2017 年 5 月，在 GTC 2017 上，英偉達(dá) CEO 黃仁勛發(fā)布 Volta 架構(gòu) Tesla V100，它被稱為史上最快 GPU 加速器。2018 年 3
2017 年 5 月，在 GTC 2017 上，英偉達(dá) CEO 黃仁勛發(fā)布 Volta 架構(gòu) Tesla V100，它被稱為史上最快 GPU 加速器。2018 年 3 月，同樣也是在 GTC 上，黃仁勛發(fā)布「全球最大的 GPU」——DGX-2，搭載 16 塊 V100 GPU，速度達(dá)到 2 petaflops。
近年來，英偉達(dá)在高速計算之路上越走越快。日前，英偉達(dá) Developer Blog 上一篇博文詳細(xì)陳述了英偉達(dá)Volta Tensor Core GPU 在深度學(xué)習(xí)社群取得的巨大突破，以及種種突破背后的技術(shù)細(xì)節(jié)。正文如下，雷鋒網(wǎng)(公眾號：雷鋒網(wǎng))AI 研習(xí)社編譯整理。
由深度學(xué)習(xí)驅(qū)動的人工智能現(xiàn)在解決了曾一度被認(rèn)為不可能的挑戰(zhàn)，比如讓計算機(jī)理解自然語言、進(jìn)行對話以及自動駕駛。既然深度學(xué)習(xí)能如此有效地解決一系列挑戰(zhàn)，隨著算法復(fù)雜度呈現(xiàn)指數(shù)級增長，我們是否能將計算變得更快呢?基于此，英偉達(dá)設(shè)計了Volta Tensor Core架構(gòu)。
為了更快地計算，英偉達(dá)與許多公司以及研究人員一樣，一直在開發(fā)計算的軟件和硬件平臺。Google 是個典型的例子——他們的研究團(tuán)隊創(chuàng)建了 TPU(張量處理單元)加速器，當(dāng)利用 TPU 進(jìn)行加速時，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時可以達(dá)到優(yōu)異的性能。
這篇文章中，我們分享了英偉達(dá)實現(xiàn) GPU 巨大的性能提升后，在 AI 社群中取得的一些進(jìn)步：我們已經(jīng)在單芯片和單服務(wù)器上創(chuàng)造了 ResNet-50 的訓(xùn)練速度記錄。最近，fast.ai也宣布了他們利用英偉達(dá) VoltaTensor Core GPU 在單個云實例上的創(chuàng)紀(jì)錄表現(xiàn) 。
以下是我們的結(jié)果：
在訓(xùn)練 ResNet-50 時，一個 V100 Tensor Core GPU 的處理速度能達(dá)到 1075 張圖像/秒，與上一代 Pascal GPU 相比，它的性能提高了 4 倍。
一個由 8 個 Tensor Core V100 驅(qū)動的 DGX-1 服務(wù)器的處理速度能達(dá)到 7850 張圖像/秒，幾乎是去年在同一系統(tǒng)上處理速度(4200 張圖像/秒)的兩倍。
一個由 8 個 Tensor Core V100 驅(qū)動的 AWS P3 云實例可以在不到 3 小時內(nèi)完成 ResNet-50 的訓(xùn)練，比 TPU 實例快 3 倍。
圖 1：Volta Tensor Core GPU 在訓(xùn)練 ResNet-50 時所取得的速度突破
英偉達(dá) GPU 在對算法進(jìn)行大規(guī)模并行處理時效果極好，因此它極其適合用于深度學(xué)習(xí)。我們一直都沒有停止探索的腳步，Tensor CoreGPU 是我們利用多年的經(jīng)驗和與世界各地的人工智能研究人員的密切合作，為深度學(xué)習(xí)模型創(chuàng)造的一種新的架構(gòu)。
結(jié)合高速 NVLink 互連以及在當(dāng)前所有框架內(nèi)的深度優(yōu)化，我們獲得了最先進(jìn)的性能。英偉達(dá) CUDA GPU 的可編程性在這里也非常重要。
V100 Tensor Core 打破了單處理器的最快處理速度記錄
英偉達(dá) Volta GPU 中引入了Tensor Core GPU 架構(gòu)，這是英偉達(dá)深度學(xué)習(xí)平臺的巨大進(jìn)步。這種新硬件能加速矩陣乘法和卷積計算，這些計算在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時占總計算的很大一部分。
