- 延迟是一个操作从开始到完成所需要的时间，常用微秒来表示。
- 带宽是单位时间内可处理的数据量，通常表示为 MB/s或GB/s。
- 吞吐量是单位时间内成功处理的运算数量，通常表示为gflops（即每秒十亿次的浮点运算数量），特别是在重点使用浮点计算的科学计算领域经常用 到。
总结：延迟用来衡量完成一次操作的时间，而吞吐量用来衡量在给定的单位时间内处理的操作量。
深度学习和计算机视觉方向除了算法训练/研究，还有两个重要的方向: 模型压缩（模型优化、量化）、模型部署（模型转换、后端功能 SDK开发等）。所谓模型部署，即将算法研究员训练出的模型部署到具体的端边云芯片平台上，并完成特定业务的应用开发，比如：
- 封装成一个算法 SDK，集成到 APP 或者服务中；
- 封装成一个 web 服务，对外暴露接口（HTTP(S)，RPC 等协议）
现阶段的部署平台主要分为云平台（如英伟达 GPU）、手机移动端平台（ARM 系列芯片）和其他嵌入式端侧平台（海思 3519、安霸 CV22、地平线 X3、英伟达 jetson tx2 等芯片）。对于模型部署/移植/优化工程师来说，虽然模型优化、量化等是更有挑战性和技术性的知识，但是对于新手的我们往往是在做解决模型无法在端侧部署的问题，包括但不限于：实现新 OP、修改不兼容的属性、修改不兼容的权重形状、学习不同芯片平台的推理部署框架等。对于模型转换来说，现在行业主流是使用 Caffe 和 ONNX 模型作为中间模型。
在高校做深度学习 demo 应用一般是这样一个过程，比如使用 Pytorch/TensorFlow 框架训练出一个模型，然后直接使用 Pytorch 框架做推理（test）完成功能验证，但是在工业界这是不可能的，因为这样模型推理速度很慢，一般我们必须有专门的深度学习推理加速框架去做模型推理（inference）。以 GPU 云平台推理框架 TensorRT 为例，简单描述模型训练推理过程就是：训练好网络模型（权重参数数据类型为 FP32）输入 TensorRT，然后 TensorRT 做解析优化，并进行在线推理和输出结果。两种不同的模型训练推理过程对比如下图所示:
前面的描述较为简单，实际在工业届，理想的深度学习项目开发流程应该分为三个步骤: 模型离线训练、模型压缩和模型在线部署，后面两个步骤互有交叉，具体详情如下：
-
模型离线训练：实时性低，数据离线且更新不频繁，
batchsize较大，消耗大量 GPU 资源。- 设计开发模型网络结构;
- 准备数据集并进行数据预处理、
EDA等操作； - 深度学习框架训练模型：数据增强、超参数调整、优化器选择、训练策略调整（多尺度训练）、
TTA、模型融合等； - 模型测试。
-
模型优化压缩：主要涉及模型优化、模型转换、模型量化和模型编译优化，这些过程很多都在高性能计算推理框架中集成了，各个芯片厂商也提供了相应的工具链和推理库来完成模型优化压缩。实际开发中，在不同的平台选择不同的推理加速引擎框架，比如
GPU平台选择TensorRT，手机移动端（ARM）选择NCNN/MNN，NPU芯片平台，如海思3519、地平线X3、安霸CV22等则直接在厂商给出的工具链进行模型的优化（optimizer）和压缩。- 模型优化
Optimizer：主要指计算图优化。首先对计算图进行分析并应用一系列与硬件无关的优化策略，从而在逻辑上降低运行时的开销，常见的类似优化策略其包括：算子融合（conv、bn、relu融合）、算子替换、常数折叠、公共子表达式消除等。 - 模型转换
Converter：Pytorch->Caffe、Pytorch->ONNX、ONNX模型->NCNN/NPU芯片厂商模型格式（需要踩坑非常多，Pytorch、ONNX、NPU三者之间的算子要注意兼容）。注意ONNX一般用作训练框架和推理框架之间转换的中间模型格式。 - 模型量化
Quantizer：主要指训练后量化（Post-training quantizationPTQ）；权重、激活使用不同的量化位宽，如速度最快的量化方式w8a8、速度和精度平衡的量化方式w8a16。 - 模型编译优化（编译优化+
NPU指令生成+内存优化）Compiler：模型编译针对不同的硬件平台有不同优化方法，与前面的和硬件无关的模型层面的优化不同。GPU平台存在kernel fusion方法；而NPU平台算子是通过特定二进制指令实现，其编译优化方法包括，卷积层的拆分、卷积核权重数据重排、NPU算子调优等。
- 模型优化
-
模型部署/SDK输出: 针对视频级应用需要输出功能接口的SDK。实时性要求高，数据线上且更新频繁，
batchsize为 1。主要需要完成多模型的集成、模型输入的预处理、非DL算法模块的开发、 各个模块pipeline的串联，以及最后c接口（SDK）的输出。- 板端框架模型推理:
