給 AI 換個(gè)“大動(dòng)力小心臟”之通用 CNN 加速設(shè)計(jì)

導(dǎo)語

基于FPGA的通用CNN加速設(shè)計(jì)，可以大大縮短FPGA開發(fā)周期，支持業(yè)務(wù)深度學(xué)習(xí)算法快速迭代;提供與GPU相媲美的計(jì)算性能，但擁有相較于GPU數(shù)量級(jí)的延時(shí)優(yōu)勢(shì)，為業(yè)務(wù)構(gòu)建最強(qiáng)勁的實(shí)時(shí)AI服務(wù)能力。

WHEN?深度學(xué)習(xí)異構(gòu)計(jì)算現(xiàn)狀

隨著互聯(lián)網(wǎng)用戶的快速增長，數(shù)據(jù)體量的急劇膨脹，數(shù)據(jù)中心對(duì)計(jì)算的需求也在迅猛上漲。同時(shí)，人工智能、高性能數(shù)據(jù)分析和金融分析等計(jì)算密集型領(lǐng)域的興起，對(duì)計(jì)算能力的需求已遠(yuǎn)遠(yuǎn)超出了傳統(tǒng)CPU處理器的能力所及。

異構(gòu)計(jì)算被認(rèn)為是現(xiàn)階段解決此計(jì)算溝壑的關(guān)鍵技術(shù)，目前 “CPU+GPU”以及“CPU+FPGA” 是最受業(yè)界關(guān)注的異構(gòu)計(jì)算平臺(tái)。它們具有比傳統(tǒng)CPU并行計(jì)算更高效率和更低延遲的計(jì)算性能優(yōu)勢(shì)。面對(duì)如此巨大的市場(chǎng)，科技行業(yè)大量企業(yè)投入了大量的資金和人力，異構(gòu)編程的開發(fā)標(biāo)準(zhǔn)也在逐漸成熟，而主流的云服務(wù)商更是在積極布局。

WHY?通用CNN FPGA加速

業(yè)界可以看到諸如微軟等巨頭公司已經(jīng)部署大批量的FPGA來做AI inference加速，F(xiàn)PGA相較于其他器件的優(yōu)勢(shì)是什么呢?

Flexibility：可編程性天然適配正在快速演進(jìn)的ML算法

DNN、CNN、LSTM、MLP、reinforcement learning以及決策樹等等

任意精度動(dòng)態(tài)支持

模型壓縮、稀疏網(wǎng)絡(luò)、更快更好的網(wǎng)絡(luò)

Performance：構(gòu)建實(shí)時(shí)性AI服務(wù)能力

相較于GPU/CPU數(shù)量級(jí)提升的低延時(shí)預(yù)測(cè)能力

相較于GPU/CPU數(shù)量級(jí)提升的單瓦特性能能力

Scale

板卡間高速互聯(lián)IO

Intel CPU-FPGA構(gòu)架

與此同時(shí)，F(xiàn)PGA的短板也非常的明顯，F(xiàn)PGA使用HDL硬件描述語言來進(jìn)行開發(fā)，開發(fā)周期長，入門門檻高。以單獨(dú)的經(jīng)典模型如Alexnet以及Googlenet為例，針對(duì)一個(gè)模型進(jìn)行定制的加速開發(fā)，往往需要數(shù)月的時(shí)間。業(yè)務(wù)方以及FPGA加速團(tuán)隊(duì)需要兼顧算法迭代以及適配FPGA硬件加速，十分痛苦。

一方面需要FPGA提供相較于CPU/GPU有足夠競(jìng)爭(zhēng)力的低延時(shí)高性能服務(wù)，一方面需要FPGA的開發(fā)周期跟上深度學(xué)習(xí)算法的迭代周期，基于這兩點(diǎn)我們?cè)O(shè)計(jì)開發(fā)了一款通用的CNN加速器。兼顧主流模型算子的通用設(shè)計(jì)，以編譯器產(chǎn)生指令的方式來驅(qū)動(dòng)模型加速，可以短時(shí)間內(nèi)支持模型切換;同時(shí)，對(duì)于新興的深度學(xué)習(xí)算法，在此通用基礎(chǔ)版本上進(jìn)行相關(guān)算子的快速開發(fā)迭代，模型加速開發(fā)時(shí)間從之前的數(shù)月降低到現(xiàn)在的一到兩周之內(nèi)。