英偉達(dá) Tensor Core GPU 架構(gòu)能夠提供比功能單一的 ASIC 更高的性能，在不同工作負(fù)載下仍然具備可編程性。例如，每一個 Tesla V100 Tensor Core GPU 用于深度學(xué)習(xí)可以達(dá)到 125 teraflop 的運算速度，而 Google TPU 芯片只能達(dá)到 45 teraflop。包含 4 個 TPU 芯片的「Cloud TPU」可以達(dá)到 125 teraflop，相比之下，4 個 V100 芯片可以達(dá)到 500 teraflop。
我們的 CUDA 平臺使每一個深度學(xué)習(xí)框架都能充分利用Tensor Core GPU 的全部能力，加速諸如 CNN、RNN、GAN、RL 等各類神經(jīng)網(wǎng)絡(luò)，以及基于這些網(wǎng)絡(luò)每年出現(xiàn)的成千上萬個變種。
接下來是對Tensor Core架構(gòu)的更深入講解，大家可以在這里看到它獨特的功能。圖 2 顯示了 Tensor Core 計算張量的過程，雖然存儲是在低精度的 FP16 中，但是用精度更高的 FP32 來進(jìn)行計算，可以在維持精度時最大化吞吐量。
圖 2：Volta Tensor Core 矩陣乘法計算
隨著最近的軟件改進(jìn)，目前在單個 V100 上訓(xùn)練 ResNet-50 的速度達(dá)到了 1360 張圖像/秒。我們現(xiàn)在正努力將這一訓(xùn)練軟件集成到流行的框架中，詳情如下。
為了讓性能最佳，基于 Tensor Core 進(jìn)行張量操作的存儲器布局應(yīng)該為 channel-interleaved 型數(shù)據(jù)布局(Number-Height-Width-Channel，常被稱為 NHWC)，但往往默認(rèn)是 channel-major 型數(shù)據(jù)布局(Number-Channel-Width-Height，通常稱為 NCHW)。因此，cuDNN 庫會在 NCHW 和 NHWC 之間執(zhí)行張量轉(zhuǎn)置操作，如圖 3 所示。正如前面所提到的，由于卷積運算現(xiàn)在的速度非常快，所以這些轉(zhuǎn)置操作占了總運行時間中相當(dāng)大的一部分。
為了消除這些轉(zhuǎn)置操作，我們直接用 NHWC 格式表示 RN-50 模型圖中的每個張量，MXNet 框架支持這一功能。此外，對所有其他非卷積層，我們還將優(yōu)化的 NHWC 實現(xiàn)添加到 MXNet 和 cuDNN 中，從而消除了訓(xùn)練過程中對張量轉(zhuǎn)置的需求。
圖 3：優(yōu)化 NHWC 格式，以消除張量轉(zhuǎn)置
另一個優(yōu)化是基于阿爾達(dá)姆定律(并行計算中的加速比是用并行前的執(zhí)行速度和并行后的執(zhí)行速度之比來表示的，它表示了在并行化之后的效率提升情況)，這一法則能預(yù)測并行處理的理論加速。由于 Tensor Core 顯著地加速了矩陣乘法和卷積層的計算，因此在訓(xùn)練時對其他層的計算占據(jù)了總運行時間很大的一部分。我們可以確定這些新的性能瓶頸并進(jìn)行優(yōu)化。
如圖 4 所示，數(shù)據(jù)會移動到 DRAM 或從 DRAM 中移出，因此許多非卷積層的性能會受到限制?？梢岳闷洗鎯ζ鲗⑦B續(xù)的層融合在一起，避免 DRAM traffic。例如，我們在 MXNet 中創(chuàng)建一個圖優(yōu)化傳遞功能，以檢測連續(xù)的 ADD 和 ReLu 層，只要有可能就將這些層替換成融合層。在 MXNet 中可以非常簡單地使用 NNVM(神經(jīng)網(wǎng)絡(luò)虛擬機(jī)，Neural Network Virtual Machine)來實現(xiàn)這些類型的優(yōu)化。
圖 4 ：進(jìn)行層融合操作，消除反復(fù)數(shù)據(jù)讀/寫
最后，我們繼續(xù)為常見的各類卷積創(chuàng)建額外的專用 kernel，以進(jìn)行優(yōu)化。
