模型大小不斷增長給現(xiàn)有架構(gòu)帶來了挑戰(zhàn)

　　深度學(xué)習(xí)對計(jì)算能力的需求正以驚人的速度增長，其近年來的發(fā)展速度已從每年翻一番縮短到每三個(gè)月翻一番。深度神經(jīng)網(wǎng)絡(luò)（DNN）模型容量的不斷提升，表明從自然語言處理到圖像處理的各個(gè)領(lǐng)域都得到了改進(jìn)——深度神經(jīng)網(wǎng)絡(luò)是諸如自動駕駛和機(jī)器人等實(shí)時(shí)應(yīng)用的關(guān)鍵技術(shù)。例如，F(xiàn)acebook的研究表明，準(zhǔn)確率與模型大小的比率呈線性增長，通過在更大的數(shù)據(jù)集進(jìn)行訓(xùn)練，準(zhǔn)確率甚至可以得到進(jìn)一步提高。

　　目前在許多前沿領(lǐng)域，模型大小的增長速度遠(yuǎn)快于摩爾定律，用于一些應(yīng)用的萬億參數(shù)模型正在考慮之中。雖然很少有生產(chǎn)系統(tǒng)會達(dá)到同樣的極端情況，但在這些示例中，參數(shù)數(shù)量對性能的影響將在實(shí)際應(yīng)用中產(chǎn)生連鎖反應(yīng)。模型大小的增長給實(shí)施者帶來了挑戰(zhàn)。如果不能完全依靠芯片擴(kuò)展路線圖，就需要其他解決方案來滿足對模型容量增加部分的需求，而且成本要與部署規(guī)模相適應(yīng)。這種增長要求采用定制化的架構(gòu)，以最大限度地發(fā)揮每個(gè)可用晶體管的性能。

　　圖1：模型大小的增長速度（來源：Linley Group）

　　Parameters （log scale）：參數(shù)（對數(shù)刻度）

　　Image-processing models：圖像處理模型

　　Language-processing models：語言處理模型

　　隨著參數(shù)數(shù)量快速增長，深度學(xué)習(xí)架構(gòu)也在快速演進(jìn)。當(dāng)深度神經(jīng)網(wǎng)絡(luò)繼續(xù)廣泛使用傳統(tǒng)卷積、全連接層和池化層的組合時(shí)，市場上也出現(xiàn)了其它結(jié)構(gòu)，諸如自然語言處理（NLP）中的自注意力網(wǎng)絡(luò)。它們?nèi)匀恍枰咚倬仃嚭兔嫦驈埩康乃惴?，但是存儲訪問模式的變化可能會給圖形處理器（GPU）和當(dāng)前現(xiàn)有的加速器帶來麻煩。

　　結(jié)構(gòu)上的變化意味著諸如每秒萬億次操作（TOps）等常用指標(biāo)的相關(guān)性在降低。通常情況下，處理引擎無法達(dá)到其峰值TOps分?jǐn)?shù)，因?yàn)槿绻桓淖兡Ｐ偷奶幚矸绞?，存儲和?shù)據(jù)傳輸基礎(chǔ)設(shè)施就無法提供足夠的吞吐量。例如，批處理輸入樣本是一種常見的方法，因?yàn)樗ǔ？梢蕴岣咴S多架構(gòu)上可用的并行性。但是，批處理增加了響應(yīng)的延遲，這在實(shí)時(shí)推理應(yīng)用中通常是不可接受的。

　　數(shù)值靈活性是實(shí)現(xiàn)高吞吐量的一種途徑

　　提高推理性能的一種途徑是使計(jì)算的數(shù)值分辨率去適應(yīng)各個(gè)獨(dú)立層的需求，這也代表了與架構(gòu)的快速演進(jìn)相適應(yīng)。一般來說，與訓(xùn)練所需的精度相比，許多深度學(xué)習(xí)模型在推理過程中可以接受明顯的精度損失和增加的量化誤差，而訓(xùn)練通常使用標(biāo)準(zhǔn)或雙精度浮點(diǎn)算法進(jìn)行。這些格式能夠在非常寬的動態(tài)范圍內(nèi)支持高精度數(shù)值。這一特性在訓(xùn)練中很重要，因?yàn)橛?xùn)練中常見的反向傳播算法需要在每次傳遞時(shí)對許多權(quán)重進(jìn)行細(xì)微更改，以確保收斂。

