Olive项目中使用BGE模型在Snapdragon NPU上的优化实践

背景介绍

微软开源的Olive项目是一个专注于模型优化的工具集，能够帮助开发者将各种深度学习模型转换为适合不同硬件平台的高效形式。本文将分享在使用Olive优化BGE(BAAI/bge-small-en-v1.5)模型并在高通Snapdragon NPU上部署时遇到的技术挑战和解决方案。

技术挑战

在将BGE模型优化为适用于Snapdragon NPU的QNN格式时，开发者遇到了几个关键问题：

1. 算子支持问题：原始模型中的Unsqueeze、Expand和Cast等算子无法在NPU上直接运行，导致模型执行失败
2. 性能权衡：在启用CPU回退机制时，虽然解决了算子支持问题，但带来了额外的数据传输开销
3. 输入尺寸影响：不同输入长度下，NPU加速效果差异显著

优化方案

模型转换流程

通过Olive工具链，我们采用了以下优化步骤：

1. 使用HuggingFace模型作为输入源
2. 转换为ONNX格式并固定输入形状
3. 执行图手术操作，替换Attention Mask值
4. QNN预处理阶段，包括LayerNorm融合
5. 量化处理，激活值使用QUInt16，权重使用QUInt8

关键配置调整

在优化过程中，以下几个配置项对最终效果影响显著：

• 输入形状设置：初始设置为[1,128]，后调整为[1,512]以获得更好的NPU利用率
• 量化参数：选择MinMax校准方法确保精度损失最小
• 执行提供者配置：权衡NPU专用加速和CPU回退机制

性能分析

经过多次测试验证，我们获得了以下性能数据：

1. 短文本输入(128 tokens)：

   • 纯CPU执行：约20ms
   • NPU+CPU回退：约27ms

2. 长文本输入(512 tokens)：

   • 纯CPU执行：约187ms
   • NPU+CPU回退：约77ms

从数据可以看出，对于较长的输入序列，NPU加速效果更为明显，实现了2.4倍的性能提升。这表明NPU在高计算量场景下能够更好地发挥其并行计算优势。

经验总结

1. 算子兼容性：并非所有ONNX算子都能被NPU原生支持，需要提前验证关键路径
2. 输入尺寸选择：合理设置输入长度对性能影响很大，需要根据实际应用场景权衡
3. 量化策略：不同的量化配置会影响模型精度和性能，需要多次实验找到最佳平衡点
4. 评估流程：优化过程中的评估环节至关重要，应包含精度和延迟等多维度指标

未来改进方向

基于本次实践，我们认为还可以在以下方面进行深入探索：

1. 进一步优化图结构，减少必须回退到CPU执行的算子数量
2. 尝试不同的量化策略组合，寻找更优的精度-速度平衡点
3. 开发自动化工具帮助选择最优输入尺寸配置
4. 探索混合精度计算的可能性，在关键路径使用更高精度的数据类型

通过这次BGE模型在Snapdragon NPU上的优化实践，我们不仅解决了具体的技术问题，也为类似场景下的模型优化积累了宝贵经验。这些经验对于其他希望在移动端NPU上部署大型语言模型的开发者具有重要参考价值。