HOW?通用CNN FPGA架構(gòu)

基于FPGA的通用CNN加速器整體框架如下，通過Caffe/Tensorflow/Mxnet等框架訓(xùn)練出來的CNN模型，通過編譯器的一系列優(yōu)化生成模型對(duì)應(yīng)的指令;同時(shí)，圖片數(shù)據(jù)和模型權(quán)重?cái)?shù)據(jù)按照優(yōu)化規(guī)則進(jìn)行預(yù)處理以及壓縮后通過PCIe下發(fā)到FPGA加速器中。FPGA加速器完全按照指令緩沖區(qū)中的指令集驅(qū)動(dòng)工作，加速器執(zhí)行一遍完整指令緩沖區(qū)中的指令則完成一張圖片深度模型的計(jì)算加速工作。每個(gè)功能模塊各自相對(duì)獨(dú)立，只對(duì)每一次單獨(dú)的模塊計(jì)算請(qǐng)求負(fù)責(zé)。加速器與深度學(xué)習(xí)模型相抽離，各個(gè)layer的數(shù)據(jù)依賴以及前后執(zhí)行關(guān)系均在指令集中進(jìn)行控制。

簡(jiǎn)單而言，編譯器的主要工作就是對(duì)模型結(jié)構(gòu)進(jìn)行分析優(yōu)化，然后生成FPGA高效執(zhí)行的指令集。編譯器優(yōu)化的指導(dǎo)思想是：更高的MAC dsp計(jì)算效率以及更少的內(nèi)存訪問需求。

接下來我們以Googlenet V1模型為例，對(duì)加速器的設(shè)計(jì)優(yōu)化思路做簡(jiǎn)單的分析。Inception v1的網(wǎng)絡(luò)，將1x1、3x3、5x5的conv和3x3的pooling stack在一起，一方面增加了網(wǎng)絡(luò)的width，另一方面增加了網(wǎng)絡(luò)對(duì)尺度的適應(yīng)性。下圖為模型中Inception的基本結(jié)構(gòu)。

數(shù)據(jù)依賴關(guān)系分析

此部分主要分析挖掘模型中可流水化以及可并行化的計(jì)算。流水化的設(shè)計(jì)可以提高加速器中的計(jì)算單元利用率，并行化的計(jì)算可以在同一時(shí)刻利用盡量多的計(jì)算單元。

關(guān)于流水，分析部分包括數(shù)據(jù)從DDR加載到FPGA片上SRAM的操作與PE進(jìn)行計(jì)算的流水，通過此項(xiàng)優(yōu)化將內(nèi)存訪問的時(shí)間overlap;DSP計(jì)算整列的計(jì)算控制過程，保證DSP利用率的提升。

關(guān)于并行，需要重點(diǎn)分析PE計(jì)算陣列與激活、pooling以及歸一化等“后處理”模塊之間的并行關(guān)系，如何確定好數(shù)據(jù)依賴關(guān)系以及防止沖突是此處設(shè)計(jì)關(guān)鍵。在Inception中，可以從其網(wǎng)絡(luò)結(jié)構(gòu)中看到，branch a/b/c的1x1的卷積計(jì)算與branch d中的pooling是可以并行計(jì)算的，兩者之間并不存在數(shù)據(jù)依賴關(guān)系。通過此處優(yōu)化，3x3 max pooling layer的計(jì)算就可以被完全overlap。

模型優(yōu)化

在設(shè)計(jì)中主要考慮兩個(gè)方面：尋找模型結(jié)構(gòu)優(yōu)化以及支持動(dòng)態(tài)精度調(diào)整的定點(diǎn)化。

