onnxruntime-gpu 在程序启动后第一次推断会消耗较大的系统资源，并且耗时更久，本文记录优化方法。
问题描述
在 Python 下 onnxruntime-gpu 加载 onnx 模型后，创建 seddion 进行数据推断，在第一次执行时会比之后执行耗时更久，需要资源更多。
session = onnxruntime.InferenceSession(str(model_path), providers=[
"CUDAExecutionProvider",
"CPUExecutionProvider"
])
session.run(None, inputs)解决方案
onnxruntime 的官方文档中有一些关于 Provider 的配置项说明：NVIDIA - CUDA | onnxruntime
其中 https://onnxruntime.ai/docs/execution-providers/CUDA-ExecutionProvider.html#cudnn_conv_algo_search
cudnn_conv_algo_search
The type of search done for cuDNN convolution algorithms.
Value | Description |
|---|---|
EXHAUSTIVE (0) | expensive exhaustive benchmarking using cudnnFindConvolutionForwardAlgorithmEx |
HEURISTIC (1) | lightweight heuristic based search using cudnnGetConvolutionForwardAlgorithm_v7 |
DEFAULT (2) | default algorithm using CUDNN_CONVOLUTION_FWD_ALGO_IMPLICIT_PRECOMP_GEMM |
描述了Onnx 优化卷积操作的一个初始化搜索操作，在卷积多，而且 Onnx 需要接受多种可变尺寸输入时耗时严重，该选项 默认为 EXHAUSTIVE， 就是最耗时的那种。
因此如果遇到上述问题可以考虑尝试将该选项改为 DEFAULT
session = onnxruntime.InferenceSession(str(model_path), opts, providers=[
("CUDAExecutionProvider", {"cudnn_conv_algo_search": "DEFAULT"}),
"CPUExecutionProvider"
])该选项优化在 Linux 下收益不太大，在 Windows 下可以将初始化预热时间从 500s 缩短到 70s。
其他性能调优
max_workspace
ORT 会使用 CuDNN 库来进行卷积计算，第一步是根据输入的 input shape, filter shape … 来决定使用哪一个卷积算法更好
需要预先分配 workspace，如果 workspace 不够大，有可能还执行不了最优的卷积算法
因此会想让 workspace 尽可能大，从而选择性能较好的卷积算法
1.14 以前的版本 cudnn_conv_use_max_workspace 这个 flag 默认是 0，意味着只会分配 32MB 出来，1.14 之后的版本默认是设置为 1，保证选择到最优的卷积算法，但有可能造成 peak memory usage 提高
官方说法是，fp16 模型，cudnn_conv_use_max_workspace 设置为 1 很重要，floatanddouble 就不一定
需要改的话：
代码语言：text复制providers = [("CUDAExecutionProvider", {"cudnn_conv_use_max_workspace": '1'})]io_binding
可以减少一些数据拷贝（有时是设备间）的耗时。
如果要用这个，需要把 InferenceSession.run() 替换成 InferenceSession.run_with_iobinding()
推理时：
代码语言：text复制session.run_with_iobinding(binding)在此之前需要创建 binding：
代码语言：text复制binding = session.io_binding()把你需要的输入输出绑到 binding 上：
代码语言：text复制# 输入 X 来自 numpy array
io_binding.bind_cpu_input('X', X)
# 输入 X 来自 torch tensor
X_tensor = X.contiguous()
binding.bind_input(
name='X',
device_type='cuda',
device_id=0,
element_type=np.float32,
shape=tuple(x_tensor.shape),
buffer_ptr=x_tensor.data_ptr(),
)
# 让输出直接输出在一个 torch tensor 上
np_type = np.float32
DEVICE_NAME = 'cuda' if torch.cuda.is_available() else 'cpu'
DEVICE_INDEX = 0 # Replace this with the index of the device you want to run on
z_tensor = torch.empty(x_tensor.shape, dtype=torch_type, device=DEVICE).contiguous()
binding.bind_output(
name='z',
device_type=DEVICE_NAME,
device_id=DEVICE_INDEX,
element_type=np_type,
shape=tuple(z_tensor.shape),
buffer_ptr=z_tensor.data_ptr(),
)
# 让输出直接输出在 numpy array 上
binding.bind_output(
)Convolution Input Padding
卷积被转换成大矩阵乘法时，可以选择 N, C, D, 1 or N, C, 1, D 两种 pad 方式，结果相同，但由于会选择不同的卷积算法，导致性能可能不太一样。
特别是像 A100 这种显卡。
设置方式：
代码语言：text复制providers = [("CUDAExecutionProvider", {"cudnn_conv1d_pad_to_nc1d": '1'})]可以设置 0 和设置 1 都尝试一下，看看哪个更快。
参考资料
- https://zhuanlan.zhihu.com/p/686755347
文章链接：
https://cloud.tencent.com/developer/article/2411347
