NVIDIA TensorRT 支持循环结构,这对于循环网络很有用。 TensorRT 循环支持扫描输入张量、张量的循环定义以及“扫描输出”和“最后一个值”输出。
10.1. Defining A Loop
循环由循环边界层(loop boundary layers)定义。
ITripLimitLayer指定循环迭代的次数。
IIteratorLayer使循环能够迭代张量。
IRecurrenceLayer指定一个循环定义。
ILoopOutputLayer指定循环的输出。
每个边界层都继承自类ILoopBoundaryLayer ,该类有一个方法getLoop()用于获取其关联的ILoop 。 ILoop对象标识循环。具有相同ILoop的所有循环边界层都属于该循环。
下图描绘了循环的结构和边界处的数据流。循环不变张量可以直接在循环内部使用,例如 FooLayer 所示。
一个循环可以有多个IIteratorLayer 、 IRecurrenceLayer和ILoopOutputLayer ,并且最多可以有两个ITripLimitLayer ,如后面所述。没有ILoopOutputLayer的循环没有输出,并由 TensorRT 优化。
NVIDIA TensorRT 支持矩阵中的流控制结构层部分描述了可用于循环内部的 TensorRT 层。
内部层可以自由使用在循环内部或外部定义的张量。内部可以包含其他循环(请参阅嵌套循环)和其他条件构造(请参阅条件嵌套)。
要定义循环,首先,使用INetworkDefinition ::addLoop方法创建一个ILoop对象。然后添加边界层和内部层。本节的其余部分描述了边界层的特征,使用loop表示INetworkDefinition ::addLoop返回的ILoop* 。
ITripLimitLayer支持计数循环和 while 循环。
loop -》addTripLimit( t ,TripLimit::kCOUNT)创建一个ITripLimitLayer ,其输入t是指定循环迭代次数的 0D INT32 张量。
loop -》addTripLimit( t ,TripLimit::kWHILE)创建一个ITripLimitLayer ,其输入t是一个 0D Bool 张量,用于指定是否应该进行迭代。通常t要么是IRecurrenceLayer的输出,要么是基于所述输出的计算。
一个循环最多可以有一种限制。
IIteratorLayer支持在任何轴上向前或向后迭代。
loop -》addIterator( t )添加一个IIteratorLayer ,它在张量t的轴 0 上进行迭代。例如,如果输入是矩阵:
2 3 5
4 6 8
第一次迭代的一维张量{2, 3, 5}和第二次迭代的{4, 6, 8} 。超出张量范围的迭代是无效的。
loop -》addIterator( t , axis )类似,但该层在给定的轴上迭代。例如,如果 axis=1 并且输入是矩阵,则每次迭代都会传递矩阵的一列。
loop -》addIterator( t , axis,reverse )类似,但如果reverse =true ,则该层以相反的顺序产生其输出。
ILoopOutputLayer支持三种形式的循环输出:
loop -》addLoopOutput( t, LoopOutput::kLAST_VALUE)输出t的最后一个值,其中t必须是IRecurrenceLayer的输出。
loop-》 addLoopOutput( t ,LoopOutput::kCONCATENATE, axis )将每次迭代的输入串联输出到t 。例如,如果输入是一维张量,第一次迭代的值为{ a,b,c} ,第二次迭代的值为{d,e,f} , axis =0 ,则输出为矩阵:
a b c
d e f
如果axis =1 ,则输出为:
a d
b e
c f
loop-》 addLoopOutput( t ,LoopOutput::kREVERSE, axis )类似,但颠倒了顺序。 kCONCATENATE和kREVERSE形式都需要第二个输入,这是一个 0D INT32 形状张量,用于指定新输出维度的长度。当长度大于迭代次数时,额外的元素包含任意值。第二个输入,例如u ,应使用ILoopOutputLayer::setInput(1, u )设置。
最后,还有IRecurrenceLayer 。它的第一个输入指定初始输出值,第二个输入指定下一个输出值。第一个输入必须来自循环外;第二个输入通常来自循环内部。例如,这个 C++ 片段的 TensorRT 模拟:
for (int32_t i = j; 。..; i += k) 。..
