oneDNN在AArch64 SVE平台上的卷积性能分析与优化

性能问题背景

在使用oneDNN 3.4版本在AArch64 SVE256架构处理器上进行卷积运算时，开发者遇到了显著的性能问题。测试用例为一个特定尺寸的卷积运算，理论计算显示该运算应在约1.23秒内完成，但实际测量结果却高达60秒以上，性能差距接近50倍。

问题分析

测试用例的具体参数为：

• 输入通道：64
• 输入尺寸：2560×1440
• 输出通道：3
• 卷积核尺寸：9×9
• 步长：1×1
• 填充：4×4
• 数据类型：f32
• 批量大小：1

从性能日志中可以看到，oneDNN 3.4版本在该用例上使用了参考实现(ref:any)而非优化实现，这直接导致了性能不理想。同时，日志中还显示出现了"scratchpad memory limit exceeded"的警告信息，表明可能存在内存分配问题。

硬件理论性能计算

基于AArch64 SVE256处理器的规格：

• 主频：2.9GHz
• 向量宽度：256位
• 每个周期可执行2次FMA操作

理论峰值性能计算为： 2.9GHz × (256bits/32bits) × 2FMA × 2 = 92.8 GFlops/s

而测试用例的理论计算量为114.66 GFlops，因此理想执行时间应为1.23秒左右。

数据类型支持问题

在尝试使用fp16数据类型时，开发者遇到了以下问题：

1. 当使用f16:f16:f16格式时，测试被标记为"DATA_TYPE_NOT_SUPPORTED"
2. 当尝试使用ACL(Compute Library)后端时，日志显示"Unsupported type. Could not find a kernel"

这表明当前版本对fp16卷积运算的支持存在限制，尽管硬件本身支持fp16运算。

解决方案与验证

在升级到最新版oneDNN后，性能问题得到了显著改善：

• 执行时间从60秒以上降低到接近理论值
• 性能提升约50倍

这表明该问题主要是由于旧版本中针对该特定卷积配置的优化实现缺失导致的。

技术建议

对于在AArch64平台上使用oneDNN的开发者，建议：

1. 始终使用最新版本的oneDNN以获得最佳性能
2. 对于fp16运算，需要确认当前版本是否支持特定的数据格式组合
3. 使用ONEDNN_VERBOSE=dispatch环境变量来检查实际使用的实现方式
4. 对于大型卷积运算，注意内存使用情况，避免scratchpad内存不足

结论

oneDNN在AArch64 SVE平台上的性能表现与版本密切相关。开发者遇到性能问题时，首先应考虑升级到最新版本。同时，对于特定数据类型和运算组合的支持情况，需要参考官方文档并通过实际测试验证。性能调优时，理论计算与实际测量的对比是发现潜在问题的重要手段。