【Hackathon4 No.35】为 Paddle 优化 prelu op 在 GPU 上的计算性能 (#370)

* prelu_rfc

* add fp16 perf

* remove unused file

rfcs/OPs-Perf/20230222_prelu_op_optimization.md

@@ -0,0 +1,93 @@
+# Prelu OP性能优化设计文档
+
+
+| 基本信息                                                     | 内容                                   |
+| ------------------------------------------------------------ |--------------------------------------|
+| 提交作者<input type="checkbox" class="rowselector hidden">   | thunder95                            |
+| 提交时间<input type="checkbox" class="rowselector hidden">   | 2023-02-22                           |
+| 版本号                                                       | V1.0                                 |
+| 依赖飞桨版本<input type="checkbox" class="rowselector hidden"> | PaddleDevelop                        |
+| 文件名                                                       | 20230222_prelu_op_optimization.md<br> |
+
+
+# 1 背景与意义
+
+目前Paddle中的Prelu算子仍旧通过内部循环方式实现，没有用到一些性能优化的技巧，存在性能优化的空间。
+
+## 1.1 飞桨现状
+
+当前性能如下表(基于PaddlePaddle　develop分支)：
+
+目前的实现有一定的性能优化空间，可以加入一些性能优化的技巧。当前forward性能如下表：
+
+| Case No. | device | input_shape | input_type | weight_type | Paddle Perf(ms) |
+|---|---|---|---|---|---|
+| 1 | RTX 2070s | [8L, 1024L, 3072L] | float32 | [1L] | 0.8584 | 
+| 2 | RTX 2070s | [8L, 1024L, 3072L] | float32 | [1024L] | 1.1135 |
+| 3 | RTX 2070s | [8L, 1024L, 3072L] | float16 | [1L] | 0.62442 |
+| 4 | RTX 2070s | [8L, 1024L, 3072L] | float16 | [1024L] | 0.87672 |
+
+API文档 https://www.paddlepaddle.org.cn/documentation/docs/zh/api/paddle/nn/PReLU_cn.html#prelu
+
+## 1.2 业内方案调研
+
+Pytorch中对Prelu算子的实现基于GPU计算,  forward整体性能如下(基于pytorch　v1.12)：
+
+| Case No. | device | input_shape | input_type | weight_type | Pytorch Perf(ms) |
+|---|---|---|---|---|---|
+| 1 | RTX 2070s | [8L, 1024L, 3072L] | float32 | [1L] | 0.64366 |
+| 2 | RTX 2070s | [8L, 1024L, 3072L] | float32 | [1024L] | 0.83144 |
+| 3 | RTX 2070s | [8L, 1024L, 3072L] | float16 | [1L] | 0.31887 |
+| 4 | RTX 2070s | [8L, 1024L, 3072L] | float16 | [1024L] | 0.84326 |
+
+## 1.3 对比分析
+
+目前Paddle与Pytorch的API设计方案相似，两种case下测试pytorch性能更优，理论上可以通过线程配置，或向量化读取和写入等手段进行优化，进一步提升算子性能。
+Pytorch通过grid和block的优化配置性能明显优于paddle，paddle目前还是1d内部循环的方式实现。
+
+# 2 设计方案与性能预期
+
+## 2.1 关键模块与性能提升点
+
+通过使用飞桨内部的Elementwise Kernel来进行计算。通过向量化读取、向量化写入以及gpu_launch_config.h中的线程配置方法对算子进行优化, 使用cuda内置函数后预计比当前算子提升%20以上。
+
+## 2.2 Host端计算流程
+
+通过gpu_launch_config.h中的线程配置方法配置1D线程。
+
+## 2.4 Device端计算流程
+
+设备端通过kps::ReadData和kps::WriteData对数据进行读写，再对每个值进行prelu计算。
+
+# 3 测试和验收的考量
+
+参考：[算子性能优化验收标准](http://agroup.baidu.com/paddle-perf/md/article/4892913)
+
+
+
+# 4 可行性分析和排期规划
+
+时间和开发排期规划，主要milestone
+
+| No. | 开发内容 | 预期时间 |
+|---|---|---|
+| 1 | 理清Paddle中OP设计思路，同类产品中最佳设计方案  | 2023-02-22 |
+| 2 | 完成开发文档设计  | 2023-02-22 |
+| 3 | prelu优化实现  | 2023-02-23 |
+| 3 | 完成代码开发工作，并通过线程CI测试 | 2023-02-24 |
+
+
+
+# 5 影响面
+
+待优化的算子独立运行，不涉及其他算子和模块的修改，API设计与之前保持一致。
+
+
+# 名词解释
+
+
+# 附件及参考资料
+
+[1]. [OP Benchmark使用指南](https://github.com/PaddlePaddle/benchmark/blob/master/api/README.md)
+
+