FPGA是支持大量計(jì)算并行的器件，從模型結(jié)構(gòu)上尋找更高維度的并行性，對(duì)于計(jì)算效率以及減少內(nèi)存訪問都十分有意義。在Inception V1中，我們可以看到branch a branch b branch c的第一層1x1卷積層，其輸入數(shù)據(jù)完全一致，且卷積layer的stride以及pad均一致。那我們是否可以在output feature map維度上對(duì)齊進(jìn)行疊加?疊加后對(duì)input data的訪存需求就降低到了原來的1/3。

另一方面，為了充分發(fā)揮FPGA硬件加速的特性，模型的Inference過程需要對(duì)模型進(jìn)行定點(diǎn)化操作。在fpga中，int8的性能可以做到int16的2倍，但是為了使公司內(nèi)以及騰訊云上的客戶可以無感知的部署其訓(xùn)練的浮點(diǎn)模型，而不需要retrain int8模型來控制精度損失，我們采用了支持動(dòng)態(tài)精度調(diào)整的定點(diǎn)化int16方案。通過此種方法，用戶訓(xùn)練好的模型可以直接通過編譯器進(jìn)行部署，而幾乎無任何精度損失。

內(nèi)存架構(gòu)設(shè)計(jì)

帶寬問題始終是計(jì)算機(jī)體系結(jié)構(gòu)中制約性能的瓶頸之一，同時(shí)內(nèi)存訪問直接影響加速器件功耗效率。

為了最大化的減少模型計(jì)算過程中的DDR訪存，我們?cè)O(shè)計(jì)了如下的內(nèi)存架構(gòu)：

Input buff以及output buffer ping-pong設(shè)計(jì)，最大化流水以及并行能力

支持Input buff和output buffer自身之間的inner-copy操作

Input buff和output buffer之間的cross-copy操作

通過這種架構(gòu)，對(duì)于大多數(shù)目前主流模型，加速器可以做到將中間數(shù)據(jù)全部hold在FPGA片上，除了模型權(quán)重的加載外，中間無需消耗任何額外的內(nèi)存操作。對(duì)于無法將中間層feature map完全存儲(chǔ)在片上的模型，我們?cè)谠O(shè)計(jì)上，在Channel維度上引入了slice分片的概念，在feature map維度上引入了part分片的概念。通過編譯器將一次卷積或是poolingNorm操作進(jìn)行合理的拆分，將DDR訪存操作與FPGA加速計(jì)算進(jìn)行流水化操作，在優(yōu)先保證DSP計(jì)算效率的前提下盡量減少了DDR的訪存需求。

計(jì)算單元設(shè)計(jì)

基于FPGA的通用CNN加速器的核心是其計(jì)算單元，本加速器當(dāng)前版本基于Xilinx Ku115芯片設(shè)計(jì)，PE計(jì)算單元由4096個(gè)工作在500MHz的MAC dsp核心構(gòu)成，理論峰值計(jì)算能力4Tflops。其基本組織框架如下圖所示。

KU115芯片由兩個(gè)DIE對(duì)堆疊而成，加速器平行放置了兩組處理單元PE。每個(gè)PE由4組32x16=512的MAC計(jì)算DSP核心組成的XBAR構(gòu)成，設(shè)計(jì)的關(guān)鍵在于提升設(shè)計(jì)中的數(shù)據(jù)復(fù)用降低帶寬，實(shí)現(xiàn)模型權(quán)重復(fù)用和各layer feature map的復(fù)用，提升計(jì)算效率。

