來源：微軟研究院AI頭條

概要：1月17日，院友袁進(jìn)輝博士回到微軟亞洲研究院做了題為《打造最強深度學(xué)習(xí)引擎》的報告，分享了深度學(xué)習(xí)框架方面的技術(shù)進(jìn)展。

1月17日，院友袁進(jìn)輝博士回到微軟亞洲研究院做了題為《打造最強深度學(xué)習(xí)引擎》的報告，分享了深度學(xué)習(xí)框架方面的技術(shù)進(jìn)展。報告中主要講解了何為最強的計算引擎？專用硬件為什么快？大規(guī)模專用硬件面臨著什么問題？軟件構(gòu)架又應(yīng)該解決哪些問題？

首先，我們一起來開一個腦洞：想象一個最理想的深度學(xué)習(xí)引擎應(yīng)該是什么樣子的，或者說深度學(xué)習(xí)引擎的終極形態(tài)是什么？看看這會給深度學(xué)習(xí)框架和AI專用芯片研發(fā)帶來什么啟發(fā)。

以大家耳熟能詳?shù)木矸e神經(jīng)網(wǎng)絡(luò)CNN 為例，可以感覺一下目前訓(xùn)練深度學(xué)習(xí)模型需要多少計算力。下方這張表列出了常見CNN模型處理一張圖片需要的內(nèi)存容量和浮點計算次數(shù)，譬如VGG-16網(wǎng)絡(luò)處理一張圖片就需要16Gflops。值得注意的是，基于ImageNet數(shù)據(jù)集訓(xùn)練CNN，數(shù)據(jù)集一共大約120萬張圖片，訓(xùn)練算法需要對這個數(shù)據(jù)集掃描100遍（epoch），這意味著10^18次浮點計算，即1exaFlops。簡單演算一下可發(fā)現(xiàn)，基于一個主頻為2.0GHz的CPU core來訓(xùn)練這樣的模型需要好幾年的時間。

專用硬件比通用硬件（如CPU、GPU）快，有多種原因，主要包括：（1）通用芯片一般經(jīng)歷“取指-譯碼-執(zhí)行”（甚至包括“取數(shù)據(jù)”）的步驟才能完成一次運算，專用硬件大大減小了“取指-譯碼”等開銷，數(shù)據(jù)到達(dá)即執(zhí)行；（2）專用硬件控制電路復(fù)雜度低，可以在相同的面積下集成更多對運算有用的器件，可以在一個時鐘周期內(nèi)完成通用硬件需要數(shù)千上萬個時鐘周期才能完成的操作；（3）專用硬件和通用硬件內(nèi)都支持流水線并行，硬件利用率高；（4）專用硬件片內(nèi)帶寬高，大部分?jǐn)?shù)據(jù)在片內(nèi)傳輸。顯然，如果不考慮物理現(xiàn)實，不管什么神經(jīng)網(wǎng)絡(luò)，不管問題的規(guī)模有多大，都實現(xiàn)一套專用硬件是效率最高的做法。問題是，這行得通嗎？

現(xiàn)實中，不管是通用硬件（如GPU)還是專用硬件（如TPU) 都可以通過高速互聯(lián)技術(shù)連接在一起，通過軟件協(xié)調(diào)多個設(shè)備來完成大規(guī)模計算。使用最先進(jìn)的互聯(lián)技術(shù)，設(shè)備和設(shè)備之間傳輸帶寬可以達(dá)到100Gbps或者更多，這比設(shè)備內(nèi)部帶寬低上一兩個數(shù)量級，不過幸好，如果軟件“調(diào)配得當(dāng)”，在這個帶寬條件下也可能使得硬件計算飽和。當(dāng)然，“調(diào)配得當(dāng)”技術(shù)挑戰(zhàn)極大，事實上，單個設(shè)備速度越快，越難把多個設(shè)備“調(diào)配得當(dāng)”。

當(dāng)前深度學(xué)習(xí)普遍采用隨機梯度下降算法（SGD)，一般一個GPU處理一小塊兒數(shù)據(jù)只需要100毫秒的時間，那么問題的關(guān)鍵就成了，“調(diào)配”算法能否在100毫秒的時間內(nèi)為GPU處理下一塊數(shù)據(jù)做好準(zhǔn)備，如果可以的話，那么GPU就會一直保持在運算狀態(tài)，如果不可以，那么GPU就要間歇性的停頓，意味著設(shè)備利用率降低。理論上是可以的，有個叫運算強度（Arithmetic intensity）的概念，即flops per byte，表示一個字節(jié)的數(shù)據(jù)上發(fā)生的運算量，只要這個運算量足夠大，意味著傳輸一個字節(jié)可以消耗足夠多的計算量，那么即使設(shè)備間傳輸帶寬低于設(shè)備內(nèi)部帶寬，也有可能使得設(shè)備處于滿負(fù)荷狀態(tài)。進(jìn)一步，如果采用比GPU更快的設(shè)備，那么處理一塊兒數(shù)據(jù)的時間就比100毫秒更低，譬如10毫秒，在給定的帶寬條件下，“調(diào)配”算法能用10毫秒的時間為下一次計算做好準(zhǔn)備嗎？事實上，即使是使用不那么快(相對于TPU 等專用芯片)的GPU，當(dāng)前主流的深度學(xué)習(xí)框架在某些場景（譬如模型并行）已經(jīng)力不從心了。

一個通用的深度學(xué)習(xí)軟件框架要能對任何給定的神經(jīng)網(wǎng)絡(luò)和可用資源都能最高效的“調(diào)配”硬件，這需要解決三個核心問題：（1）資源分配，包括計算核心，內(nèi)存，傳輸帶寬三種資源的分配，需要綜合考慮局部性和負(fù)載均衡的問題；（2）生成正確的數(shù)據(jù)路由（相當(dāng)于前文想象的專用硬件之間的連線問題）；（3）高效的運行機制，完美協(xié)調(diào)數(shù)據(jù)搬運和計算，硬件利用率最高。

事實上，這三個問題都很挑戰(zhàn)，本文暫不討論其解法，假設(shè)我們能夠解決這些問題的話，會有什么好處呢？

假設(shè)我們能解決前述的三個軟件上的難題，那就能“魚與熊掌兼得”：軟件發(fā)揮靈活性，硬件發(fā)揮高效率，任給一個深度學(xué)習(xí)任務(wù)，用戶不需要重新連線，就能享受那種“無限大專用硬件”的性能，何其美好。更令人激動的是，當(dāng)這種軟件得以實現(xiàn)時，專用硬件可以比現(xiàn)在所有AI芯片都更簡單更高效。讀者可以先想象一下怎么實現(xiàn)這種美好的前景。

讓我們重申一下幾個觀點：（1）軟件真的非常關(guān)鍵；（2）我們對宏觀層次（設(shè)備和設(shè)備之間）的優(yōu)化更感興趣；（3）深度學(xué)習(xí)框架存在一個理想的實現(xiàn)，正如柏拉圖心中那個最圓的圓，當(dāng)然現(xiàn)有的深度學(xué)習(xí)框架還相距甚遠(yuǎn)；（4）各行各業(yè)的公司，只要有數(shù)據(jù)驅(qū)動的業(yè)務(wù)，最終都需要一個自己的“大腦”，這種“大腦”不應(yīng)該只被少數(shù)巨頭公司獨享。