　　通常來說，浮點(diǎn)運(yùn)算需要大量的硬件支持才能實(shí)現(xiàn)高分辨率數(shù)據(jù)類型的低延遲處理，它們最初被開發(fā)用來支持高性能計(jì)算機(jī)上的科學(xué)應(yīng)用，完全支持它所需的開銷并不是一個(gè)主要問題。

　　許多推理部署都將模型轉(zhuǎn)換為使用定點(diǎn)運(yùn)算操作，這大大降低了精度。在這些情況下，對準(zhǔn)確性的影響通常是最小的。事實(shí)上，有些層可以轉(zhuǎn)換為使用極其有限的數(shù)值范圍，甚至二進(jìn)制或三進(jìn)制數(shù)值也都是可行的選擇。

　　然而，整數(shù)運(yùn)算并不總是一種有效的解決方案。有些濾波器和數(shù)據(jù)層就需要高動態(tài)范圍。為了滿足這一要求，整數(shù)硬件可能需要以24位或32位字長來處理數(shù)據(jù)，這將比8位或16位的整數(shù)數(shù)據(jù)類型消耗更多的資源，這些數(shù)據(jù)類型很容易在典型的單指令多數(shù)據(jù)（SIMD）加速器中得到支持。

　　一種折衷方案是使用窄浮點(diǎn)格式，例如適合16位字長的格式。這種選擇可以實(shí)現(xiàn)更大的并行性，但它并沒有克服大多數(shù)浮點(diǎn)數(shù)據(jù)類型固有的性能障礙。問題在于，在每次計(jì)算后，浮點(diǎn)格式的兩部分都需要進(jìn)行調(diào)整，因?yàn)槲矓?shù)的最高有效位沒有顯式存儲。因此，指數(shù)的大小需要通過一系列的邏輯移位操作來調(diào)整，以確保隱含的前導(dǎo)“1”始終存在。這種規(guī)范化操作的好處是任何單個(gè)數(shù)值都只有一種表示形式，這對于用戶應(yīng)用程序中的軟件兼容性很重要。然而，對于許多信號處理和人工智能推理常規(guī)運(yùn)算來說，這是不必要的。

　　這些操作的大部分硬件開銷都可以通過在每次計(jì)算后無需標(biāo)準(zhǔn)化尾數(shù)和調(diào)整指數(shù)來避免。這是塊浮點(diǎn)算法所采用的方法，這種數(shù)據(jù)格式已被用于標(biāo)準(zhǔn)定點(diǎn)數(shù)字信號處理（DSP），以提高其在移動設(shè)備的音頻處理算法、數(shù)字用戶線路（DSL）調(diào)制解調(diào)器和雷達(dá)系統(tǒng)上的性能。

　　圖2：塊浮點(diǎn)計(jì)算示例

　　manTIssa：尾數(shù)

　　block exponent：塊指數(shù)

　　使用塊浮點(diǎn)算法，無需將尾數(shù)左對齊。用于一系列計(jì)算的數(shù)據(jù)元素可以共享相同的指數(shù)，這一變化簡化了執(zhí)行通道的設(shè)計(jì)。對占據(jù)相似動態(tài)范圍的數(shù)值進(jìn)行四舍五入造成的精度損失可被降到最小。在設(shè)計(jì)時(shí)就要為每個(gè)計(jì)算塊選擇合適的范圍。在計(jì)算塊完成后，退出函數(shù)就可以對數(shù)值進(jìn)行四舍五入和標(biāo)準(zhǔn)化處理，以便在需要時(shí)將它們用作常規(guī)的浮點(diǎn)值。

