CnnDroid 优化加速原理

原文链接：GPU-based Acceleration of Deep Convolutional Neural Networks on Mobile Platforms

github地址：CNNDroid

1.前置知识移动GPU架构

现在的移动GPU一般由多个平行计算单元SC（shader core）组成。每个SC又由多个平行算数逻辑单元ALU（arithmetic and logic unit）组成。

例如，Samsung Exynos 5433芯片架构如上图。芯片由ARM Cortex-A53/A57 CPU 和 Mali T-760 GPU构成。每个T-760 GPU中的SC包含两个128-bit的ALU。每个128-bit的ALU能够执行SIMD（single instruction multiple data）计算。例如，每个128-bit的ALU能够同时执行两个64-bit，或4个32-bit，或8个16-bit的计算。而PowerVR GPU的每个SC由多个16-bit和32-bit的ALU构成。

移动GPU和电脑上的有很大不同。其有很大的面积限制，因此移动GPU都被设计为只有较少的核心。然而，较少的核心让并行线程管理更加简单。例如，在某些移动GPU的每个线程中都有其自己的程序计数器，因此branch divergence不是问题。另一个主要不同是，电脑上CPU 和 GPU 都有单独的内存，而移动芯片CPU和GPU共用同一块主内存。因而，不会有在CPU和GPU间复制数据的限制。

2.CNN on Mobile GPU

以下均基于图片识别任务的cnn网络

优化效果见下图

2.1. GPU-Based Basic Parallel Acceleration

basic parallel acceleration方法是仍然按照序列计算每幅图片，但在对每幅图片卷积时采用并行计算。当存在ReLU层时，它的计算就被嵌入到两次卷积操作之间，而没有明显的耗时。这是通过利用CPU的空闲达到的。当GPU在卷积计算第i幅图片时，第（i-1）幅图的ReLU层就会被CPU计算。因此CPU与GPU同时处于工作状态。

2.2. GPU-Based Basic SIMD Acceleration

在前面的GPU架构中有提到，每个GPU的SC都包含多个SIMD ALU。每个ALU都能在一个时钟周期中处理多个计算操作。例如128-bit的SIMD ALU能同时执行4个32-bit的浮点计算。我们使用这个特性加速性能。

通常的卷积核尺寸都是单数，不能被4整除。因此，为了能完全利用SIMD单元，我们对输入的卷积层做了如下操作。因为输入矩阵的channel数能被4整除（RGBA），所以我们重新排列矩阵的维度，将channel移动到最低维，而height和width移动到更高维度（即[W,H,C]->[C,W,H]）。考虑到我们进行的图片的维度变换，因此在计算时需要沿着chanel轴进行计算。(我的理解是同时对4个channel进行卷积)

2.3. GPU-Based Advanced SIMD Acceleration

在上个方法中，尽管读取数据时通过4维的向量，但每个线程只有一个元素在输出时计算。为了减少线程数，以减少帧与卷积核加载到GPU缓存的次数。我们每次在每个线程中同时计算多个元素（4个或8个）。

流程：

1. 解析net.txt 文件，生成多个卷积网络计算图。每一个网络层生成对应的层对象，放入一个ArrayList中

root_directory: "/sdcard/Cifar10/"allocated_ram: 20execution_mode: "parallel"auto_tuning: "off"layer {type: "Convolution"name: "conv1"parameters_file: "model_param_conv1.msg"pad: 2stride: 1group: 1
}layer {type: "Pooling"name: "pool1"pool: "max"kernel_size: 3pad: 0stride: 2
}layer {type: "ReLU"name: "ReLU1"
}layer {type: "Convolution"name: "conv2"parameters_file: "model_param_conv2.msg"pad: 2stride: 1group: 1
}

2. 在生成Convolution层和FullyConnected层时，会通过其中的parameters_file找到对应的权重参数文件，并将其赋值到层对应的权重矩阵中

        float[][][][] inputBatch = new float[1][3][mWidthPixel][mHeightPixel];ImageView img = (ImageView) findViewById(R.id.imageView);TextView text = (TextView) findViewById(R.id.textView);// 读取图像源文件 并缩放到预定大小（32）Bitmap bmp = BitmapFactory.decodeResource(getResources(), R.drawable.airplane);Bitmap bmp1 = Bitmap.createScaledBitmap(bmp, imgSize, imgSize, true);Bitmap bmp2 = Bitmap.createScaledBitmap(bmp, mWidthPixel, mHeightPixel, false);img.setImageBitmap(bmp1);for (int j = 0; j < mWidthPixel; ++j) {for (int k = 0; k < mHeightPixel; ++k) {// 读取图像的pixel值，并归一化 means矩阵由网络初始化时读取mean.msg生成// 注意生成的矩阵顺序为 [batch, channel, width, height]int color = bmp2.getPixel(j, k);inputBatch[0][0][k][j] = (float) (android.graphics.Color.blue(color)) - mean[0][j][k];inputBatch[0][1][k][j] = (float) (android.graphics.Color.blue(color)) - mean[1][j][k];inputBatch[0][2][k][j] = (float) (android.graphics.Color.blue(color)) - mean[2][j][k];}}// 调用网络计算float[][] output = (float[][]) myConv.compute(inputBatch);

3. 循环存储网络层的ArrayList，依次处理输入数组，得到对应的输出矩阵。

例子：例子