首页
/ TensorRT中FP16精度转换导致NaN输出的问题分析与解决方案

TensorRT中FP16精度转换导致NaN输出的问题分析与解决方案

2025-05-20 13:54:58作者:邵娇湘

问题背景

在深度学习模型部署过程中,将模型从FP32精度转换为FP16精度是常见的优化手段,可以显著提升推理速度并减少显存占用。然而,在使用TensorRT进行FP16精度转换时,开发者可能会遇到模型输出NaN(非数字)的问题。

问题现象

当尝试将一个基于NAFNet架构的模型从FP32转换为FP16精度时,模型在FP32精度下能够产生正确的输出,但在FP16精度下却输出NaN值。通过Polygraphy工具比较ONNX Runtime和TensorRT的输出时,发现TRT-FP16的输出无效。

问题分析

经过深入分析,发现这个问题可能由以下几个原因导致:

  1. FP16精度范围限制:FP16的数值范围(约±65504)远小于FP32(约±3.4×10³⁸),在模型计算过程中容易出现数值溢出。

  2. 特定操作的影响:模型中的CumSum(累积求和)操作特别容易导致数值超出FP16的范围,因为随着求和次数的增加,数值会不断累积增大。

  3. TensorRT版本差异:有开发者报告称,在TensorRT 8.5版本中相同的模型可以正常工作,但在10.6和10.7版本中会出现NaN输出,这表明TensorRT内部实现的变化可能影响了FP16的数值稳定性。

解决方案

1. 混合精度策略

通过分析模型结构,可以识别出对数值精度敏感的关键层,并强制这些层保持FP32精度:

import onnx
model_path = 'model.onnx'
model = onnx.load(model_path)
graph = model.graph
matching_layer = []
for node in graph.node:
    for output in node.output:
        if 'sca' in output:  # 识别所有包含'sca'的层
            matching_layer.append(node)

layer_prec_str = ''
for layer in matching_layer:
    layer_prec_str += layer.name + ':fp32,'
layer_prec_str = layer_prec_str.removesuffix(',')

然后使用trtexec工具构建混合精度引擎:

trtexec --onnx=model.onnx --saveEngine=model_fp16.plan --fp16 \
        --precisionConstraints=prefer --layerPrecisions=<上面生成的层精度字符串>

2. 使用Polygraphy调试工具

TensorRT提供的Polygraphy工具可以帮助开发者调试精度问题:

polygraphy debug precision model.onnx --fp16 --tactic-sources cublas \
           --verbose -p float32 \
           --check polygraphy run polygraphy_debug.engine --trt \
           --load-inputs input.json --load-outputs golden.json --abs 1e-2

这个命令会尝试找出导致数值问题的层,并自动调整这些层的精度。

3. 考虑使用ONNX Runtime

如果模型在ONNX Runtime中能够正确运行FP16推理,而性能差异可以接受,可以考虑直接使用ONNX Runtime作为推理后端。

最佳实践建议

  1. 逐步转换策略:不要一次性将整个模型转换为FP16,而是逐步转换并验证每一部分的输出。

  2. 数值范围检查:在模型训练和转换过程中,添加数值范围检查机制,识别潜在的数值不稳定操作。

  3. 版本兼容性测试:如果可能,在不同版本的TensorRT上测试模型,选择最稳定的版本。

  4. 模型结构调整:对于特别容易出现数值问题的结构(如深层的累积操作),考虑从模型设计层面进行优化。

结论

FP16精度转换虽然能带来性能提升,但也引入了数值稳定性挑战。通过混合精度策略和适当的工具链支持,开发者可以在保持模型精度的同时获得FP16的性能优势。理解模型的计算特性和TensorRT的工作原理是解决这类问题的关键。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
423
392
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
509