　　支持塊浮點(diǎn)格式是機(jī)器學(xué)習(xí)處理器（MLP）的功能之一。Achronix的Speedster®7t FPGA器件和Speedcore™ eFPGA架構(gòu)提供了這種高度靈活的算術(shù)邏輯單元。機(jī)器學(xué)習(xí)處理器針對人工智能應(yīng)用所需的點(diǎn)積和類似矩陣運(yùn)算進(jìn)行了優(yōu)化。相比傳統(tǒng)浮點(diǎn)，這些機(jī)器學(xué)習(xí)處理器對塊浮點(diǎn)的支持提供了實(shí)質(zhì)性的改進(jìn)。16位塊浮點(diǎn)運(yùn)算的吞吐量是傳統(tǒng)的半精度浮點(diǎn)運(yùn)算的8倍，使其與8位整數(shù)運(yùn)算的速度一樣快，與僅以整數(shù)形式的運(yùn)算相比，有功功耗僅增加了15％。

　　另一種可能很重要的數(shù)據(jù)類型是TensorFloat 32（TF32）格式，與標(biāo)準(zhǔn)精度格式相比，該格式的精度有所降低，但保持了較高的動態(tài)范圍。TF32也缺乏塊指數(shù)處理的優(yōu)化吞吐量，但對于一些應(yīng)用是有用的，在這些應(yīng)用中，使用TensorFlow和類似環(huán)境所創(chuàng)建的模型的易于移植性是很重要的。Speedster7t FPGA中機(jī)器學(xué)習(xí)處理器所具有的高度靈活性使得使用24位浮點(diǎn)模式來處理TF32算法成為可能。此外，機(jī)器學(xué)習(xí)處理器的高度可配置性意味著可以支持一個(gè)全新的、塊浮點(diǎn)版本的TF32，其中四個(gè)樣本共享同一個(gè)指數(shù)。機(jī)器學(xué)習(xí)處理器支持的塊浮點(diǎn)TF32，其密度是傳統(tǒng)TF32的兩倍。

　　圖3：機(jī)器學(xué)習(xí)處理器（MLP）的結(jié)構(gòu)

　　Wireless：無線

　　AI/ML：人工智能/機(jī)器學(xué)習(xí)

　　Input Values：輸入值

　　Input Layer：輸入層

　　Hidden Layer 1：隱藏層1

　　Hidden Layer 2：隱藏層2

　　Output Layer：輸出層

　　處理靈活性優(yōu)化了算法支持

　　雖然機(jī)器學(xué)習(xí)處理器能夠支持多種數(shù)據(jù)類型，這對于推理應(yīng)用而言是至關(guān)重要的，但只有成為FPGA架構(gòu)的一部分，它的強(qiáng)大功能才能釋放出來?？奢p松定義不同互連結(jié)構(gòu)的能力使FPGA從大多數(shù)架構(gòu)中脫穎而出。在FPGA中同時(shí)定義互連和算術(shù)邏輯的能力簡化了構(gòu)建一種平衡架構(gòu)的過程。設(shè)計(jì)人員不僅能夠?yàn)樽远x數(shù)據(jù)類型構(gòu)建直接支持，還可以去定義最合適的互連結(jié)構(gòu)，來將數(shù)據(jù)傳入和傳出處理引擎。可重編程的特性進(jìn)一步提供了應(yīng)對人工智能快速演進(jìn)的能力。通過修改FPGA的邏輯可以輕松支持自定義層中數(shù)據(jù)流的變化。

　　FPGA的一個(gè)主要優(yōu)勢是可以輕松地在優(yōu)化的嵌入式計(jì)算引擎和由查找表單元實(shí)現(xiàn)的可編程邏輯之間切換功能。一些功能可以很好地映射到嵌入式計(jì)算引擎上，例如Speedster7t MLP。又如，較高精度的算法最好分配給機(jī)器學(xué)習(xí)處理器（MLP），因?yàn)樵黾拥奈粚挄?dǎo)致功能單元的大小呈指數(shù)增長，這些功能單元是用來實(shí)現(xiàn)諸如高速乘法之類的功能。