我們目前正在將許多這種優(yōu)化應(yīng)用于多個深度學(xué)習(xí)框架之中，包括 TensorFlow、PyTorch 和 MXNet 。我們利用單個 Tensor Core V100 GPU 進(jìn)行標(biāo)準(zhǔn)的 90-epoch 訓(xùn)練，基于在 MXNet 上做的改進(jìn)，處理速度達(dá)到 1075 張圖像/秒，與此同時，我們的訓(xùn)練與單精度訓(xùn)練一樣達(dá)到了相同的 Top-1 分類精度(超過 75%)。我們在單機(jī)測試中的處理速度可以達(dá)到 1360 張圖像/秒，這意味著性能還有很大的提升空間?？梢栽贜GC(NVIDIA GPU CLOUD)上利用 NVIDIA-optimized deep learning framework containers 實現(xiàn)性能的提升。
創(chuàng)紀(jì)錄的最高單節(jié)點速度
多個 GPU 可以作為單節(jié)點運行，以實現(xiàn)更高的吞吐量。然而，在將多個 GPU 縮到單服務(wù)節(jié)點中工作時，需要 GPU 之間存在高帶寬/低延遲通信路徑。英偉達(dá) NVLink 高速互連結(jié)構(gòu)允許我們將 8 個 GPU 作為單服務(wù)器運行，實現(xiàn)性能擴(kuò)展。這些大規(guī)模的加速服務(wù)器可以讓深度學(xué)習(xí)的計算達(dá)到 petaflop 量級的速度，并且在云端和本地部署中都可以被廣泛使用。
然而，雖然將 GPU 擴(kuò)展到 8 個可以顯著提高訓(xùn)練性能，但在這種框架下，主 CPU 執(zhí)行其他工作時性能會受到限制。而且，在這種框架下，對連接 GPU 的數(shù)據(jù)管道性能要求極高。
數(shù)據(jù)管道從磁盤中讀取編碼的 JPEG 樣例，然后再執(zhí)行解碼、調(diào)整圖像大小、圖像增強(qiáng)(如圖 5 所示)操作。這些操作提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，從而提高了訓(xùn)練模型的預(yù)測準(zhǔn)確性。而因為在訓(xùn)練時，有 8 個 GPU 在進(jìn)行運算操作，這會限制框架的整體性能。
圖 5：圖像解碼和增強(qiáng)數(shù)據(jù)管道
為了解決這個問題，我們開發(fā)了 DALI(Data Augmentation Library，數(shù)據(jù)擴(kuò)充庫)，這是一個與框架無關(guān)的庫，可以將計算從 CPU 轉(zhuǎn)移到 GPU 上。如圖 6 所示，DALI 將 JPEG 解碼的一部分、調(diào)整圖像大小以及其他所有增強(qiáng)操作移動到 GPU 上。這些操作在 GPU 上的執(zhí)行速度要比在 CPU 上快得多，這緩解了 CPU 的負(fù)荷。DALI 使得 CUDA 的并行處理能力更加突出。消除 CPU 瓶頸之后，在單節(jié)點上的計算速度可以達(dá)到 7850 張圖像/秒。
圖 6：利用 DALI 優(yōu)化工作負(fù)荷
英偉達(dá)正在幫助將 DALI 融入到所有主流人工智能框架中。這一解決方案有助于提升具備 8 個以上 GPU 的系統(tǒng)的性能，比如英偉達(dá)最近發(fā)布的帶有 16 個 Tesla V100 GPU 的DGX-2。
創(chuàng)紀(jì)錄的單個云實例處理速度
我們使用單 GPU 和單節(jié)點運行來訓(xùn)練 ResNet-50(90 epoch)，使預(yù)測準(zhǔn)確率超過 75%。通過算法的創(chuàng)新和超參數(shù)調(diào)節(jié)，可以進(jìn)一步減少訓(xùn)練時間，在更少的 epoch 下達(dá)到更高精度。GPU 具備可編程的特性，并支持所有深度學(xué)習(xí)框架，這使得 AI 研究者能夠探索新的算法，并利用現(xiàn)有的算法進(jìn)行研究。
fast.ai 團(tuán)隊最近分享了基于英偉達(dá)硬件的優(yōu)秀成果，他們使用 PyTorch 在遠(yuǎn)小于 90 epoch 的訓(xùn)練下達(dá)到了很高的精確度。Jeremy Howard 和 fast.ai 的研究人員利用 8 個 V100 Tensor Core GPU，在一個 AWS P3 實例上用 ImageNet 訓(xùn)練 ResNet-50。他們對算法進(jìn)行創(chuàng)新，調(diào)節(jié)了一系列超參數(shù)，不到 3 個小時就將模型訓(xùn)練好了，這比基于云實例的 TPU 計算(需要將近 9 個小時來訓(xùn)練 ResNet-50)快三倍。
