安富利：FPGA加速AI推理加速成功應(yīng)用案例

如今，基于深度學(xué)習(xí)（DL）的人工智能（AI）應(yīng)用越來越廣泛，不論是在與個(gè)人消費(fèi)者相關(guān)的智能家居、智能駕駛等領(lǐng)域，還是在視頻監(jiān)控、智慧城市等公共管理領(lǐng)域，我們都能看到其身影。

眾所周知，實(shí)施一個(gè)完整的AI應(yīng)用需要經(jīng)歷訓(xùn)練和推理兩個(gè)過程。所謂“訓(xùn)練”，就是我們要將大量的數(shù)據(jù)代入到神經(jīng)網(wǎng)絡(luò)模型中運(yùn)算并反復(fù)迭代，“教會”算法模型如何正確的工作，訓(xùn)練出一個(gè)DL模型。而接下來，我們就可以利用訓(xùn)練出來的模型來在線響應(yīng)用戶的需求，根據(jù)輸入的新數(shù)據(jù)做出正確而及時(shí)的決策判斷，這個(gè)過程就是“推理”。

通常來講，一個(gè)AI應(yīng)用中“訓(xùn)練”只需要做一次——有時(shí)這個(gè)工作會交給第三方專業(yè)的且有充沛算力資源的團(tuán)隊(duì)去做，而應(yīng)用開發(fā)工程師要做的則是將訓(xùn)練好的模型部署到特定的硬件平臺上，滿足目標(biāo)應(yīng)用場景中推理過程的需要。由于推理過程會直接聯(lián)系最終用戶，推理的準(zhǔn)確性和速度也會直接影響到用戶體驗(yàn)的好壞，因此如何有效地為AI推理做加速，也就成了當(dāng)下開發(fā)者普遍關(guān)心的一個(gè)熱門的話題。

AI推理加速，FPGA勝出！

從硬件架構(gòu)來看，可以支持AI推理加速的有四個(gè)可選方案，它們分別是：CPU、GPU、FPGA和ASIC，如果對這幾類器件的特性進(jìn)行比較，會發(fā)現(xiàn)按照從左到右的順序，器件的靈活性/適應(yīng)性是遞減的，而處理能力和性能功耗比則是遞增的。

CPU是基于馮?諾依曼架構(gòu)，雖然其很靈活，但由于存儲器訪問往往要耗費(fèi)幾個(gè)時(shí)鐘周期才能執(zhí)行一個(gè)簡單的任務(wù)，延遲會很長，應(yīng)對神經(jīng)網(wǎng)絡(luò)（NN）這種計(jì)算密集型的任務(wù)，功耗也會比較大，顯然最不適合做AI推理。

GPU具有強(qiáng)大的數(shù)據(jù)并行處理能力，在做海量數(shù)據(jù)訓(xùn)練方面優(yōu)勢明顯，而推理計(jì)算通常一次只對一個(gè)輸入項(xiàng)進(jìn)行處理的應(yīng)用，GPU并行計(jì)算的優(yōu)勢發(fā)揮不出來，再加上其功耗相對較大，所以在AI推理方面也不是最優(yōu)選擇。

從高性能和低功耗的角度來看，定制的ASIC似乎是一種理想的解決方案，但其開發(fā)周期長、費(fèi)用高，對于總是處于快速演進(jìn)和迭代中的DL和NN算法來說，靈活性嚴(yán)重受限，風(fēng)險(xiǎn)太大，在AI推理中人們通常不會考慮它。

所以我們的名單上只剩下FPGA了。這些年來大家對于FPGA快速、靈活和高效的優(yōu)點(diǎn)認(rèn)識越來越深入，硬件可編程的特性使其能夠針對DL和NN處理的需要做針對性的優(yōu)化，提供充足的算力，而同時(shí)又保持了足夠的靈活性。今天基于FPGA的異構(gòu)計(jì)算平臺，除了可編程邏輯，還會集成多個(gè)Arm處理器內(nèi)核、DSP、片上存儲器等資源，DL所需的處理能力可以很好地映射到這些FPGA資源上，而且所有這些資源都可以并行工作 ，即每個(gè)時(shí)鐘周期可觸發(fā)多達(dá)數(shù)百萬個(gè)同時(shí)的操作，這對于AI推理是再合適不過了。