　　較低精度的整數(shù)運(yùn)算通?？梢杂行У胤峙浣oFPGA架構(gòu)中常見的查找表（LUT）。設(shè)計(jì)人員可以選擇使用簡單的位串行乘法器電路來實(shí)現(xiàn)高延遲、高并行性的邏輯陣列?；蛘撸麄兛梢酝ㄟ^構(gòu)建進(jìn)位保存和超前進(jìn)位的加法器等結(jié)構(gòu)來為每個(gè)功能分配更多的邏輯，這些結(jié)構(gòu)通常用來實(shí)現(xiàn)低延遲的乘法器。通過Speedster7t FPGA器件中獨(dú)特的LUT配置增強(qiáng)了對高速算法的支持，其中LUT提供了一種實(shí)現(xiàn)Booth編碼的高效機(jī)制，這是一種節(jié)省面積的乘法方法。

　　結(jié)果是，對于一個(gè)給定的位寬，實(shí)現(xiàn)整數(shù)乘法器所需的LUT數(shù)量可以減半。隨著機(jī)器學(xué)習(xí)中的隱私和安全性等問題變得越來越重要，應(yīng)對措施可能是在模型中部署同態(tài)加密形式。這些協(xié)議通常涉及非常適合于LUT實(shí)現(xiàn)的模式和位域操作，有助于鞏固FPGA作為人工智能未來驗(yàn)證技術(shù)的地位。

　　數(shù)據(jù)傳輸是吞吐量的關(guān)鍵

　　為了在機(jī)器學(xué)習(xí)環(huán)境中充分利用數(shù)值自定義，周圍的架構(gòu)也同樣重要。在越來越不規(guī)范的圖形表示中，能隨時(shí)在需要的地方和時(shí)間傳輸數(shù)據(jù)是可編程硬件的一個(gè)關(guān)鍵優(yōu)勢。但是，并非所有的FPGA架構(gòu)都是一樣的。

　　傳統(tǒng)FPGA架構(gòu)的一個(gè)問題是，它們是從早期應(yīng)用演變而來的；但在早期應(yīng)用中，其主要功能是實(shí)現(xiàn)接口和控制電路邏輯。隨著時(shí)間的推移，由于這些器件為蜂窩移動通信基站制造商提供了一種從愈發(fā)昂貴的ASIC中轉(zhuǎn)移出來的方法，F(xiàn)PGA架構(gòu)結(jié)合了DSP模塊來處理濾波和信道估計(jì)功能。原則上，這些DSP模塊都可以處理人工智能功能。但是，這些模塊最初設(shè)計(jì)主要是用于處理一維有限沖激響應(yīng)（1D FIR）濾波器，這些濾波器使用一個(gè)相對簡單的通道通過處理單元傳輸數(shù)據(jù)，一系列固定系數(shù)在該通道中被應(yīng)用于連續(xù)的樣本流。

　　傳統(tǒng)的處理器架構(gòu)對卷積層的支持相對簡單，而對其他的則更為復(fù)雜。例如，全連接層需要將一層中每個(gè)神經(jīng)元的輸出應(yīng)用到下一層的所有神經(jīng)元上。其結(jié)果是，算術(shù)邏輯單元之間的數(shù)據(jù)流比傳統(tǒng)DSP應(yīng)用中的要復(fù)雜得多，并且在吞吐量較高的情況下，會給互連帶來更大的壓力。

　　盡管諸如DSP內(nèi)核之類的處理引擎可以在每個(gè)周期中生成一個(gè)結(jié)果，但FPGA內(nèi)部的布線限制可能導(dǎo)致無法足夠快速地將數(shù)據(jù)傳遞給它。通常，對于專為許多傳統(tǒng)FPGA設(shè)計(jì)的、通信系統(tǒng)中常見的1D FIR濾波器來說，擁塞不是問題。每個(gè)濾波階段所產(chǎn)生的結(jié)果都可以輕松地傳遞到下一個(gè)階段。但是，張量操作所需的更高的互連以及機(jī)器學(xué)習(xí)應(yīng)用較低的數(shù)據(jù)局部性，使得互連對于任何實(shí)現(xiàn)而言都更加重要。

　　圖4：濾波器和人工智能數(shù)據(jù)流

　　Memory Cascade Out：存儲級聯(lián)輸出

　　Operand Cascade in：操作數(shù)級聯(lián)

　　Register File：寄存器文件

　　Fracturable：可分割

　　Adder/Accumulator：加法器/累加器

　　Memory Cascade in：存儲級聯(lián)

