面向低功耗AI芯片上的神經(jīng)網(wǎng)絡(luò)設(shè)計介紹

首發(fā)：GiantPandaCV
作者：ybai62868

【GiantPandaCV導(dǎo)語】

這篇文章為大家介紹了一下面向低功耗AI芯片上的神經(jīng)網(wǎng)絡(luò)設(shè)計，隨著這幾年神經(jīng)網(wǎng)絡(luò)和硬件（CPU,GPU,FPGA,ASIC）的迅猛發(fā)展，深度學(xué)習(xí)在包括互聯(lián)網(wǎng)，自動駕駛，金融，安防等很多行業(yè)都得到了廣泛的應(yīng)用。然而當(dāng)我們真正在實際部署深度學(xué)習(xí)應(yīng)用的時候，許多場景例如無人駕駛對設(shè)備在功耗，成本，散熱性等方面都有額外的限制，導(dǎo)致了無法大規(guī)模應(yīng)用深度學(xué)習(xí)解決方案。感興趣的同學(xué)可以了解一下有關(guān)如何面向AI芯片來設(shè)計神經(jīng)網(wǎng)絡(luò)。

一、目前算法和硬件co-design的一個大背景

從硬件方面來看，我們都知道，深度神經(jīng)網(wǎng)絡(luò)中的計算都是大量的稠密型運算。那么，當(dāng)前的硬件發(fā)展其實已經(jīng)很難滿足這些稠密型的運算需求了。那么，設(shè)計低功耗，低成本，高性能的硬件計算部署平臺就成為了當(dāng)務(wù)之急。

對于算法來說，其實在某些公開的數(shù)據(jù)集上，已經(jīng)有很多非常不錯的算法了，但是這些算法僅僅是針對特定數(shù)據(jù)集（瘋狂刷點...）而在真實的業(yè)務(wù)場景下，這些算法有時候就并不一定能表現(xiàn)的非常出色。這個時候，我們就要去設(shè)計那些不僅是針對一些public數(shù)據(jù)集能夠表現(xiàn)的比較comparable的，同時在一些特定的業(yè)務(wù)場景下，也要能夠表現(xiàn)令人滿意的算法。

二、當(dāng)前AI芯片的發(fā)展?fàn)顩r

總的來說，目前的硬件家族可以被分為兩個大類。

一大類是以通用需求為主的：CPU, GPU

另一大類以特殊用途為主的：FPGA, ASIC

先有一個大體的宏觀概念。然后在看看看算法和這些硬件是怎么結(jié)合的。

早期的代碼都是跑在CPU上的，比如說，我們知道的LeNet，那會GPU并不像現(xiàn)在這么盛行。直到ImageNet的冠軍Alex把網(wǎng)絡(luò)跑到了GPU上。這個時候，大家都開始使用GPU作為自己的訓(xùn)練平臺。其實，CPU并不能非常高效的去運行我們需要的神經(jīng)網(wǎng)絡(luò)。因為CPU的運行方式是以串行為主，并且CPU上有很多操作都是為了優(yōu)化多級緩存，更加偏向的是對于數(shù)據(jù)IO處理的的能力。而這些方面的設(shè)計對于神經(jīng)網(wǎng)絡(luò)來說都是多余的。

那么，什么樣的硬件結(jié)構(gòu)設(shè)計才能更加滿足神經(jīng)網(wǎng)絡(luò)的特性呢？

其實，這個問題上，超哥講的很好。究竟什么樣的硬件結(jié)構(gòu)更加適合神經(jīng)網(wǎng)絡(luò)，還得從神經(jīng)網(wǎng)絡(luò)自身的特性來分析。

就拿我們熟悉的全連接層來講，比如說，現(xiàn)在第i層的神經(jīng)元和第i+1層的神經(jīng)元之間是以全連接的方式溝通的，那么溝通每個神經(jīng)元的運算實際上是非常簡單的乘法和加法。那么在網(wǎng)絡(luò)進(jìn)行一次前向運算的過程中，硬件上能夠支持乘法和加法的運算單元越多，那么此時就能夠承載下更深的網(wǎng)絡(luò)。

