure_dir

运行完后会在 figure_dir 目录下生成如下所示的性能对照图：

可视化不同内核在不同模型中的分析结果

benchmark 下tools/cc_analysis.py工具可以用于分析profile日志，获取各个模型推理时前10个最耗时的kernel 耗时占比饼图，用法如下：

python3 tools/cc_analysis.py output -o figure_dir

运行完后相关饼图也会在 figure_dir 目录下生成， 示例如下：

附

更多 MegEngine 信息获取，您可以：查看文档、 深度学习框架 MegEngine 官网和 GitHub 项目，或加入 MegEngine 用户交流 QQ 群：1029741705

https://wiki.megvii-inc.com/pages/viewpage.action?pageId=444979800

推荐内容