如何在浏览器上跑深度学习模型？并且一行JS代码都不用写

翻译 | 林椿眄

编辑 | 周翔

2017 年 8 月，华盛顿大学的陈天奇团队发布了 TVM，和 NNVM 一起组成深度学习到各种硬件的完整优化工具链，支持手机、CUDA、OpenCL、Metal、JavaScript 以及其它各种后端，而且用户可以针对这些目标平台用 Python 来进行调优。

那么到底什么是 TVM 呢？

陈天奇在论文（https://arxiv.org/pdf/1802.04799.pdf）中解释到，TVM 其实是一个端到端优化堆栈，可以降低和调整深度学习工作负载，以适应多种硬件后端。TVM 的设计目的是分离算法描述、调度和硬件接口。

此外，TVM 具备两个优化层：计算图优化层；具备新型调度基元的张量优化层。通过结合这两种优化层，TVM 从大部分深度学习框架中获取模型描述，执行高层级和低层级优化，生成特定硬件的后端优化代码，如树莓派、GPU 和基于 FPGA 的专用加速器。

同一小组的刘洪亮在微博上解释到：“TVM 可以把模型部署到不同硬件，比如群众常问的能不能用 AMD 的 GPU，用 FPGA 怎么搞，TVM 提供这个中间层有效解决这个问题”。

总的来说，除了比较明显的多硬件支持，更重要的是 TVM 支持相对方便的自动调优和轻量级部署。

之后，陈天奇团队又发布了基于 TVM 工具链的深度学习编译器 NNVM compiler O（http://www.tvmlang.org/2017/10/06/nnvm-compiler-announcement.html），支持将包括MxNet、Pytorch、Caffe2,、CoreML 等在内的深度学习模型编译部署到硬件上并提供多级别联合优化，速度更快，部署更加轻量级。

如今，谷歌工程师谈至勋又将 TVM 向前推进了一步：支持 WebGL/OpenGL 平台并可以在浏览器运。也就是说，未来你将不需要写一行 JavaScript 代码，就可以把深度学习模型自动编译生成 WebGL 并且跑在浏览器中 。

MxNet 的作者李沐评价到，“这是 Mxnet JavaScript frontend 往前的一大进步”。

以下是此次更新的完整内容解析：

▌OpenGL / WebGL 后端支持

TVM目前已经能够支持多个硬件后端：CPU，GPU，移动设备等......这次我们添加了另一个后端：OpenGL / WebGL。

OpenGL / WebGL 允许我们能够在未安装 CUDA 的环境中使用 GPU。目前这是在浏览器中使用 GPU 的唯一方式。

这个新的后端允许我们通过以下 3 种方式使用 OpenGL / WebGL：

• 本地 OpenGL：我们可以将一个深度学习模型编译成 OpenGL，并直接在本地机器上运行，整个过程只用到了 Python。
• 带 RPC 的WebGL：我们可以将深度学习模型编译为 WebGL，通过 Emscripten 将其作为一个共享库导出，包含 JavaScript 主机代码和 WebGL 设备代码。然后，我们可以通过 RPC 将这个共享库部署到 TVM JavaScript 运行时间系统（runtime system）中，并在浏览器上运行。
• 带静态库的 WebGL：我们可以将深度学习模型编译为 WebGL，将其与 TVM JavaScript 运行时间系统相连接，并导出整个包。然后我们就可以不需要任何依赖库，直接在浏览器的网页中运行模型。详细流程如图 1 所示。

我们通过 Emscripten 及其 fastcomp LLVM 后端来生成 JavaScript 后端。

图 1

以下是 3 中使用方式的例子：

https://github.com/dmlc/nnvm/blob/master/tutorials/from_mxnet_to_we

bgl.py

▌和其他方法有什么不同？

在浏览器上运行神经网络模型已经不是一件多么新鲜的事了。Andrej Karpathy 提出的ConvNetJS，及 Google 的 DeepLearning.JS 都能够实现这种想法。

那么，TVM 的 WebGL 有何独特之处呢？最大的区别就在于 TVM 的 WebGL 中操作内核是自动编译的，而不是人工编译的。如图 2 所示，TVM 使用统一的 AST 来定义其内核，并将其编译为用于不同的平台的代码。

图 2

这就意味着：

• 你不需要额外编写大量的代码就可以将现有模型部署到 WebGL 上。NNVM/TVM 模型的定义对于所有的目标来说都是一样的，因此你只需要将其编译到新的目标中。
• 如果要添加新的操作系统内核，你只需要在 TVM 中定义一次即可，而不需要为每个目标执行一次。你也不需要知道如何编写 GLSL 代码才能向 WebGL 添加新的内核，因为这一切都能够自动生成。

▌测试基准

在这里，我们针对一个典型的工作负载进行了基准测试：使用 resnet18 模型进行图像分类。

我使用的是一台工作了 5 年的，配备 8 核英特尔酷睿™ i7-3610QM 处理器以及 GTX650M 显卡的笔记本。在基准测试中，我们从 Gluon 模型库里下载了 resnet18 模型，并对猫的图像进行端到端的分类。我们只测量了模型执行时间（这不包含模型/输入/参数的加载），每个模型运行 100 次，最终得到运行时间的平均值，其结果如图3所示。

图3

该基准测试在 4 中不同的设置下运行的：

• CPU(LLVM)：模型被编译到 LLVM IR 和 JIT'ed 上，因此它完全运行在 CPU 上。
• OpenCL：模型被编译到 OpenCL 上。还有一部分的 glue code 编译在 LLVM 上，用于设置并启动 OpenCL 内核。然后我们在本地的机器上运行该模型。
• OpenGL：和 OpenCL 设置一样，不过模型是被编译到 OpenGL 上。
• WebGL：glue code 被编译到 LLVM 平台上，进而通过 Emscripten 的 Fastcomp LLVM 后端转换为 Javascript。设备的代码被编译到 WebGL 平台上，我们可以在Firefox 浏览器上运行该模型。

从以上得到的结果我们可以看到，TVM OpenGL 后端与 OpenCL 有相似的性能。更有意思的是，浏览器中的 WebGL 版本并不比桌面端的 OpenGL 运行效率慢。考虑到主机的代码是 JavaScript 编写的，出现这个现象的确让人惊讶。这可能是由于 Emscripten 生成了 asm.js，使得模型在 Firefox 浏览器中的运行效率得到了显著优化。

这个更新迈出了将深度学习模型自动编译到浏览器的第一步。我们会为 TVM 堆栈加入更多的优化，期待模型的性能能够得到更多的改进。

博客地址： http://www.tvmlang.org/2018/03/12/webgl.html