一文詳解英特爾深度學習加速技術

有什么比禿頭更心酸的嗎？

有，比如智能機器人將禿了的后腦勺識別成未戴口罩的臉，跟隨一路提醒佩戴口罩。

?

如今AI應用已非常普遍，這過程中也收獲了不少“人工智障”的笑話，上述只是其中一個，除了離譜的圖像自動識別，還有答非所問的智能對話。

自迎來以深度學習為代表的第三次發(fā)展浪潮，人工智能技術已被廣泛應用在目標檢測、圖像識別、自然語言處理（NLP）等場景，從語音識別、自動送餐機器人到生產線影像監(jiān)控，AI的身影無處不在。

客戶的業(yè)務需求與創(chuàng)新應用對AI推理和訓練的效率和質量都提出了更為嚴格的要求，推動人工智能發(fā)展從三個方面——數(shù)據(jù)、算力、算法都需要進一步調優(yōu)和高效。

兩全其美之事已是世間難得，倘若想要在一件事上達到“三全”，著實有些困難且“貪心”。

但踏平“人工智障”，真的需要“貪心”一些。

數(shù)據(jù)精度、存儲空間、處理速度，發(fā)展AI必須三者共同進步

數(shù)據(jù)、算力和算法之間存在一些原生矛盾。

通常來說，數(shù)據(jù)類型的寬度越大，能表達的動態(tài)范圍和精度也就越高。

更大的動態(tài)范圍和更高的精度意味著更多的存儲空間，譬如FP32就需要FP16兩倍的內存占用，并給內存帶寬帶來成倍的壓力，對算力帶來挑戰(zhàn)。

同時算法層面，盡管深度學習是人工智能（AI）近幾年重新走紅的功臣，也是吞噬算力的巨大 “黑洞”。

這三者平衡起來依然也會存在困難，從數(shù)據(jù)類型的層面，要節(jié)省存儲空間就需要做出一定的讓步或犧牲，例如，Google為加速AI深度學習而引入的BFloat16（BF16）數(shù)據(jù)類型，用FP16的數(shù)據(jù)寬度實現(xiàn)了與FP32相當?shù)膭討B(tài)范圍，其代價是精度有所降低。

這只是解決了一方面，但如果實現(xiàn)“既準，又省，還快”三重快樂AI，三大要素必須共同發(fā)力：簡化數(shù)據(jù)，強化算力，優(yōu)化算法。

英特爾深度學習加速技術：準、省、快，低精度成就高效率！

算法上的革新是重中之重。

如同上述所說，大多數(shù)深度學習應用在其訓練和推理工作負載中多采用 32 位浮點精度（FP32），盡管精度高但占用更大內存，進而影響計算效率。

當數(shù)據(jù)格式由 FP32 轉為 8 位整數(shù)（INT8）或 16 位浮點數(shù)（BF16）時，內存可以移動更多的數(shù)據(jù)量，進而更大化地利用計算資源。

圖說：不同數(shù)據(jù)格式對內存利用率的影響

這種精度的降低會對數(shù)據(jù)處理的準確率造成影響嗎？

答案是：并不會，或者說影響微乎其微。

近年來已有眾多研究和實踐表明，以較低精度的數(shù)據(jù)格式進行深度學習訓練和推理，并不會對結果的準確性帶來太多影響，譬如BF16用于訓練，INT8用于推理，能夠將準確率的損失降至最低，甚至完全沒有損失。

而低精度數(shù)據(jù)格式帶來的優(yōu)勢，也不僅在于提升內存利用效率，在深度學習常見的乘法運算上，它也能減少處理器資源消耗并實現(xiàn)更高的操作速度（OPS）。

算法的升級助力了“準”和“省”的達標，但“快”的層面還略有些差強人意。

為了保證推理過程中的精度，在CPU的向量處理單元中進行矩陣運算的時候，先將8位值相乘再累加到32位，需要3條指令來完成，代價是3倍的指令數(shù)，這也導致峰值運算性能只提高了33%。