與CPU和GPU相比，F(xiàn)PGA在AI推理應(yīng)用方面的優(yōu)勢還表現(xiàn)在：

• 不受數(shù)據(jù)類型的限制，比如它可以處理非標(biāo)準(zhǔn)的低精度數(shù)據(jù)，從而提高數(shù)據(jù)處理的吞吐量。

v功耗更低，針對相同的NN計(jì)算，F(xiàn)PGA與CPU/GPU相比平均功耗低5~10倍。

• 可通過重新編程以適應(yīng)不同任務(wù)的需要，這種靈活性對于適應(yīng)持續(xù)發(fā)展中的DL和NN算法尤為關(guān)鍵。
• 應(yīng)用范圍廣，從云端到邊緣端的AI推理工作，都可勝任。

總之一句話，在AI推理計(jì)算的競爭中，F(xiàn)PGA的勝出沒有懸念。

GPU無縫對接，F(xiàn)PGA即插即用

不過，雖然FPGA看上去“真香”，但是很多AI應(yīng)用的開發(fā)者還是對其“敬而遠(yuǎn)之”，究其原因最重要的一點(diǎn)就是——FPGA上手使用太難了！

難點(diǎn)主要體現(xiàn)在兩個(gè)方面：

• 首先，對FPGA進(jìn)行編程需要特定的技能和知識，要熟悉專門的硬件編程語言，還要熟練使用FPGA的特定工具，才能通過綜合、布局和布線等復(fù)雜的步驟來編譯設(shè)計(jì)。這對于很多嵌入式工程師來說，完全是一套他們所不熟悉的“語言”。
• 再有，因?yàn)楹芏郉L模型是在GPU等計(jì)算架構(gòu)上訓(xùn)練出來的，這些訓(xùn)練好的模型移植、部署到FPGA上時(shí)，很可能會遇到需要重新訓(xùn)練和調(diào)整參數(shù)等問題，這要求開發(fā)者有專門的AI相關(guān)的知識和技能。

如何能夠降低大家在AI推理中使用FPGA的門檻？在這方面，Mipsology公司給我們帶來了一個(gè)“驚喜”——該公司開發(fā)了一種基于FPGA的深度學(xué)習(xí)推理引擎Zebra，可以讓開發(fā)者在“零努力（Zero Effort）”的情況下，對GPU訓(xùn)練的模型代碼進(jìn)行轉(zhuǎn)換，使其能夠在FPGA上運(yùn)行，而無需改寫任何代碼或者進(jìn)行重新訓(xùn)練。

這也就意味著，調(diào)整NN參數(shù)甚至改變神經(jīng)網(wǎng)絡(luò)并不需要強(qiáng)制重新編譯FPGA，而這些重新編譯工作可能需要花費(fèi)數(shù)小時(shí)、數(shù)天，甚至更長時(shí)間?？梢哉f，Zebra讓FPGA對于開發(fā)者成了“透明”的，他們可以在NN模型訓(xùn)練好之后，無縫地從CPU或GPU切換到FPGA進(jìn)行推理，而無需花費(fèi)更多的時(shí)間！

目前，Zebra可以支持Caffe、Caffe2、MXNet和TensorFlow等主流NN框架。在硬件方面，Zebra已經(jīng)可以完美地支持Xilinx的系列加速卡，如Alveo U200、Alveo U250和Alveo U50等。對于開發(fā)者來說，“一旦將FPGA板插入PC，只需一個(gè)Linux命令”，F(xiàn)PGA就能夠代替CPU或GPU立即進(jìn)行無縫的推斷，可以在更低的功耗下將計(jì)算速度提高一個(gè)數(shù)量級。對用戶來說，這無疑是一種即插即用的體驗(yàn)。

圖1，Zebra可適應(yīng)由GPU加速器訓(xùn)練的NN，并無縫地在FPGA上部署

強(qiáng)強(qiáng)聯(lián)手，全生態(tài)支持

更好的消息是：為了能夠加速更多AI應(yīng)用的落地，安富利亞洲和 Mipsology 達(dá)成了合作協(xié)議，將向其亞太區(qū)客戶推廣和銷售 Mipsology 這一獨(dú)特的 FPGA 深度學(xué)習(xí)推理加速軟件 —— Zebra。

這對于合作的雙方無疑是一個(gè)雙贏的局面：對于Mipsology來說，可以讓Zebra這個(gè)創(chuàng)新的工具以更快的速度覆蓋和惠及更多的開發(fā)者；對安富利來說，此舉也進(jìn)一步擴(kuò)展了自身強(qiáng)大的物聯(lián)網(wǎng)生態(tài)系統(tǒng)，為客戶帶來更大的價(jià)值，為希望部署DL的客戶提供一整套全面的服務(wù)，包括硬件、軟件、系統(tǒng)集成、應(yīng)用開發(fā)、設(shè)計(jì)鏈和專業(yè)技術(shù)。

安富利推理加速成功應(yīng)用案例：智能網(wǎng)絡(luò)監(jiān)控平臺AI Bluebox

編輯：hfy