Paddle/doc/design/mkldnn

Intel® MKL-DNN on PaddlePaddle: Design Doc

我们计划将Intel深度神经网络数学库(MKL-DNN[1])集成到PaddlePaddle，充分展现英特尔平台的优势，有效提升PaddlePaddle在英特尔架构上的性能。

我们短期内的基本目标是：

• 完成常用layer的MKL-DNN实现。
• 完成常见深度神经网络VGG，GoogLeNet 和 ResNet的MKL-DNN实现。

Contents

• Overview
• Actions
  • CMake
  • Layers
  • Activations
  • Unit Tests
  • Protobuf Messages
  • Python API
  • Demos
  • Benchmarking
  • Others
• Design Concerns

Overview

我们会把MKL-DNN作为第三方库集成进PaddlePaddle，整体框架图

Figure 1. PaddlePaddle on IA.

Actions

我们把集成方案大致分为了如下几个方面。

CMake

我们会在CMakeLists.txt中会添加WITH_MKLDNN的选项，当设置这个值为ON的时候会启用编译MKL-DNN功能。同时会自动开启OpenMP用于提高MKL-DNN的性能。

同时，我们会引入WITH_MKLML选项，用于选择是否使用MKL-DNN自带的MKLML安装包。这个安装包可以独立于MKL-DNN使用，但是建议在开启MKL-DNN的同时也打开MKLML的开关，这样才能发挥最好的性能。

所以，我们会在cmake/external目录新建mkldnn.cmake和mklml.cmake文件，它们会在编译PaddlePaddle的时候下载对应的软件包，并放到PaddlePaddle的third party目录中。

备注：当WITH_MKLML=ON的时候，会优先使用这个包作为PaddlePaddle的CBLAS和LAPACK库，所以会稍微改动cmake/cblas.cmake中的逻辑。

Layers

所有MKL-DNN相关的C++ layers，都会按照PaddlePaddle的目录结构存放在 paddle/gserver/layers中，并且文件名都会一以Mkldnn开头。

所有MKL-DNN的layers都会继承于一个叫做MkldnnLayer的父类，该父类继承于PaddlePaddle的基类Layer。

Activations

由于在PaddlePaddle中，激活函数是独立于layer概念的，所以会在paddle/gserver/activations目录下添加一个MkldnnActivation.h文件定义一些用于MKL-DNN的接口，实现方法还是会在ActivationFunction.cpp文件。

Unit Tests

会在paddle/gserver/test目录下添加test_Mkldnn.cpp和MkldnnTester.*用于MKL-DNN的测试。

Activation的测试，计划在PaddlePaddle原有的测试文件上直接添加新的测试type。

Protobuf Messages

根据具体layer的需求可能会在proto/ModelConfig.proto里面添加必要的选项。

Python API

目前只考虑v1 API。

计划在python/paddle/trainer/config_parser.py里面添加use_mkldnn这个选择，方便用户选择使用MKL-DNN的layers。

具体实现方式比如：

use_mkldnn = bool(int(g_command_config_args.get("use_mkldnn", 0)))
if use_mkldnn
    self.layer_type = mkldnn_*

所有MKL-DNN的layer type会以*mkldnn_*开头，以示区分。

并且可能在python/paddle/trainer_config_helper目录下的activations.py 和layers.py里面添加必要的MKL-DNN的接口。

Demos

会在v1_api_demo目录下添加一个mkldnn的文件夹，里面放入一些用于MKL-DNN测试的demo脚本。

Benchmarking

会考虑添加部分逻辑在benchmark/paddle/image/run.sh，添加使用MKL-DNN的测试。

Others

1. 如果在使用MKL-DNN的情况下，会把CPU的Buffer对齐为64。
2. 深入PaddlePaddle，寻找有没有其他可以优化的可能，进一步优化。比如可能会用OpenMP改进SGD的更新性能。

Design Concerns

为了更好的符合PaddlePaddle的代码风格[2]，同时又尽可能少的牺牲MKL-DNN的性能[3]。

我们总结出一些特别需要注意的点：

1. 使用deviceId_。为了尽可能少的在父类Layer中添加变量或者函数，我们决定使用已有的deviceId_变量来区分layer的属性，定义-2为MkldnnLayer特有的设备ID。
2. 重写父类Layer的init函数，修改deviceId_为-2，代表这个layer是用于跑在MKL-DNN的环境下。
3. 创建MkldnnMatrix，用于管理MKL-DNN会用到的相关memory函数、接口以及会用的到格式信息。
4. 创建MkldnnBase，定义一些除了layer和memory相关的类和函数。包括MKL-DNN会用到MkldnnStream和CpuEngine，和未来可能还会用到FPGAEngine等。
5. 在Argument里添加两个MkldnnMatrixPtr，取名为mkldnnValue和mkldnnGrad，用于存放MkldnnLayer会用到的memory buffer。 并且添加函数cvt(会修改为一个更加合适的函数名)，用于处理"CPU device"和"MKL-DNN device"之间memory的相互转化。
6. 在父类Layer中的getOutput函数中添加一段逻辑，用于判断deviceId，并针对device在MKL-DNN和CPU之间不统一的情况，做一个前期转换。 也就是调用Argument的cvt函数把output统一到需要的device上。
7. 在原来的FLAGS中添加一个use_mkldnn的flag，用于选择是否使用MKL-DNN的相关功能。

References

1. Intel Math Kernel Library for Deep Neural Networks (Intel MKL-DNN)
2. 原来的方案会引入nextLayer的信息。但是在PaddlePaddle中，无论是重构前的layer还是重构后的op，都不会想要知道next layer/op的信息。
3. MKL-DNN的高性能格式与PaddlePaddle原有的NCHW不同(PaddlePaddle中的CUDNN部分使用的也是NCHW，所以不存在这个问题)，所以需要引入一个转换方法，并且只需要在必要的时候转换这种格式，才能更好的发挥MKL-DNN的性能。