對于同一層上的不同神經(jīng)元來說，我們需要他們能夠相互獨立的完成各自的運算，從這點來看，神經(jīng)網(wǎng)絡(luò)具有大規(guī)模的并行性。

不論是在網(wǎng)絡(luò)進(jìn)行前向計算還是反向計算的過程中，都會產(chǎn)生很多的中間計算結(jié)果。而這些中間結(jié)果并不是每個都會被復(fù)用，要能放下在網(wǎng)絡(luò)運算過程中產(chǎn)生的中間結(jié)果，就需要我們的硬件有足夠的帶寬。對于一個理想的設(shè)備來說，它應(yīng)該有比較大的片上存儲，并且?guī)捯惨銐?。這個時候，對于屬于的圖片信息（以視覺任務(wù)為主）和網(wǎng)絡(luò)的權(quán)重才能有足夠的空間來做存儲。就是說要它充分的利用片上資源，減少片外的訪存。

其實，在我們對一個網(wǎng)絡(luò)進(jìn)行train和inference的過程中，網(wǎng)絡(luò)本身對于計算精度并沒有我們想象的那么敏感。那么，為了能夠存下更多的權(quán)重（deep的網(wǎng)絡(luò)），我們可以使用那些比較簡單的數(shù)據(jù)類型，比如說，int8，fp16。因此，這些年來，大家對于CPU+（GPU, FPGA, TPU, ASIC）這些硬件所組成的異構(gòu)計算平臺。

第一種組合：CPU+GPU

其實，在我們平時做實驗，訓(xùn)練模型的過程中，用的最多的就是CPU+GPU這樣的組合。

借助現(xiàn)有的非常成熟的深度學(xué)習(xí)框架（mxnet，pytorch，tensorflow等），我們就能非常方便和容易的完成開發(fā)。

優(yōu)點：編程容易，運算力和吞吐量大。

缺點：GPU的功耗高，延遲大，部署實際的AI產(chǎn)品，沒人會用服務(wù)器級別的GPU。

第二種組合：CPU+FPGA

這種組合方式的功耗相比CPU+GPU就要低很多。但是，對于FPGA的開發(fā)難度則會大很多。

優(yōu)點：功耗低，方便落地

缺點：編程開發(fā)難度大，需要學(xué)習(xí)專用的硬件語言來支持相應(yīng)的設(shè)備

第三種組合：CPU+ASIC

ASIC指的的是按照產(chǎn)品需求不同而定制化的特殊規(guī)格集成電路，由特定使用者要求和特定電子系統(tǒng)的需要而設(shè)計，制造。也就是說，ASIC在特定功能上進(jìn)行了專項強(qiáng)化，可以根據(jù)需要進(jìn)行復(fù)雜的設(shè)計，從而實現(xiàn)更高的處理速度和更低的功耗。那么，ASIC的生產(chǎn)成本就會更高！

那么其實，可以對上面講的這些硬件進(jìn)行一個歸類，CPU,GPU叫做通用性芯片。ASIC叫做定制化芯片，而FPGA叫做半定制化芯片。

Google的TPU就是采用了定制化芯片的設(shè)計。

其中TPUv1采用了大量的乘法單元，有256x256個8位乘法器。片上有28MB的緩存，能夠存儲網(wǎng)絡(luò)的參數(shù)和輸入。同時，TPU上的數(shù)據(jù)和指令

