FPGA與GPU架構(gòu)的背景

人工智能（AI）模型的規(guī)模和復(fù)雜度以每年大約 10 倍的速度不斷增加，AI 解決方案提供商面臨著巨大的壓力，他們必須縮短產(chǎn)品上市時(shí)間，提高性能，快速適應(yīng)不斷變化的形勢(shì)。模型復(fù)雜性日益增加，AI 優(yōu)化的硬件隨之出現(xiàn)。

例如，近年來(lái)，圖形處理單元（GPU）集成了 AI 優(yōu)化的算法單元，以提高 AI 計(jì)算吞吐量。然而，隨著 AI 算法和工作負(fù)載的演變與發(fā)展，它們會(huì)展現(xiàn)出一些屬性，讓我們難以充分利用可用的 AI 計(jì)算吞吐量，除非硬件提供廣泛的靈活性來(lái)適應(yīng)這種算法變化。近期的論文表明，許多 AI 工作負(fù)載都難以實(shí)現(xiàn) GPU 供應(yīng)商報(bào)告的全部計(jì)算能力。即使對(duì)于高度并行的計(jì)算，如一般矩陣乘法（GEMM），GPU 也只能在一定規(guī)模的矩陣下實(shí)現(xiàn)高利用率。因此，盡管 GPU 在理論上提供較高的 AI 計(jì)算吞吐量（通常稱為“峰值吞吐量”），但在運(yùn)行 AI 應(yīng)用時(shí)，實(shí)際性能可能低得多。

FPGA 可提供一種不同的 AI 優(yōu)化的硬件方法。與 GPU 不同，F(xiàn)PGA 提供獨(dú)特的精細(xì)化空間可重構(gòu)性。這意味著我們可以配置 FPGA 資源，以極為準(zhǔn)確的順序執(zhí)行精確的數(shù)學(xué)函數(shù)，從而實(shí)施所需的操作。每個(gè)函數(shù)的輸出都可以直接路由到需要它的函數(shù)的輸入之中。這種方法支持更加靈活地適應(yīng)特定的 AI 算法和應(yīng)用特性，從而提高可用 FPGA 計(jì)算能力的利用率。此外，雖然 FPGA 需要硬件專業(yè)知識(shí)才能編程（通過(guò)硬件描述語(yǔ)言），但專門設(shè)計(jì)的軟核處理單元（也就是重疊結(jié)構(gòu)），允許 FPGA 以類似處理器的方式編程。FPGA 編程完全通過(guò)軟件工具鏈來(lái)完成，簡(jiǎn)化了任何特定于 FPGA 的硬件復(fù)雜性。

FPGA與GPU架構(gòu)的背景

2020 年，英特爾 宣布推出首款 AI 優(yōu)化的 FPGA — 英特爾 Stratix 10 NX FPGA 器件。英特爾 Stratix 10 NX FPGA 包括 AI 張量塊，支持 FPGA 實(shí)現(xiàn)高達(dá) 143 INT8 和 286 INT4 峰值 AI 計(jì)算 TOPS 或 143 塊浮點(diǎn) 16（BFP16）和 286 塊浮點(diǎn) 12（BFP12）TFLOPS。最近的論文表明，塊浮點(diǎn)精度可為許多 AI 工作負(fù)載提供更高的精度和更低的消耗。NVIDIA GPU 同樣也提供張量核。但從架構(gòu)的角度來(lái)看，GPU 張量核和 FPGA AI 張量塊有很大的不同，如下圖所示。

GPU 和 FPGA 都有張量核心。FPGA 有可以在數(shù)據(jù)流內(nèi)外編織的軟邏輯

（左）GPU 數(shù)據(jù)從張量核心處理的內(nèi)存系統(tǒng)中讀取，寫回內(nèi)存系統(tǒng)。（右）FPGA 數(shù)據(jù)可以從內(nèi)存中讀取，但數(shù)據(jù)流可以并行安排到一個(gè)或多個(gè)張量核心。任意數(shù)量的張量核心都能以最小的傳輸開(kāi)銷使用輸出。數(shù)據(jù)可以被寫回內(nèi)存或路由到其他任何地方

英特爾研究人員開(kāi)發(fā)了一種名為神經(jīng)處理單元（NPU）的 AI 軟處理器。這種 AI 軟處理器適用于低延遲、低批量推理。它將所有模型權(quán)重保持在一個(gè)或多個(gè)連接的 FPGA 上以降低延遲，從而確保模型持久性。

NPU 重疊架構(gòu)和用于編程 NPU 軟核處理器的前端工具鏈高級(jí)概述

FPGA與GPU性能比較

本次研究的重點(diǎn)是計(jì)算性能。下圖比較了英特爾 Stratix 10 NX FPGA 上的 NPU 與 NVIDIA T4 和 V100 GPU 運(yùn)行各種深度學(xué)習(xí)工作負(fù)載的性能，包括多層感知器（MLP）、一般矩陣向量乘法（GEMV）、遞歸神經(jīng)網(wǎng)絡(luò)（RNN）、長(zhǎng)期短期記憶（LSTM）和門控循環(huán)單元（GRU）。GEMV 和 MLP 由矩陣大小來(lái)指定，RNN、LSTM 和 GRU 則通過(guò)大小和時(shí)間步長(zhǎng)來(lái)指定。例如，LSTM-1024-16 工作負(fù)載表示包含 1024x1024 矩陣和 16 個(gè)時(shí)間步長(zhǎng)的 LSTM。

NVIDIA V100 和 NVIDIA T4 與英特爾 Stratix 10 NX FPGA 上的 NPU 在不同批處理規(guī)模下的性能。虛線顯示 NPU 在批次大小可被 6 整除情況下的性能

從這些結(jié)果可以充分地看出，英特爾 Stratix 10 NX FPGA 不僅可以在低批次實(shí)時(shí)推理時(shí)實(shí)現(xiàn)比 GPU 高一個(gè)數(shù)量級(jí)的性能，還可以有效地進(jìn)行高批次實(shí)時(shí)推理。

由于架構(gòu)上的差異和靈活編程模型，英特爾 Stratix 10 NX FPGA 還可實(shí)現(xiàn)更出色的端到端性能。不會(huì)產(chǎn)生與 GPU 相同的開(kāi)銷。

短序列和長(zhǎng)序列時(shí) RNN 工作負(fù)載的系統(tǒng)級(jí)執(zhí)行時(shí)間（越低越好）

結(jié)論

英特爾 Stratix 10 NX FPGA 采用高度靈活的架構(gòu)，所實(shí)現(xiàn)的平均性能比 NVIDIA T4 GPU 和 NVIDIA V100 GPU 分別高 24 倍和 12 倍。

由于其較高的計(jì)算密度，英特爾 Stratix 10 NX FPGA 可為以實(shí)際可達(dá)到性能為重要指標(biāo)的高性能、延遲敏感型 AI 系統(tǒng)提供至關(guān)重要的功能。

審核編輯 ：李倩