可以通过这些调用创建,其中j和k是ITensor* 。
ILoop* loop = n.addLoop();
IRecurrenceLayer* iRec = loop-》addRecurrence(j);
ITensor* i = iRec-》getOutput(0);
ITensor* iNext = addElementWise(*i, *k,
ElementWiseOperation::kADD)-》getOutput(0);
iRec-》setInput(1, *iNext);
第二个输入是TensorRT允许后沿的唯一情况。如果删除了这些输入,则剩余的网络必须是非循环的。
10.2. Formal Semantics
TensorRT 具有应用语义,这意味着除了引擎输入和输出之外没有可见的副作用。因为没有副作用,命令式语言中关于循环的直觉并不总是有效。本节定义了 TensorRT 循环结构的形式语义。
形式语义基于张量的惰性序列(lazy sequences)。循环的每次迭代对应于序列中的一个元素。循环内张量X的序列表示为〈 X 0, X 1, X 2, 。.. 〉 。序列的元素被懒惰地评估,意思是根据需要。
IIteratorLayer(X)的输出是〈 X[0], X[1], X[2], 。.. 〉其中X[i]表示在IIteratorLayer指定的轴上的下标。
IRecurrenceLayer(X,Y)的输出是〈 X, Y0, Y1, Y2, 。.. 〉 。 的输入和输出取决于LoopOutput的类型。
kLAST_VALUE :输入是单个张量X ,对于 n-trip 循环,输出是X n 。
kCONCATENATE :第一个输入是张量X,第二个输入是标量形状张量Y。结果是X0, X1, X2, 。.. Xn-1与后填充(如有必要)连接到Y指定的长度。如果Y 《 n则为运行时错误。 Y是构建时间常数。注意与IIteratorLayer的反比关系。 IIteratorLayer将张量映射到一系列子张量;带有kCONCATENATE的ILoopOutputLayer将一系列子张量映射到一个张量。
kREVERSE :类似于kCONCATENATE ,但输出方向相反。
ILoopOutputLayer的输出定义中的n值由循环的ITripLimitLayer确定:
对于计数循环,它是迭代计数,表示ITripLimitLayer的输入。
对于 while 循环,它是最小的 n 使得$X_n$为假,其中X是ITripLimitLayer的输入张量的序列。
非循环层的输出是层功能的顺序应用。例如,对于一个二输入非循环层F(X,Y) = 〈 f(X 0 , Y 0 ), f(X 1 , Y 1 ), f(X 2 , Y 2 )。.. 〉 。如果一个张量来自循环之外,即是循环不变的,那么它的序列是通过复制张量来创建的。
10.3. Nested Loops
TensorRT 从数据流中推断出循环的嵌套。例如,如果循环 B 使用在循环 A 中定义的值,则 B 被认为嵌套在 A 中。
TensorRT 拒绝循环没有干净嵌套的网络,例如如果循环 A 使用循环 B 内部定义的值,反之亦然。
10.4. Limitations
引用多个动态维度的循环可能会占用意外的内存量。 在一个循环中,内存的分配就像所有动态维度都取任何这些维度的最大值一样。例如,如果一个循环引用两个维度为[4,x,y]和[6,y]的张量,则这些张量的内存分配就像它们的维度是[4,max(x,y),max(x ,y)]和[6,max(x,y)] 。
带有kLAST_VALUE的LoopOutputLayer的输入必须是IRecurrenceLayer的输出。 循环 API 仅支持 FP32 和 FP16 精度。
10.5. Replacing IRNNv2Layer With Loops
IRNNv2Layer在 TensorRT 7.2.1 中已弃用,并将在 TensorRT 9.0 中删除。使用循环 API 合成循环子网络。例如,请参阅sampleCharRNN方法SampleCharRNNLoop::addLSTMCell 。循环 API 让您可以表达一般的循环网络,而不是局限于IRNNLayer和IRNNv2Layer中的预制单元。
关于作者
Ken He 是 NVIDIA 企业级开发者社区经理 & 高级讲师,拥有多年的 GPU 和人工智能开发经验。自 2017 年加入 NVIDIA 开发者社区以来,完成过上百场培训,帮助上万个开发者了解人工智能和 GPU 编程开发。在计算机视觉,高性能计算领域完成过多个独立项目。并且,在机器人和无人机领域,有过丰富的研发经验。对于图像识别,目标的检测与跟踪完成过多种解决方案。曾经参与 GPU 版气象模式GRAPES,是其主要研发者。
审核编辑:郭婷
-
NVIDIA
+关注
关注
14文章
4843浏览量
102697 -
gpu
+关注
关注
28文章
4667浏览量
128548 -
人工智能
+关注
关注
1789文章
46576浏览量
236899
发布评论请先 登录
相关推荐
评论