說白了，就是將訓(xùn)練好的model拿來定點化做inference。

TPUv2支持了train的功能，并且也能夠使用fp進(jìn)行訓(xùn)練。

講了這三種組合，其實如果就拿inference來說，F(xiàn)PGA才是合適的硬件。

各種硬件用于前向推理的優(yōu)缺點

現(xiàn)在來看，要想設(shè)計一款適合深度神經(jīng)網(wǎng)絡(luò)的芯片，我們需要其具備什么特性呢？

支持主流的視覺任務(wù)（inference），不僅僅要支持int8，還要支持fp。

high performance，low engergy，low cost

方便開發(fā)和支持主流的DL框架

這里要提的就是地平線自己設(shè)計的BPU，它也屬于ASIC的范疇。并且支持主流的CV任務(wù)。

BPU最大的特點就是設(shè)計了彈性的Tensor Core，它能夠?qū)⒛切τ趇mage來說所需要的op硬件化，這些op包括CNN中常見的（卷積，池化等），從而非常高效的去執(zhí)行這些操作。中間通過一個叫做數(shù)據(jù)路由橋（Data Routing Bridge）的結(jié)構(gòu)從片上來讀取數(shù)據(jù)，負(fù)責(zé)數(shù)據(jù)的傳輸和調(diào)度。同時，整個數(shù)據(jù)存儲資源和計算資源都可以通過編輯器輸出的指令來執(zhí)行調(diào)度，從而方便實現(xiàn)各種算法，各種model的結(jié)構(gòu)，和各種不同的任務(wù)。

三，如何從算法層面設(shè)計高效的神經(jīng)網(wǎng)絡(luò)

從AI的解決方案來看存在兩種方式：

云端 AI

前端 AI

云端 AI 說的就是把我們的計算放在遠(yuǎn)程服務(wù)器上去執(zhí)行，然后把最終的計算結(jié)果傳回本地，這就要求我們的設(shè)備時時刻刻聯(lián)網(wǎng)，并且存在很大的安全問題和計算傳輸延遲問題，也就是我們通常所說的通信代價。

前端 AI 說的就是設(shè)備本身就能進(jìn)行運算，不需要聯(lián)網(wǎng)。那么在安全性，實時性，適用性方面都要勝過云端 AI 。但是，他們在功耗，計算，內(nèi)存存儲等方面有很多受限。

其實關(guān)于AI 產(chǎn)品落地，還是回到上面硬件部分講過的內(nèi)容，如何去尋求一套 低功耗，高性能，低成本的解決方案。

這里拿IPC和TX2進(jìn)行比較來說明這個問題。

IPC通過網(wǎng)線來供電，功耗非常低，只有12.5w，TX2的功耗是10-15w。TX2雖然在算力和計算成本方面都要勝過IPC，但是TX2的價位對于嵌入式的方案是不能接受的。。。

那么，要想做好前端AI方案（針對embedd AI）設(shè)備來說，我們就要在給定功耗（12.5w）和算力（IPC最大能力）的情況下，去優(yōu)化我們的算法和神經(jīng)網(wǎng)絡(luò)模型，來達(dá)到符合場景落地的需要。

那么，說白了，我們最終加速網(wǎng)絡(luò)的目的就是，在網(wǎng)絡(luò)保持不錯性能的的前提下，盡量去降低計算代價和帶寬的需求。

關(guān)于網(wǎng)絡(luò)加速方面看songhan的，補。我在cs231n上學(xué)到的東西。

網(wǎng)絡(luò)量化，網(wǎng)絡(luò)剪枝，參數(shù)共享，蒸餾以及模型結(jié)構(gòu)優(yōu)化。

在工業(yè)界，用的最多的就是網(wǎng)絡(luò)量化和模型結(jié)構(gòu)化的方法。

下面重點來講講這些方法：

3.1 量化

量化其實說的就是離散化。將我們原先連續(xù)變化的量通過近似從而達(dá)到離散的目的。

神經(jīng)網(wǎng)絡(luò)的量化，值得就是將原先用浮點數(shù)表示的情況改成用更低的bit，從而繼續(xù)完成原先浮點數(shù)能夠完成的訓(xùn)練和測試。

前面再將神經(jīng)網(wǎng)絡(luò)特性的時候，我們也提到了網(wǎng)絡(luò)本身對于計算精度并沒有我們想象的那么敏感。所以，比較常用的方法，就是用fp16代替fp32來做train和inference。

其實，使用fp16去訓(xùn)練，有時候還能得到比fp32更好的精度。從ML的角度來看，量化網(wǎng)絡(luò)本身就是對數(shù)據(jù)集正則化的一種方式，可以增強(qiáng)模型的泛化能力，從而提高精度。