Inference：C/C++。不同的NPU芯片/不同的公司有着不同的推理框架，但是模型的推理流程大致是一样的。包括：输入图像数据预处理、加载模型文件并解析、填充输入图像和模型权重数据到相应地址、模型推理、释放模型资源。这里主要需要学习不同的模型部署和推理框架。 - pipeline 应用开发: 在实际的深度学习项目开发过程中，模型推理只是其中的基础功能，具体的我们还需要实现多模型的集成、模型输入前处理、以及非
DL算法模块的开发: 包括检测模块、跟踪模块、选帧模块、关联模块和业务算法模块等，并将各模块串联成一个pipeline，从而完成视频结构化应用的开发。 - SDK集成: 在完成了具体业务
pipeline的算法开发后，一般就需要输出c接口的SDK给到下层的业务侧（前后端）人员调用了。这里主要涉及c/c++接口的转换、pipeline多线程/多通道等sample的开发、以及大量的单元、性能、精度、稳定性测试。 - 芯片平台板端推理
Inference，不同的NPU芯片有着不同的SDK库代码，但是模型运行流程类似。
- 板端框架模型推理:
不同平台的模型的编译优化是不同的，比如
NPU和一般GPU的区别在于后端模型编译上，GPU是编译生成kernel library(cuDNN函数)，NPU是编译生成二进制指令；前端的计算图优化没有本质区别，基本通用。
所以综上所述，深度学习项目开发流程可以大致总结为三个步骤: 模型离线训练、模型优化压缩和模型部署/SDK输出，后两个步骤互有交叉。前面 2 个步骤在 PC 上完成，最后一个步骤开发的代码是需要在在 AI 芯片系统上运行的。最后以视差模型在海思 3519 平台的部署为例，其模型部署工作流程如下：
为了更好进行模型优化和部署的工作，需要总结一下模型推理（Inference）和训练（Training）的不同：
- 网络权重值固定，只有前向传播（
Forward），无需反向传播，因此：- 模型权值和结构固定，可以做计算图优化，比如算子融合等；
- 输入输出大小固定，可以做
memory优化，比如feature重排和kernel重排。
batch_size会很小（比如1），存在latency的问题。- 可以使用低精度的技术，训练阶段要进行反向传播，每次梯度的更新是很微小的，需要相对较高的精度比如
FP32来处理数据。但是推理阶段，对精度要求没那么高，现在很多论文都表明使用低精度如in16或者int8数据类型来做推理，也不会带来很大的精度损失。
对于 HPC 和软件工程师来说，在手机 CPU 端做模型推理框架的优化，可以从上到下考虑：
- 算法层优化：最上面就是算法层，如可以用winograd从数学上减少乘法的数量（仅在大channel尺寸下有效）；
- 框架优化：推理框架可以实现内存池、多线程等策略；
- 硬件层优化：主要包括: 适应不同的硬件架构特性、
pipeline和cache优化、内存数据重排、NEON汇编优化等。
| 芯片厂商 | 芯片型号 | 支持方式 | 支持精度 | 量化方式/范围 | 量化工具 |
|---|---|---|---|---|---|
| 华为 | Hisi系列3519A/3559A/3516C等 | 整网编译 | int16/int8 | 非线性(对数) 量化 | nnie_mapper |
| Ambarella | CV22/CV25 | 整网编译 | int8/int16 | 支持权重激活选择不同的位宽量化、自动搜索最优的量化策略 | 工具链CNNGen 的 Parsers |
| Nvidia | 全系列GPU | 整网编译/CUDA C | fp32/fp16/int8/int4/int1 | TensorRT: 非对称 KL 散度 + per-channel/per-layer 量化 |
TensorRT 框架 |
| Qualcomm | 全系列 SoC | 整网编译 | fp32/fp16/int8 | 非对称最大最小值量化 + per-layer 量化 |
AIMET 模型量化压缩工具 |
| Rockchips | RV1108/RV1109/RV1126等 | 整网编译 | int16/int8 |
非对称量化/混合量化 | RKNN Toolkit2 |
NVIDIA 的 TensorRT 框架在对权值(weights) 的量化上支持 per-tensor(也叫 per-layer) 和 per-channel 两种方式，采用对称最大值的方法；对于激活值(activations) 只支持 per-tensor 的方式，采用 KL-divergence 的方法进行量化。
- 《NVIDIA TensorRT 以及实战记录》PPT