應(yīng)用場(chǎng)景及性能對(duì)比

當(dāng)前深度學(xué)習(xí)主流使用GPU做深度學(xué)習(xí)中的Training過程，而線上Inference部署時(shí)需綜合考慮實(shí)時(shí)性、低成本以及低功耗特性選擇加速平臺(tái)。按深度學(xué)習(xí)落地場(chǎng)景分類，廣告推薦、語音識(shí)別、圖片/視頻內(nèi)容實(shí)時(shí)監(jiān)測(cè)等屬于實(shí)時(shí)性AI服務(wù)以及智慧交通、智能音箱以及無人駕駛等終端實(shí)時(shí)低功耗的場(chǎng)景，F(xiàn)PGA相較于GPU能夠?yàn)闃I(yè)務(wù)提供強(qiáng)有力的實(shí)時(shí)高性能的支撐。

對(duì)于使用者而言，平臺(tái)性能、開發(fā)周期以及易用性究竟如何呢?

加速性能

以實(shí)際googlenet v1模型為例，CPU測(cè)試環(huán)境：2個(gè)6核CPU(E5-2620v3)，64G內(nèi)存。

將整機(jī)CPU打滿，單張基于KU115的加速器相較于CPU性能提升16倍，單張圖片檢測(cè)延時(shí)從250ms降低到4ms，TCO成本降低90%。

同時(shí)，F(xiàn)PGA預(yù)測(cè)性能略強(qiáng)于Nvidia的GPU P4，但延時(shí)上有一個(gè)數(shù)量級(jí)的優(yōu)化。

開發(fā)周期

通用的CNN FPGA加速架構(gòu)，能夠支持業(yè)務(wù)快速迭代持續(xù)演進(jìn)中的深度學(xué)習(xí)模型，包括Googlenet/VGG/Resnet/ShuffleNet/MobileNet等經(jīng)典模型以及新的模型變種。

對(duì)于經(jīng)典模型以及基于標(biāo)準(zhǔn)layer自研的算法變種，現(xiàn)有加速架構(gòu)已經(jīng)可以支持，可以在一天內(nèi)通過編譯器實(shí)現(xiàn)模型對(duì)應(yīng)指令集，實(shí)現(xiàn)部署上線。

對(duì)于自研的特殊模型，例如不對(duì)稱卷積算子和不對(duì)稱pooling操作等，需要根據(jù)實(shí)際模型結(jié)構(gòu)在本平臺(tái)上進(jìn)行相關(guān)算子迭代開發(fā)，開發(fā)周期可縮短在一到兩周之內(nèi)進(jìn)行支持。

易用性

FPGA CNN加速器對(duì)底層加速過程進(jìn)行封裝，向上對(duì)加速平臺(tái)的業(yè)務(wù)方提供易用SDK。業(yè)務(wù)方調(diào)用簡(jiǎn)單的API函數(shù)即可完成加速操作，對(duì)業(yè)務(wù)自身邏輯幾乎無任何改動(dòng)。

結(jié)語

基于FPGA的通用CNN加速設(shè)計(jì)，可以大大縮短FPGA開發(fā)周期，支持業(yè)務(wù)深度學(xué)習(xí)算法快速迭代;提供與GPU相媲美的計(jì)算性能，但擁有相較于GPU數(shù)量級(jí)的延時(shí)優(yōu)勢(shì)。通用的RNN/DNN平臺(tái)正在緊張研發(fā)過程中，F(xiàn)PGA加速器為業(yè)務(wù)構(gòu)建最強(qiáng)勁的實(shí)時(shí)AI服務(wù)能力。

在云端，2017年初，我們?cè)隍v訊云首發(fā)了國內(nèi)第一臺(tái)FPGA公有云服務(wù)器，我們將會(huì)逐步把基礎(chǔ)AI加速能力推出到公有云上。

AI異構(gòu)加速的戰(zhàn)場(chǎng)很大很精彩，為公司內(nèi)及云上業(yè)務(wù)提供最優(yōu)的解決方案是架平FPGA團(tuán)隊(duì)持續(xù)努力的方向。

如果線上模型需要改動(dòng)，只需調(diào)用模型初始化函數(shù)，將對(duì)應(yīng)的模型指令集初始化FPGA即可，加速業(yè)務(wù)可以在幾秒內(nèi)進(jìn)行切換。