其實還可以進(jìn)一步的用int8來取代fp16，這樣操作后，帶寬只有fp32的四分之一。

當(dāng)然，如果你不擔(dān)心精度的損失，那么也可以使用4bit, 2bit, 1bit去代替int8。

神經(jīng)網(wǎng)絡(luò)的量化其實可以分為：網(wǎng)絡(luò)權(quán)重的量化和網(wǎng)絡(luò)特征的量化。

網(wǎng)絡(luò)權(quán)重的量化對于最終的結(jié)果輸出損失比較小，而特征量化對最終的結(jié)果輸出損失就比較大。大模型和小模型對量化的敏感程度也不一樣，一般小模型會更加敏感。

關(guān)于量化想更深入的了解可以看一下下面的這些講解：

深度學(xué)習(xí)量化技術(shù)科普

Pytorch實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練量化（QAT）

MXNet實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練量化

深入了解NNIE量化技術(shù)

ICCV2019 高通Data-Free Quantization論文解讀

EasyQuant 后量化算法論文解讀

3.2 模型剪枝和參數(shù)共享

可以參考下面的講解：

如何讓你的YOLOV3模型更小更快？

YOLOV3剪枝方法匯總

深度學(xué)習(xí)算法優(yōu)化系列八 | VGG，ResNet，DenseNe模型剪枝代碼實戰(zhàn)

3.3 知識蒸餾

蒸餾的思想非常簡單，其實就是用一個小模型來取代一個大模型，從而使得小模型能夠?qū)崿F(xiàn)大模型的效果。大模型在這里一般叫做Teacher Net， 小模型叫做Student Net。從小模型到大模型的學(xué)習(xí)目標(biāo)，包括最終的輸出層，網(wǎng)絡(luò)中間的特征結(jié)果，以及網(wǎng)絡(luò)的連接方案。

其實，知識蒸餾本質(zhì)是一種transfer learning，比直接用小數(shù)據(jù)從頭開始訓(xùn)練一個model要得到更好的效果。

3.4 低秩近似

可以參考：https://blog.csdn.net/kathrynlala/article/details/82943291

3.5 二值化/三值化網(wǎng)絡(luò)

可以參考下面的講解：

基于Pytorch構(gòu)建一個可訓(xùn)練的BNN

基于Pytorch構(gòu)建三值化網(wǎng)絡(luò)TWN

低比特量化之XNOR-Net

低比特量化之DoreFa-Net理論與實踐

3.6 Winograd 變化

可以參考下面的講解：

詳解Winograd變換矩陣生成原理

詳解卷積中的Winograd加速算法

3.7 模型結(jié)構(gòu)化

模型結(jié)構(gòu)化其實是對模型加速最有效的一種方式。

那么關(guān)于模型結(jié)構(gòu)優(yōu)化，又會涉及到很多的知識。

接下來，就要講講怎么去設(shè)計一個高效的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它需要遵循一些基本原則。

從最初的AlexNet到現(xiàn)在的MobileNetv2，網(wǎng)絡(luò)的參數(shù)從最初的240MB降低到了35MB，

準(zhǔn)確率從57%也提高了75%。那么，我們肯定是去設(shè)計小的模型結(jié)構(gòu)從而完成相對于大模型難以完成的任務(wù)。那么在這個設(shè)計的過程中，會涉及哪些基本原則呢？

關(guān)于這些，超哥也講的非常到位，我也總結(jié)下：

小模型其實并不一定比大模型運行（inference）的快。

一個網(wǎng)絡(luò)計算量小，并不代表他就一定運行的快，因為運行速度還和帶寬有關(guān)，計算量僅僅是其中的一個因素。

那么，結(jié)合上面兩點，我們就能明白。一個好的，跑起來比較快的網(wǎng)絡(luò)結(jié)構(gòu)。必須要衡量計算量和帶寬的需求。

4. 總結(jié)

總結(jié)下，如果要設(shè)計高效的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來部署到硬件平臺。那么我們應(yīng)該盡可能的讓網(wǎng)絡(luò)中的operator去做并行化計算，同時減少這些operator對于帶寬的需求。

審核編輯 黃昊宇