昇腾CANN 7.0 黑科技：DVPP硬件加速训练数据预处理，友好解决Host CPU预处理瓶颈

在NPU/GPU上进行模型训练计算，为了充分使用计算资源，一般采用批量数据处理方式，因此一般情况下为提升整体吞吐率，batch值会设置的比较大，常见的batch数为256/512，这样一来，对数据预处理处理速度要求就会比较高。对于AI框架来说，常见的应对方式是采用多个CPU进程并发处理，比如PyTorch框架的torchvision就支持多进程并发，使用多个CPU进程来进行数据预处理，以满足与NPU/GPU的计算流水并行处理。

然而，随着NPU算力和性能的倍速提升，host CPU数据预处理过程逐渐成为性能瓶颈。模型端到端训练时间会因为数据预处理的瓶颈而拉长，这种情况下，如何解决性能瓶颈，提升端到端模型执行性能呢？

下面来看一个torchvision的预处理过程：

# Data loading code
traindir = os.path.join(args.data, 'train')
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
train_dataset = datasets.ImageFolder(
    traindir,
    transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        normalize,
    ]))

大家是不是对这些接口功能很熟悉？实际上，NPU上的DVPP也能进行类似处理，诸如图片解码、图片缩放、翻转处理等。DVPP是NPU上专门用于数据预处理的模块，跟NN计算是完全独立的。那么，如何让DVPP接管torchvision的预处理逻辑呢？很简单，两行代码轻松搞定：

import torchvision_npu  # 导入torchvision_npu包
# Data loading code
traindir = os.path.join(args.data, 'train')
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
torchvision_npu.set_image_backend('npu')  # 设置图像处理后端为npu
train_dataset = datasets.ImageFolder(
    traindir,
    transforms.Compose([
        transforms.RandomResizedCrop(224),
        transforms.RandomHorizontalFlip(),
        transforms.ToTensor(),
        normalize,
    ]))

是不是很方便？AI算法工程师不需要修改torchvision的处理流程，不需要了解DVPP接口实现，也不需要去写C/C++代码，而这些全都是torchvision_npu的功劳。torchvision_npu中重新实现了functional.py，在每个预处理接口中，判断如果是npu类型的数据，则走npu的处理逻辑：

if img.device.type == 'npu':
    _assert_image_npu(img)
    return F_npu.resize(img, size=size, interpolation=interpolation.value)

functional_npu.py内部调用npu的resize算子进行处理，接着通过AscendCL接口，调用DVPP硬件处理：

return torch.ops.torchvision.npu_resize(img, size=sizes, mode=mode)

return torch.ops.torchvision.npu_resize(img, size=sizes, mode=mode)

下面来看下替换之后的性能如何。以ImageNet中最常见的分辨率375*500的jpeg图片为例，CPU上执行预处理操作需要6.801ms：

使用DVPP不但能加速数据预处理，还能异步执行host下发任务和device任务，整个流程只需要2.25ms，单张图片处理节省了60%+的时间。

在ResNet50训练过程中，512batch数据处理只需要1.152 s，预处理多进程处理场景下性能优势更加明显。

基于Atlas 800T A2 训练服务器，ResNet50使用DVPP加速数据预处理，单P只需要6个预处理进程即可把NPU的算力跑满；而使用CPU预处理，则需要12个预处理进程才能达到相应的效果，大大减少了对host CPU的性能依赖。

典型网络场景，基于Atlas 800T A2 训练服务器，在CPU预处理成为性能瓶颈的情况下，使用DVPP预处理加速即可获得整网训练速度显著提升，其中ShuffleNetV2整网性能提升25%，MobileNetV1提升38%。

预处理使用独立的硬件加速器DVPP加速，可以有效降低对Host CPU的依赖，避免CPU性能受限导致NPU性能无法发挥。同时使用NPU上独立的DVPP硬件加速器进行预处理，可以与NN并行处理互不影响，数据在device内可以自闭环。DVPP预处理加速是在训练场景下的第一次使能，补齐了NPU训练预处理性能短板。

昇腾CANN内置的预处理算子是比较丰富的，后续在继续丰富torchvision预处理算子库的同时，也会进一步提升预处理算子的下发和执行流程，让流水处理的更好，减少数据处理的时间，持续提升昇腾CANN的产品竞争力，满足更广泛的业务场景诉求。