我們進(jìn)一步期望這一博客中描述的提高吞吐量的方法同樣也適用于其他訓(xùn)練，例如前面提到的 fast.ai 的例子。
效果呈現(xiàn)指數(shù)級增長
自從 Alex Krizhevsky 利用兩塊 GTX 580 GPU 贏得了 ImageNet 比賽，我們在深度學(xué)習(xí)加速方面所取得的進(jìn)步令人難以置信。Krizhevsky 當(dāng)時花了 6 天時間來訓(xùn)練他的神經(jīng)網(wǎng)絡(luò)——AlexNet，這一網(wǎng)絡(luò)在當(dāng)時的表現(xiàn)優(yōu)于所有其他的圖像識別方法，引發(fā)了一場深度學(xué)習(xí)革命。我們最近發(fā)布的 DGX-2 可以在 18 分鐘內(nèi)訓(xùn)練好 AlexNet。從圖 7 可以看到，在這 5 年多的時間里，隨著硬件性能的提升，處理速度加快了 500 倍。
圖 7：在 ImageNet 上訓(xùn)練 AlexNet 所需要的時間
Facebook 人工智能研究院(FAIR)開源了他們的語言翻譯模型 Fairseq，在不到一年的時間里，我們基于 DGX-2 和軟件棧的改進(jìn)(見圖 8)，在訓(xùn)練 Fairseq 時實現(xiàn)了 10 倍的加速。
圖 8：訓(xùn)練 Fairseq 所需要的時間
圖像識別和語言翻譯僅僅是研究人員用 AI 力量解決無數(shù)難題的用例之一。Github 上共有超過 6 萬個使用 GPU 加速框架的神經(jīng)網(wǎng)絡(luò)項目，GPU 的可編程性為 AI 社群正在構(gòu)建的所有類型的神經(jīng)網(wǎng)絡(luò)提供加速。我們的快速改進(jìn)使得 AI 研究人員能夠想象出更復(fù)雜的神經(jīng)網(wǎng)絡(luò)，以解決更困難的挑戰(zhàn)。
這些長久的進(jìn)步得益于我們對 GPU 加速計算的全堆棧優(yōu)化算法。從構(gòu)建最先進(jìn)的深度學(xué)習(xí)加速器到復(fù)雜的系統(tǒng)(HBM、COWOS、SXM、NVSwitch、DGX)，從先進(jìn)的數(shù)字計算庫和深度軟件棧(cuDNN，NCCL，NGC) 到加速所有的 DL 框架，英偉達(dá)對 AI 的承諾為 AI 開發(fā)者提供了無與倫比的靈活性。
我們將繼續(xù)優(yōu)化整個堆棧，并持續(xù)實現(xiàn)性能的指數(shù)級提升，為 AI 社群提供推動深度學(xué)習(xí)創(chuàng)新研究的有力工具。
總結(jié)
AI 繼續(xù)改變著各行各業(yè)，驅(qū)動出無數(shù)用例。理想的 AI 計算平臺需要提供出色的性能，能支持龐大且不斷增長的模型，并具備可編程性，以應(yīng)對模型的多樣性需求。
英偉達(dá)的 Volta Tensor Core GPU 是世界上最快的 AI 處理器，只用一塊芯片就能讓深度學(xué)習(xí)的訓(xùn)練速度達(dá)到 125 teraflop。我們很快會將 16 塊 Tesla V100 整合到一個單服務(wù)器節(jié)點中，以創(chuàng)建世界上最快的計算服務(wù)器，提供 2 petaflops 的計算性能。
除了在加速上的優(yōu)異性能，GPU 的可編程性以及它在云、服務(wù)器制造商和整個 AI 社群中的廣泛使用，將帶來下一場 AI 變革。
無論你選擇什么深度學(xué)習(xí)框架(Caffe2, Chainer, Cognitive Toolkit, Kaldi, Keras, Matlab, MXNET, PaddlePaddle, Pytorch,TensorFlow)，都可以用英偉達(dá)硬件進(jìn)行加速。此外，英偉達(dá) GPU 還用于訓(xùn)練 CNN、RNN、GAN、RL、混合網(wǎng)絡(luò)架構(gòu)以及每年基于這些網(wǎng)絡(luò)的成千上萬個變體。AI 社群中目前存在很多驚人的應(yīng)用，我們期待著為 AI 的下一步發(fā)展提供動力。
