Полгода назад я начал портировать нейросеть EdgeFace-XS из ONNX в чистый C. Думал — граф небольшой, 1.77M параметров, что может пойти не так? Первый наивный порт выдал 24мс. ONNX Runtime — 3.9мс. В 6 раз медленнее. А потом началась оптимизация.

Результат

Чистый C с SIMD интринсиками обгоняет ONNX Runtime на 23%. Один и тот же CPU (i5-11500), одна модель, одни входные данные.

Путь оптимизации: 24мс → 3мс

Этап 0: Профилирование

Замерил каждую операцию отдельно. Главный сюрприз:

Матричное умножение — всего 6% от общего времени инференса.

Настоящие убийцы производительности:

Этап 1: SIMD ядра (24мс → 8мс)

Написал AVX2 версии для каждой операции:

• LayerNorm — fused mean+variance в одном проходе. Вместо двух циклов по памяти — один с mm256fmadd_ps для накопления суммы и суммы квадратов

• GELU — выкинул tanh(). Реализовал exact erf через полиномиальную аппроксимацию Абрамовица-Стегуна (формула 7.1.26) с кастомным mm256exp_ps на 8 элементов за такт

• Depthwise conv — перевёл весь движок на нативный HWC layout. Ни одного транспоза во всём forward pass

Этап 2: MatMul (8мс → 5мс)

• FP32 packed column-panel: веса перепакованы в формат [ceil(N/8), K, 8] — каждый столбец-панель помещается в L1 кэш

• INT8 GEMM микроядро с per-channel квантизацией:

  • AVX2: vpmaddubsw с ±63 clamping для предотвращения s16 насыщения

  • AVX-512 VNNI: vpdpbusd — нативные INT8 dot products без насыщения

• Thread pool — lock-free с work-stealing через атомарный счётчик и WaitOnAddress/futex

Этап 3: Последние миллисекунды (5мс → 3мс)

• Убрал все транспозы — данные в HWC от входа до выхода

• Статический workspace вместо malloc на каждом вызове

• Pre-computed position embedding — это константа, не зависит от входа

• Pre-packed веса — транспозиция и паковка при загрузке, не при инференсе

Хронология

Последние 2мс заняли 4 месяца. Первые 16мс — 2 недели. Вот что такое оптимизация.

7 багов точности

Самая болезненная часть. Cosine similarity с ONNX reference начиналась на 0.067 (мусор). Должно быть 1.0. Нашёл 7 багов через послойные дампы — каждый из 286 тензоров сравнивался с NumPy эталоном.

Баг 1: Индекс gamma

Stage 0, block 2: использовал W(38) — это bias
Правильно: W(39) — это gamma

Баг 2: XCA residual connections

Было:   attention_residual = original_input
        mlp_residual       = original_input

Надо:   attention_residual = DW_output + pos_embed
        mlp_residual       = original_input

Баг 3: XCA Depthwise Conv — каскадный, не независимый

Было:   conv0(x_split0),  conv1(x_split1)         — независимо
Надо:   r0 = conv0(x_split0),  conv1(r0 + x_split1) — каскадно

Баг 4: Position Embedding — это константа

Было:   pos = Conv1x1(INPUT, W)       — пересчитывается каждый раз
Надо:   pos = Conv1x1(CONSTANT, W)    — вычисляется один раз при загрузке

Баг 5: XCA Attention — размерность

Было:   attn = softmax(Q @ K^T / τ)           — полная [C × C] матрица
Надо:   attn_h = softmax(Q_h @ K_h^T / τ)     — per-head [dim × dim]

Баг 6: Workspace overlap

Stage 3, head_dim=48: attn_buf начинался по адресу,
перекрывающему конец V_nhd. Сдвиг буфера решил проблему.

Баг 7: GELU drift

tanh-аппроксимация GELU: ошибка ε на каждом блоке.
17 блоков × ε = заметное расхождение.
Фикс: заменил на exact erf (A&S 7.1.26).

Каждый фикс: +0.1 cosine similarity → Семь фиксов: 1.000

API

// Инициализация (~100мс, один раз)
FaceX* fx = facex_init("edgeface_xs_fp32.bin", NULL);

// Эмбеддинг (3мс на вызов)
float face[112 * 112 * 3];  // RGB, HWC layout, [-1, 1]
float embedding[512];
facex_embed(fx, face, embedding);

// Сравнение двух лиц
float sim = facex_similarity(emb_a, emb_b);
// sim > 0.3 → один и тот же человек

facex_free(fx);

4 функции · 148 КБ · Ноль зависимостей · Apache 2.0

Вывод

Один человек может написать inference движок быстрее продукта Microsoft — если оптимизирует под одну конкретную модель. ONNX Runtime рассчитан на тысячи моделей. FaceX — на одну. Специализация бьёт универсальность.

Исходники: github.com/facex-engine/facex