IBM的8位浮點精度深度神經(jīng)網(wǎng)絡(luò)模型解析

　　在12月初舉辦的NeurIPS會議上，IBM展示了一款新型人工智能芯片。

　　IBM的研究人員聲稱，他們已開發(fā)出一個更加高效的模型用于處理神經(jīng)網(wǎng)絡(luò)，該模型只需使用8位浮點精度進行訓(xùn)練，推理(inferencing)時更是僅需4位浮點精度。該研究的成果已于2018年12月初在國際電子元件會議(International Electron Devices Meeting，IEDM)和神經(jīng)信息處理系統(tǒng)大會(Conference on NeuralInformation Processing Systems，NeurIPS)上發(fā)布。

　　簡而言之，IBM展示了專用于減少精度處理單元的定制硬件，以及能夠利用該硬件進行深度神經(jīng)網(wǎng)絡(luò)(DNN)訓(xùn)練和推理的新算法。其主要目標(biāo)在于提高硬件的能效，使其可以應(yīng)用于范圍更廣泛的人工智能解決方案。

　　下一代人工智能應(yīng)用程序需要更快的響應(yīng)時間、更大的人工智能工作負(fù)載以及來自眾多數(shù)據(jù)流的多模式數(shù)據(jù)。為了釋放人工智能的全部潛能，我們重新設(shè)計了將人工智能考慮在內(nèi)的硬件：從加速器到用于人工智能工作負(fù)載的特定用途硬件(例如我們的新芯片)，以及最終用于人工智能的量子計算技術(shù)。使用新的硬件解決方案擴展人工智能是IBM研究院(IBM Research)更廣泛努力的一部分，以期從范圍狹窄的人工智能(通常用于處理具體的、界限清楚的任務(wù))轉(zhuǎn)向范圍廣泛的人工智能(跨越各個學(xué)科，可幫助人類解決最迫切的問題)。

　　具體而言，IBM研究院提出了可提供8位浮點(FP8)精度用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的硬件。8位浮點精度是16位浮點精度(FP16)的一半，而16位浮點精度自2015年以來一直是深度神經(jīng)網(wǎng)絡(luò)工作的事實標(biāo)準(zhǔn)。(提議的硬件將依靠FP16來累積點積，而不是現(xiàn)在使用的FP32。)借助于稍后介紹的新算法技術(shù)，IBM的研究人員表示，他們可以跨各種深度學(xué)習(xí)模型保持精確度。事實上，他們記錄在案了使用FP8精度基于圖像、語音和文本數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡(luò)所進行的訓(xùn)練，并實現(xiàn)了與基于FP32的訓(xùn)練相當(dāng)?shù)哪Ｐ途_度。

　　降低精度的模型基于三項軟件創(chuàng)新：一種新的FP8格式，讓用于深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的矩陣乘法和卷積計算可在不損失精確度的情況下工作;一種“基于組塊的計算”技術(shù)，使得只需使用FP8乘法和FP16加法即可處理神經(jīng)網(wǎng)絡(luò)成為現(xiàn)實;并且在加權(quán)更新過程中使用浮點隨機舍入，允許以16位浮點精度(而不是32位浮點精度)計算這些更新。

　　IBM展示的硬件是一款基于“新式數(shù)據(jù)流核心”的14納米處理器。該處理器由降低精度的數(shù)據(jù)流引擎、16位浮點精度組塊加法引擎和核心上內(nèi)存及內(nèi)存訪問引擎組成。研究人員聲稱，與現(xiàn)在的平臺相比，這種設(shè)計有可能使訓(xùn)練速度提高2到4倍。其中部分改進是用于訓(xùn)練模型的位寬減少了2倍的結(jié)果，但其余改進則是因為用于利用降低的精度的軟件技術(shù)。

　　也許更重要的是，IBM研究院表示，由于其FP8/FP16模型相較標(biāo)準(zhǔn)FP16/FP32模型而言所需的內(nèi)存帶寬和存儲空間更少，并且因為其硬件是為處理這些神經(jīng)網(wǎng)絡(luò)而定制的，能效可提高2-4倍以上。研究人員表示，這將使深度神經(jīng)網(wǎng)絡(luò)模型能夠在一些邊緣設(shè)備上進行訓(xùn)練，而不僅僅是在數(shù)據(jù)中心服務(wù)器上進行訓(xùn)練。

　　研究人員還發(fā)表了一篇關(guān)于在多個深度學(xué)習(xí)應(yīng)用程序中使用4位浮點精度推理，而同樣不損失精確度的論文(目前，大部分推理基于使用8位浮點精度或更多位浮點精度的計算)。此處的意義在于，位寬的減小將再次提高吞吐量和能效。對降低精度的需求也使得基于在訓(xùn)練期間優(yōu)化的位精度構(gòu)建用于訓(xùn)練和推理的統(tǒng)一架構(gòu)更加自然。根據(jù)研究人員的說法，由于減少了專用于計算的處理器面積并擁有在內(nèi)存中保留模型和激活數(shù)據(jù)的能力，此類硬件可以帶來推理性能的超線性提升。

　　相關(guān)研究領(lǐng)域需要與將這種降低精度的模型應(yīng)用于模擬芯片相關(guān)，模擬芯片天生不如數(shù)字芯片精確，但能效卻高得多。IBM的研究人員開發(fā)了一種使用相變存儲器(PCM)的8位浮點精度模擬加速器，它可以充當(dāng)用于處理神經(jīng)網(wǎng)絡(luò)的計算基板和存儲介質(zhì)。根據(jù)2018年早些時候發(fā)布的工作成果，IBM研究院已經(jīng)實施了該技術(shù)的創(chuàng)新加成，稱為預(yù)測PCM(Projected PCM，Proj-PCM)，它可以減少PCM硬件的一些令人煩惱的不精確性。研究團隊認(rèn)為，該設(shè)計可為物聯(lián)網(wǎng)(IoT)和邊緣設(shè)備等功率受限環(huán)境中的人工智能訓(xùn)練和推理提供高性能水平。

　　盡管所有這些仍處于研究階段，但I(xiàn)BM顯然對構(gòu)建自己的人工智能芯片和加速器并將其交付到客戶手中感興趣。他們計劃如何將該技術(shù)商業(yè)化仍然有待觀察。無論如何，如果降低精度的訓(xùn)練和推理流行起來，IBM將面臨很多競爭。這些競爭不僅僅來自將相應(yīng)調(diào)整自己的處理器平臺的英特爾和英偉達(dá)等行業(yè)巨頭，它們還來自似乎每天都在涌現(xiàn)的人工智能芯片初創(chuàng)公司。在一個如此飛速變化的環(huán)境中，成功將青睞于最靈活變通的參與者。