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)。

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(lái)，英偉達(dá)在高速計(jì)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)。

由深度學(xué)習(xí)驅(qū)動(dòng)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(jì)算機(jī)理解自然語(yǔ)言、進(jìn)行對(duì)話以及自動(dòng)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(jí)增長(zhǎng)，我們是否能將計(jì)算變得更快呢？基于此，英偉達(dá)設(shè)計(jì)了Volta Tensor Core架構(gòu)。

為了更快地計(jì)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(jì)算的軟件和硬件平臺(tái)。Google 是個(gè)典型的例子——他們的研究團(tuán)隊(duì)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(shí)，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)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(shí)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(gè)云實(shí)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(shí)，一個(gè) 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(gè)由 8 個(gè) Tensor Core V100 驅(qū)動(dòng)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(gè)由 8 個(gè) Tensor Core V100 驅(qū)動(dòng)的 AWS P3 云實(shí)例可以在不到 3 小時(shí)內(nèi)完成

ResNet-50 的訓(xùn)練，比 TPU 實(shí)例快 3 倍。

圖 1：Volta Tensor Core GPU 在訓(xùn)練 ResNet-50 時(shí)所取得的速度突破

英偉達(dá) GPU 在對(duì)算法進(jìn)行大規(guī)模并行處理時(shí)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(yàn)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(tái)的巨大進(jìn)步。這種新硬件能加速矩陣乘法和卷積計(jì)算，這些計(jì)算在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)占總計(jì)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(gè) Tesla V100 Tensor Core GPU 用于深度學(xué)習(xí)可以達(dá)到 125 teraflop 的運(yùn)算速度，而 Google TPU 芯片只能達(dá)到 45 teraflop。包含 4 個(gè) TPU 芯片的「Cloud TPU」可以達(dá)到 125 teraflop，相比之下，4 個(gè) V100 芯片可以達(dá)到 500 teraflop。

我們的 CUDA 平臺(tái)使每一個(gè)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(wàn)個(gè)變種。

接下來(lái)是對(duì)Tensor Core架構(gòu)的更深入講解，大家可以在這里看到它獨(dú)特的功能。圖 2 顯示了 Tensor Core 計(jì)算張量的過程，雖然存儲(chǔ)是在低精度的 FP16 中，但是用精度更高的 FP32 來(lái)進(jìn)行計(jì)算，可以在維持精度時(shí)最大化吞吐量。

圖 2：Volta Tensor Core 矩陣乘法計(jì)算

隨著最近的軟件改進(jìn)，目前在單個(gè) 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(chǔ)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(kù)會(huì)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(yùn)算現(xiàn)在的速度非?？?，所以這些轉(zhuǎn)置操作占了總運(yùn)行時(shí)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(gè)張量，MXNet 框架支持這一功能。此外，對(duì)所有其他非卷積層，我們還將優(yōu)化的 NHWC 實(shí)現(xiàn)添加到 MXNet 和 cuDNN 中，從而消除了訓(xùn)練過程中對(duì)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(gè)優(yōu)化是基于阿爾達(dá)姆定律（并行計(jì)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(lái)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(cè)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(jì)算，因此在訓(xùn)練時(shí)對(duì)其他層的計(jì)算占據(jù)了總運(yùn)行時(shí)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(huì)移動(dòng)到 DRAM 或從 DRAM 中移出，因此許多非卷積層的性能會(huì)受到限制?？梢岳闷洗鎯?chǔ)器將連續(xù)的層融合在一起，避免 DRAM traffic。例如，我們?cè)?MXNet 中創(chuàng)建一個(gè)圖優(yōu)化傳遞功能，以檢測(cè)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(jiǎn)單地使用 NNVM（神經(jīng)網(wǎng)絡(luò)虛擬機(jī)，Neural Network Virtual Machine）來(lái)實(shí)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(gè)深度學(xué)習(xí)框架之中，包括 TensorFlow、PyTorch 和 MXNet 。我們利用單個(gè) 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(shí)，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?cè)趩螜C(jī)測(cè)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(shí)現(xiàn)性能的提升。

