tensorrt在不同batchsize下的性能对比

骑猪看日落 2023-01-08 07:27 208阅读 0赞

tensorrt利用GPU进行加速，天然的GPU是适合并行计算，因此加大batchsize是优化tensorrt常见的方式之一

tensorrt默认是batchsize=1，接下来做几个实验进行观察

模型是直接下载的[这个网站][Link 1]的onnx文件

拿到onnx文件后，我们需要转换成tensorrt的引擎文件

/opt/TensorRT-7.1.3.4/bin/trtexec --onnx=ctdet_coco_dlav0_512.onnx --saveEngine=ctdet_coco_dlav0_512_256.trt --best --batch=256 --workspace=4096

运行成功直接会获得trt文件

![20210119140226382.png][]

接下来进行测试性能

/opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=256
    /opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=128
    /opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=64
    /opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=32
    /opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=16
    /opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=8
    /opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=4
    /opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=2
    /opt/TensorRT-7.1.3.4/bin/trtexec --loadEngine=ctdet_coco_dlav0_512_256.trt --batch=1

本文只考察吞吐量和运行时间，将结果汇总如下

batchsize    total compute time(s)    throughput(qps)  
1    2.94049    364.344  
2    2.93884    725.753  
4    2.77403    1365.88  
8    1.65327    1619.66  
16    0.922257    1818.5  
32    0.479588    1848.01  
64    0.238533    1859.18  
128    0.12173    1842.8  
256    0.0641229    1817.42  
可视化一下计算时间(total compute time)

import numpy as  np
    import pandas as pd
    import matplotlib.pyplot as plt
    
    df=pd.read_csv("data.txt",sep="\t")
    x =df['batchsize'].values
    y1 =df['total compute time(s)'].values
    y2 =df['throughput(qps)'].values
    plt.plot(x, y1, 'ro--')
    #plt.plot(x, y1, 'b--')
    plt.xlabel('batchsize')
    plt.ylabel('total compute time(s)')
    for a, b in zip(x, y1):
        plt.text(a+15,b-0.15,'(%d,%.4f)'%(a,b),ha='center', va='bottom',fontdict={'size': 10, 'color':  'g'})
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3VfNDM4_size_16_color_FFFFFF_t_70][]

同理可视化一下吞吐量

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3VfNDM4_size_16_color_FFFFFF_t_70 1][]

### 从上面两幅图我们可以看到提高batchsize的大小，对计算时间影响非常大；而提高batchsize的大小，对吞吐量的大小很容易达到饱和。 ###

细心的同学可以发现，从onnx转trt文件的时候，是使用了--best

这个参数是

--best                      Enable all precisions to achieve the best performance (default = disabled)

属于混合精度，既不是单纯的fp32，也不是fp16，int8

接下来对比一下不同量化对计算时间和吞吐量的影响

分别做了3个实验，best、fp16和int8

结果汇总成三个文件里面

best.txt

fp16.txt

int8.txt

可视化如下:

import numpy as  np
    import pandas as pd
    import matplotlib.pyplot as plt
    plt.tight_layout()
    
    df_int8=pd.read_csv("int8.txt",sep="\t")
    df_best=pd.read_csv("best.txt",sep="\t")
    df_fp16=pd.read_csv("fp16.txt",sep="\t")
    
    x =df_int8['batchsize'].values
    y1_int8 =df_int8['total compute time(s)'].values
    y1_best =df_best['total compute time(s)'].values
    y1_fp16 =df_fp16['total compute time(s)'].values
    
    plt.plot(x, y1_int8, 'ro--',label='int8')
    plt.plot(x, y1_best, 'bo--',label='best')
    plt.plot(x, y1_fp16, 'go--',label='fp16')
    
    plt.xlabel('batchsize')
    plt.ylabel('total compute time(s)')
    plt.legend()
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3VfNDM4_size_16_color_FFFFFF_t_70 2][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3VfNDM4_size_16_color_FFFFFF_t_70 3][]

### 从上面可以看到best的性能和int8几乎一样，比fp16好一些 ###

[Link 1]: https://download.01.org/opencv/public_models/122019/ctdet_coco_dlav0/
[20210119140226382.png]: /images/20221119/1817ef3cd50242409b46ea3152f4ee50.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3VfNDM4_size_16_color_FFFFFF_t_70]: /images/20221119/968fbc2d98574691b0294507bc7a4344.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3VfNDM4_size_16_color_FFFFFF_t_70 1]: /images/20221119/629046aeec7e4bd7892c1ba64b4d3c9d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3VfNDM4_size_16_color_FFFFFF_t_70 2]: /images/20221119/6a083fde228444cd944102baa81ce27d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3VfNDM4_size_16_color_FFFFFF_t_70 3]: /images/20221119/5c0df23bc9dc44a694cdb9733bde04bf.png