　　機(jī)器學(xué)習(xí)中的數(shù)據(jù)局部性問題需要注意多層級的互連設(shè)計(jì)。由于在最有效的模型中參數(shù)數(shù)量龐大，片外數(shù)據(jù)存儲通常是必需的。關(guān)鍵要求是可以在需要時(shí)以低延遲傳輸數(shù)據(jù)的機(jī)制，并使用靠近處理引擎的高效便箋式存儲器，以最有效地利用預(yù)取以及其他使用可預(yù)測訪問模式的策略，來確保數(shù)據(jù)在合適的時(shí)間可用。

　　在Speedster7t架構(gòu)中，有以下三項(xiàng)用于數(shù)據(jù)傳輸?shù)膭?chuàng)新：

　　·優(yōu)化的存儲層次結(jié)構(gòu)

　　·高效的本地布線技術(shù)

　　·一個(gè)用于片內(nèi)和片外數(shù)據(jù)傳輸?shù)母咚俣S片上網(wǎng)絡(luò)（2D NoC）

　　傳統(tǒng)的FPGA通常具有分布在整個(gè)邏輯架構(gòu)上的片上RAM塊，這些RAM塊被放置在距離處理引擎有一定距離的地方。對于典型的FPGA設(shè)計(jì)來說，這種選擇是一種有效的架構(gòu)，但在人工智能環(huán)境中，它帶來了額外的和不必要的布線開銷。在Speedster7t架構(gòu)中，每個(gè)機(jī)器學(xué)習(xí)處理器（MLP）都與一個(gè)72kb的雙端口塊RAM（BRAM72k）和一個(gè)較小的2kb的雙端口邏輯RAM（LRAM2k）相關(guān)聯(lián)，其中LRAM2k可以作為一個(gè)緊密耦合的寄存器文件。

　　可以通過FPGA布線資源分別訪問機(jī)器學(xué)習(xí)處理器（MLP）及其相關(guān)聯(lián)的存儲器。但是，如果一個(gè)存儲器正在驅(qū)動關(guān)聯(lián)的MLP，則它可以使用直接連接，從而卸載FPGA布線資源并提供高帶寬連接。

　　在人工智能應(yīng)用中，BRAM可以作為一個(gè)存儲器，用于存儲那些預(yù)計(jì)不會在每個(gè)周期中發(fā)生變化的值，諸如神經(jīng)元權(quán)重和激活值。LRAM更適合存儲只有短期數(shù)據(jù)局部性的臨時(shí)值，諸如輸入樣本的短通道以及用于張量收縮和池化活動的累積值。

　　該架構(gòu)考慮到需要能夠?qū)⒋笮蛷?fù)雜的層劃分為可并行操作的段，并為每個(gè)段提供臨時(shí)數(shù)據(jù)值。BRAM和LRAM都具有級聯(lián)連接功能，可輕松支持機(jī)器學(xué)習(xí)加速器中常用的脈動陣列的構(gòu)建。

　　圖5：具有存儲和級聯(lián)連接功能的MLP

　　MLP可以從邏輯陣列、共享數(shù)據(jù)的級聯(lián)路徑以及關(guān)聯(lián)的BRAM72k和LRAM2k逐周期驅(qū)動。這種安排能夠構(gòu)建復(fù)雜的調(diào)度機(jī)制和數(shù)據(jù)處理通道，使MLP持續(xù)得到數(shù)據(jù)支持，同時(shí)支持神經(jīng)元之間盡可能廣泛的連接模式。為MLP持續(xù)提供數(shù)據(jù)是提高有效TOps算力的關(guān)鍵。

　　MLP的輸出具有同樣的靈活性，能夠創(chuàng)建脈動陣列和更復(fù)雜的布線拓?fù)?，從而為深度學(xué)習(xí)模型中可能需要的每種類型的層提供優(yōu)化的架構(gòu)。

　　MulTIplier / mulTIplicand fracTIons after converting inputs to have the same exponent：將輸入轉(zhuǎn)換為具有相同指數(shù)后的乘數(shù)/被乘數(shù)分?jǐn)?shù)

