2022 sti2 比赛复盘总结

前期进行了PaddleInference的配置探索，后期经过了Paddleslim的transformer裁剪+蒸馏的策略上分。
侥幸进入了决赛，感觉还是偏运气，感觉自己在比赛技术上还是没有太多长进。

比赛中遇到的问题

1. 每次提交需要清楚地记录，提交的配置是什么，对应的得分是什么，以便后面进行比赛复盘和消融实验，最好用git做版本控制。

2. 需要有一个清晰的计划，有一个好的节奏。先有一个清晰的baseline，然后想想这个baseline可以从那些角度进行优化，要总体把控那些可行那些不可行，不熟悉的领域要把控好节奏，比如2-3天还没啥进展，那就可以暂时先放一放想想其他方法。本次就是在PaddleInference的编译上硬磕了太久，但是对比赛的帮助也没有很大。其次是在onnx上探索，没想明白onnx是将embedding算子拆开来算的，所以怎么优化onnx都不会比Paddle模型更好，前期陷入到这个坑里，后面跟一大哥聊也印证了这个事情。

3. 多去八一八前面比赛的代码，前面其实有NVIDIA Hackthon的比赛开源方案，本次比赛也是有很多前一个比赛大佬，类似的方案会比直接开脑洞靠谱的多。

4. 不能有畏难情绪，后半场一直想去手写custom kernel，但畏难+偷懒+拖延就一直没进行下去，其实也不难猜测，有些上分点都能想到，和别人的差距就是人家真实去认真做了而且做的很完备，在细节上就会立马体现出来。

答辩中遇到的问题

1. 被问及到怎么做的消融实验？

其实有一点关于PadlleInference的消融时间，PPT也把每个配置有效的提分点给讲了出来，有两方面的原因需要改进，一是确实懒没有做太多消融实验，没货可讲。二是下次画的时候可以使用折线图，这样表现更清晰一些。

2. 被问到模型的加速比是什么？

后续有性能比赛、精度比赛，应该把每次关键点，比如精度提升百分多少，性能提升给测一下，这样拿出去也好看。

3. PPT准备的不太充分，很快就讲完了，后面陷入了专家没话可问的状态

尽量有一个win或mac的机器，wps下做ppt word之类的还是不太行。

后续技术上需要提升的点

1. FasterTransformer

加速思想是了解了，重点看看怎么用起来，以及怎么适配到一个新的类似的模型上

2. trt8的手写custom kernel

这部分要撸代码了，前期也看了TensorrtX的一些代码，不能再偷懒只看不写了。

3. Nsight profile工具的使用

还是不会性能分析，这类比赛的一个特点就是，你得准确地知道哪里是瓶颈，那部分还有性能提升，要不然以后碰到类似的比赛还是瞎打。

4. 模型压缩

复杂模型的压缩还是不太熟练，虽然前期熟悉了一些但还不够，没法一次调通，后续考虑写写相关的博客练练手。