創(chuàng)紀(jì)錄的最高單節(jié)點(diǎn)速度

多個(gè) GPU 可以作為單節(jié)點(diǎn)運(yùn)行，以實(shí)現(xiàn)更高的吞吐量。然而，在將多個(gè) GPU 縮到單服務(wù)節(jié)點(diǎn)中工作時(shí)，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(gè) GPU 作為單服務(wù)器運(yùn)行，實(shí)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(jì)算達(dá)到 petaflop 量級(jí)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(gè)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(shí)性能會(huì)受到限制。而且，在這種框架下，對(duì)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(cè)準(zhǔn)確性。而因?yàn)樵谟?xùn)練時(shí)，有 8 個(gè) GPU 在進(jìn)行運(yùn)算操作，這會(huì)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(gè)問題，我們開發(fā)了 DALI（Data Augmentation Library，數(shù)據(jù)擴(kuò)充庫(kù)），這是一個(gè)與框架無(wú)關(guān)的庫(kù)，可以將計(jì)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(dòng)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(diǎn)上的計(jì)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(gè)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(gè) Tesla V100 GPU 的DGX-2。

創(chuàng)紀(jì)錄的單個(gè)云實(shí)例處理速度

我們使用單 GPU 和單節(jié)點(diǎn)運(yùn)行來(lái)訓(xùn)練 ResNet-50（90 epoch），使預(yù)測(cè)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(shí)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(duì)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(gè) V100 Tensor Core GPU，在一個(gè) AWS P3 實(shí)例上用 ImageNet 訓(xùn)練 ResNet-50。他們對(duì)算法進(jìn)行創(chuàng)新，調(diào)節(jié)了一系列超參數(shù)，不到 3 個(gè)小時(shí)就將模型訓(xùn)練好了，這比基于云實(shí)例的 TPU 計(jì)算（需要將近 9 個(gè)小時(shí)來(lái)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(jí)增長(zhǎng)

自從 Alex Krizhevsky 利用兩塊 GTX 580 GPU 贏得了 ImageNet 比賽，我們?cè)谏疃葘W(xué)習(xí)加速方面所取得的進(jìn)步令人難以置信。Krizhevsky 當(dāng)時(shí)花了 6 天時(shí)間來(lái)訓(xùn)練他的神經(jīng)網(wǎng)絡(luò)——AlexNet，這一網(wǎng)絡(luò)在當(dāng)時(shí)的表現(xiàn)優(yōu)于所有其他的圖像識(shí)別方法，引發(fā)了一場(chǎng)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(shí)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(shí)間

Facebook 人工智能研究院（FAIR）開源了他們的語(yǔ)言翻譯模型 Fairseq，在不到一年的時(shí)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(shí)實(shí)現(xiàn)了 10 倍的加速。

圖 8：訓(xùn)練 Fairseq 所需要的時(shí)間

圖像識(shí)別和語(yǔ)言翻譯僅僅是研究人員用 AI 力量解決無(wú)數(shù)難題的用例之一。Github 上共有超過 6 萬(wàn)個(gè)使用 GPU 加速框架的神經(jīng)網(wǎng)絡(luò)項(xiàng)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(zhǎng)久的進(jìn)步得益于我們對(duì) GPU 加速計(jì)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(jì)算庫(kù)和深度軟件棧（cuDNN，NCCL，NGC) 到加速所有的 DL 框架，英偉達(dá)對(duì) AI 的承諾為 AI 開發(fā)者提供了無(wú)與倫比的靈活性。

我們將繼續(xù)優(yōu)化整個(gè)堆棧，并持續(xù)實(shí)現(xiàn)性能的指數(shù)級(jí)提升，為 AI 社群提供推動(dòng)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(dòng)出無(wú)數(shù)用例。理想的 AI 計(jì)算平臺(tái)需要提供出色的性能，能支持龐大且不斷增長(zhǎng)的模型，并具備可編程性，以應(yīng)對(duì)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(huì)將 16 塊 Tesla V100 整合到一個(gè)單服務(wù)器節(jié)點(diǎn)中，以創(chuàng)建世界上最快的計(jì)算服務(wù)器，提供 2 petaflops 的計(jì)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(gè) AI 社群中的廣泛使用，將帶來(lái)下一場(chǎng) AI 變革。

無(wú)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(wàn)個(gè)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(dòng)力。