　　Multiplier block exponent：乘數(shù)塊指數(shù)

　　Multiplicand block exponent：被乘數(shù)塊指數(shù)

　　Integer Multiply / Add Tree：整數(shù)乘法/加法樹：

　　Convert to Floating Point：轉(zhuǎn)換為浮點(diǎn)

　　Floating Point Accumulation：浮點(diǎn)累加

　　Round to desired precision：四舍五入到所需精度

　　Speedster7t架構(gòu)中的2D NoC提供了從邏輯陣列的可編程邏輯到位于I/O環(huán)中的高速接口子系統(tǒng)的高帶寬連接，用于連接到片外資源。它們包括用于高速存儲訪問的GDDR6和諸如PCIe Gen5和400G以太網(wǎng)等片內(nèi)互連協(xié)議。這種結(jié)構(gòu)支持構(gòu)建高度并行化的架構(gòu)，以及基于中央FPGA的高度數(shù)據(jù)優(yōu)化的加速器。

　　通過將高密度數(shù)據(jù)包路由到分布在整個(gè)邏輯陣列上的數(shù)百個(gè)接入點(diǎn)，2D NoC使得大幅增加FPGA上的可用帶寬成為可能。傳統(tǒng)的FPGA必須使用數(shù)千個(gè)單獨(dú)編程的布線路徑來實(shí)現(xiàn)相同的吞吐量，而這樣做會大量吃掉本地的互連資源。通過網(wǎng)絡(luò)接入點(diǎn)將千兆數(shù)據(jù)傳輸?shù)奖镜貐^(qū)域，2D NoC緩解了布線問題，同時(shí)支持輕松而快速地將數(shù)據(jù)傳入和傳出MLP和基于LUT的定制化處理器。

　　相關(guān)的資源節(jié)省是相當(dāng)可觀的——一個(gè)采用傳統(tǒng)FPGA軟邏輯實(shí)現(xiàn)的2D NoC具有64個(gè)NoC接入點(diǎn)（NAP），每個(gè)接入點(diǎn)提供一個(gè)運(yùn)行頻率為400MHz的128位接口，將消耗390kLUT。相比之下，Speedster 7t1500器件中的硬2D NoC具有80個(gè)NAP，不消耗任何FPGA軟邏輯，并且提供了更高的帶寬。

　　使用2D NoC還有其他的一些優(yōu)勢。由于相鄰區(qū)域之間互連擁塞程度較低，因此邏輯設(shè)計(jì)更易于布局。因?yàn)闊o需從相鄰區(qū)域分配資源來實(shí)現(xiàn)高帶寬路徑的控制邏輯，因此設(shè)計(jì)也更加有規(guī)律。另一個(gè)好處是極大地簡化了局部性重新配置——NAP支持單個(gè)區(qū)域成為有效的獨(dú)立單元，這些單元可以根據(jù)應(yīng)用的需要進(jìn)行交換導(dǎo)入和導(dǎo)出。這種可重配置的方法反過來又支持需要在特定時(shí)間使用的不同模型，或者支持片上微調(diào)或定期對模型進(jìn)行再訓(xùn)練這樣的架構(gòu)。

　　結(jié)論

　　隨著模型增大和結(jié)構(gòu)上變得更加復(fù)雜，F(xiàn)PGA正成為一種越來越具吸引力的基礎(chǔ)器件來構(gòu)建高效、低延遲AI推理解決方案，而這要?dú)w功于其對多種數(shù)值數(shù)據(jù)類型和數(shù)據(jù)導(dǎo)向功能的支持。但是，僅僅將傳統(tǒng)的FPGA應(yīng)用于機(jī)器學(xué)習(xí)中是遠(yuǎn)遠(yuǎn)不夠的。機(jī)器學(xué)習(xí)以數(shù)據(jù)為中心的特性需要一種平衡的架構(gòu)，以確保性能不受人為限制?？紤]到機(jī)器學(xué)習(xí)的特點(diǎn)，以及不僅是現(xiàn)在，而且在其未來的開發(fā)需求，Achronix Speedster7t FPGA為AI推理提供了理想的基礎(chǔ)器件。