Forward 深度学习推理加速框架

---

• Forward 深度学习推理加速框架
  • 什么是 Forward
  • 为什么选择 Forward
  • 快速上手 Forward
    • 环境依赖
    • 项目构建
    • Forward-Cpp 使用
    • Forward-Python 使用
    • Forward-Bert 使用
    • 更多使用方法
    • Logging 日志
  • 模型和算子支持
    • 模型
    • 算子
  • 参考资料
  • 贡献
  • 许可证

---

[English Version]

什么是 Forward

Forward 是一款腾讯研发的 GPU 高性能推理加速框架。它提出了一种解析方案，可直接加载主流框架模型（Tensorflow / PyTorch / Keras / ONNX）转换成 TensorRT 推理加速引擎，帮助用户节省中间繁杂的模型转换或网络构建步骤。相对于直接使用 TensorRT，Forward 更易用以及更容易扩展支持更多模型和算子。目前，Forward 除了覆盖支持主流的 CV，NLP 及推荐领域的深度学习模型外，还支持一些诸如 BERT，FaceSwap，StyleTransfer 这类高级模型。

为什么选择 Forward

• 模型性能优化高：基于 TensorRT API 开发网络层级的支持，保证对于通用网络层级的推理性能优化处于最优级别；
• 模型支持范围广：除了通用的 CV，NLP，及推荐类模型，还支持一些诸如 BERT，FaceSwap，StyleTransfer 这类高级模型；
• 多种推理模式：支持 FLOAT / HALF / INT8 推理模式；
• 接口简单易用：直接导入已训练好的 Tensorflow(.pb) / PyTorch(.pth) / Keras(.h5) / ONNX(.onnx) 模型文件，隐式转换为高性能的推理 Engine 进行推理加速；
• 支持自研扩展：可根据业务模型扩展支持自定义网络层级；
• 支持 C++ 和 Python 接口调用。

快速上手 Forward

环境依赖

• NVIDIA CUDA >= 10.0, CuDNN >= 7 (推荐 CUDA 10.2 以上)
• TensorRT >= 7.0.0.11 (推荐 TensorRT-7.2.1.6)
• CMake >= 3.12.2
• GCC >= 5.4.0, ld >= 2.26.1
• PyTorch >= 1.7.0
• TensorFlow >= 1.15.0 (若使用 Linux 操作系统，需额外下载 Tensorflow 1.15.0，并将解压出来的 .so 文件拷贝至 Forward/source/third_party/tensorflow/lib 目录下)
• Keras HDF5 (从 Forward/source/third_party/hdf5 源码构建)

项目构建

使用 CMake 进行构建生成 Makefiles 或者 Visual Studio 项目。根据使用目的，Forward 可构建成适用于不同框架的库，如 Fwd-Torch、Fwd-Python-Torch、Fwd-Tf、Fwd-Python-Tf、Fwd-Keras、Fwd-Python-Keras、Fwd-Onnx 和 Fwd-Python-Onnx。

以 Linux 平台构建 Fwd-Tf 为例，

步骤一：克隆项目

1 git clone https://github.com/Tencent/Forward.git

步骤二：下载 Tensorflow 1.15.0（仅在 Linux 平台使用 Tensorflow 框架推理时需要）

1 cd Forward/source/third_party/tensorflow/
2 wget https://github.com/neargye-forks/tensorflow/releases/download/v1.15.0/libtensorflow-cpu-linux-x86_64-1.15.0.tar.gz
3 tar -xvf libtensorflow-gpu-linux-x86_64-1.15.0.tar.gz

步骤三：创建 build 文件夹

1 cd ~/Forward/
2 rm -rf build
3 mkdir -p build
4 cd build/

步骤四：使用 cmake 生成构建关系，需指定 TensorRT_ROOT 安装路径

1 cmake ..  -DTensorRT_ROOT=<path_to_TensorRT> -DENABLE_TENSORFLOW=ON -DENABLE_UNIT_TESTS=ON

步骤五：使用 make 构建项目

1 make -j

步骤六：运行 unit_test 验证项目是否构建成功

cd bin/
./unit_test --gtest_filter=TestTfNodes.*

# 出现已下提示表示项目构建成
# [       OK ] TestTfNodes.ZeroPadding (347 ms)
# [----------] 22 tests from TestTfNodes (17555 ms total)

# [----------] Global test environment tear-down
# [==========] 22 tests from 1 test case ran. (17555 ms total)
# [  PASSED  ] 22 tests.

更多构建流程可参考 CMake 构建流程 。

Forward-Cpp 使用

参考 Demo for using Forward-Cpp in Linux

Forward-Python 使用

参考 Demo for using Forward-Python

Forward-Bert 使用

Refer to Demo for using Forward-Bert

更多使用方法

注意: 模型输入名可通过模型查看器来查看, 例如用 Netron 查看。

• PyTorch 使用说明
• TensorFlow 使用说明
• Keras 使用说明
• ONNX 使用说明

Logging 日志

Forward 使用 easylogging++ 作为日志功能，并使用 forward_log.conf 作为日志配置文件。

• 若工作目录中存在 forward_log.conf 文件，Forward 将使用该配置文件，更多内容可参考 Using-configuration-file；
• 若工作目录中不存在 forward_log.conf 文件，Forward 将使用默认配置，并将日志记录到 logs/myeasylog.log 。

forward_log.conf 文件配置样例

* GLOBAL:
  FORMAT               =  "[%level] %datetime %fbase(%line): %msg"
  FILENAME