一提到模型加速，大家首先想到的就是蒸餾、（結(jié)構(gòu)性）剪枝、量化（FP16），然而稀疏矩陣（sparse matrix）運(yùn)算一直不被大家青睞。原因也很簡(jiǎn)單，一是手邊沒有現(xiàn)成的代碼（懶），二是即使用了，速度也不一定有之前的稠密矩陣（dense matrix）快。
不過，框架的開發(fā)者們并沒有停下他們的腳步，就在不久前，HuggingFace開心地宣布，他們可以支持稀疏矩陣運(yùn)算啦！75%的sparsity換來了1/4的內(nèi)存和2倍的速度提升！
這個(gè)消息還是比較令人激動(dòng)的，首先稀疏矩陣在存儲(chǔ)上省略了0值，另外在計(jì)算上，也沒必要計(jì)算和0值相關(guān)的結(jié)果。所以稀疏矩陣能顯著提升運(yùn)算速度，并節(jié)約大量存儲(chǔ)空間。
不過老司機(jī)們的第一反應(yīng)肯定是：效率不錯(cuò)，但效果（精度）怎么樣？
普普通通……（注意上圖高亮的modest，感覺效果的確一般，否則就直接放結(jié)果了=。=）
Anyway，雖然精度有些美中不足，但單從速度上講已經(jīng)很好了。技術(shù)的進(jìn)步要一步步來，以HuggingFace的效率，之后應(yīng)該還會(huì)有更多動(dòng)作。
細(xì)心的同學(xué)們看到這里一定很疑惑，為啥壓縮了4倍，但只提升了2倍速呢？
在pytorch_block_sparse[1]的Github庫中，官方詳細(xì)解釋了這個(gè)問題：主要是當(dāng)前使用的CUTLASS庫還不夠快。
在繼續(xù)下文的討論前，先介紹些GPU編程的小知識(shí)：
- CUDA(Compute Unified Device Architecture)：Nvidia家的編程平臺(tái)，幫大家把C++等程序轉(zhuǎn)換為GPU指令。
- BLAS(Basic Linear Algebra Subprograms)：一個(gè)線性代數(shù)計(jì)算的API標(biāo)準(zhǔn)。
- cuBLAS：用cuda實(shí)現(xiàn)的GPU BLAS計(jì)算庫。像我們所用的Pytorch、Tensorflow都是基于一系列的cuda庫開發(fā)的。只用于dense矩陣運(yùn)算，已經(jīng)配合GPU優(yōu)化得很好了。這也就是為什么之前大家不在意稀疏矩陣，因?yàn)檫@樣就不能用cuBLAS了，同時(shí)還得加上更多的邏輯，可能還不如用cuBLAS直接運(yùn)算dense要快。
- CUTLASS：CUDA Templates for Linear Algebra Subroutines，一個(gè)CUDA C++ 模板集，用于在CUDA上實(shí)現(xiàn)更多樣的矩陣乘法計(jì)算（GEMM)。
HuggingFace為了實(shí)現(xiàn)稀疏矩陣，選取了CUTLASS庫，其本身在計(jì)算矩陣乘法時(shí)就比cuBLAS庫要慢上兩倍。所以即使理論上75%稀疏度應(yīng)該加速4倍，最后測(cè)出來也只提升了2倍。
可見如果深入研究出定制化的稀疏矩陣運(yùn)算庫，速度上可能還會(huì)有所提升。
對(duì)于想試用的同學(xué)，HuggingFace也一如既往地重視“拿來即用”的體驗(yàn)，提供了兩種使用方法：
- 自己寫網(wǎng)絡(luò)時(shí)，可以直接用BlockSparseLinear替換Linear層
# from torch.nn import Linear
from pytorch_block_sparse import BlockSparseLinear
# self.fc = nn.Linear(1024, 256)
self.fc = BlockSparseLinear(1024, 256, density=0.1)
- 想轉(zhuǎn)換別人已經(jīng)寫完的網(wǎng)絡(luò)，可以直接轉(zhuǎn)整個(gè)模型?？上Р荒茏詣?dòng)轉(zhuǎn)參數(shù)，需要重新訓(xùn)練。
from pytorch_block_sparse import BlockSparseModelPatcher
# Create a model patcher
mp = BlockSparseModelPatcher()
# Selecting some layers to sparsify.
# This is the 'artful' part, as some parts are more prone to be sparsified, other may impact model precision too much.
# Match layers using regexp (we escape the ., just because, it's more correct, but it does not change anything here)
# the [0-9]+ match any layer number.
# We setup a density of 0.5 on these layers, you can test other layers / densities .
mp.add_pattern('roberta\.encoder\.layer\.[0-9]+\.intermediate\.dense', {'density':0.5})
mp.add_pattern('roberta\.encoder\.layer\.[0-9]+\.output\.dense', {'density':0.5})
mp.add_pattern('roberta\.encoder\.layer\.[0-9]+\.attention\.output\.dense', {'density':0.5})
mp.patch_model(model)
print(f'Final model parameters count={model.num_parameters()}')
# => 68 million parameters instead of 84 million parameters (embeddings are taking a lof of space in Roberta)
目前HuggingFace只邁出了一小步，后續(xù)CUTLASS還會(huì)繼續(xù)提升，作者也會(huì)復(fù)現(xiàn)更多的學(xué)術(shù)成果。除了他們之外，OpenAI在20年初也宣布要將Tensorflow的部分計(jì)算代碼移植到Pytorch，谷歌和斯坦福在6月的Paper Sparse GPU Kernels for Deep Learning[2] 也承諾會(huì)放出源碼，大家可以把稀疏矩陣的優(yōu)化學(xué)習(xí)提上日程啦。