那么“提速”任務就交給了算力單元。

英特爾 深度學習加速（英特爾Deep Learning Boost，簡稱DL Boost）技術的精髓，就是把對低精度數(shù)據(jù)格式的操作指令融入到了 AVX-512 指令集中，即?AVX-512_VNNI?(Vector Neural Network Instruction，矢量神經網絡指令) 和?AVX-512_BF16（bfloat16），分別提供了對 INT8（主打推理）和 BF16（兼顧推理和訓練）的支持。

英特爾 深度學習加速技術帶來訓練和推理效率提升

至此，英特爾 DL Boost技術可以讓人工智能達到三全，即：

?。汉喕瘮?shù)據(jù)，提高內存容量和帶寬的利用率，緩解內存壓力；

準：優(yōu)化算法，模型量化使用較低的數(shù)值精度也能保證結果的準確性，特別是推理應用；

快：強化算力，避免增加額外操作，保證性能與內存利用率同步提升。

?

?

推理與訓練，硬件加速雙管齊下

如同一條道路上，通過車輛的體型變?。ê喕蟮臄?shù)據(jù)），通過的車輛數(shù)量自然就上來了。

兩種新的、針對 AI 應用的 AVX-512 指令集使道路（寄存器）上通過了更多的 車輛（數(shù)據(jù)量），新的指令集無疑能使計算效率獲得大幅提升。

點擊此處回顧英特爾AVX指令集的前世今生《這項15年前的「超前」技術設計，讓CPU在AI推理時代大放光彩》

這兩種不同指令集的優(yōu)勢也有所不同。

從代號Cascade Lake的英特爾第二代至強可擴展處理器開始，AVX-512指令集就增加了VNNI，用一條FMA指令就可以完成8位乘法再累加到32位的操作。

2020 年問世的第三代英特爾 至強 可擴展處理器已集成了英特爾 深度學習加速技術這兩種 AI 加速指令集，并被廣泛運用于商業(yè)深度學習應用的訓練和推理過程。

在指令集的支持下，簡化數(shù)據(jù)的同時避免了額外的開銷，讓性能可以獲得與內存利用率一致的提升。AVX-512_VNNI 使用INT8做推理，對比使用FP32，理論上可以獲得4倍的性能，而將內存要求降至 ?。

內存的減少和頻率的提高加快了低數(shù)值精度運算的速度，最終加速 AI 和深度學習推理，適合圖像分類、語音識別、語音翻譯、對象檢測等眾多方面。

而AVX-512_BF16 的優(yōu)勢是既可以用于推理，也可以用于訓練，能幫助訓練性能提升達 1.93 倍。代號Cooper Lake的英特爾第三代至強可擴展處理器就集成了bfloat16加速功能，在與FP32相似的精度下，提升性能和內存利用率。

?

?

軟硬協(xié)同設立“AI改造車間”，CPU多場景應用優(yōu)勢盡顯

算力、算法、數(shù)據(jù)如今都有各自標準以及解決辦法，當三者形成完整閉環(huán)時，如何讓整個流程的效率更上一層？

依然還有可以繼續(xù)進步的地方，那就是：AI 應用原生的數(shù)據(jù)格式并不統(tǒng)一的情況下，如何高效的把大量采用傳統(tǒng)FP32數(shù)據(jù)格式的AI模型轉換成BF16或INT8格式使用。

由英特爾推出的 OpenVINO 工具套件提供了模型量化功能，為上述問題提供了應對良方。

它能讓基于不同 AI 框架，如 TensorFlow、MXNet、PyTorch 等構建的 FP32 數(shù)據(jù)格式 AI 模型，在損失很少精度的情況下轉化為 INT8 和 BF16 數(shù)據(jù)格式。

除模型量化功能外，針對一系列 AI 應用場景，如視覺模擬、自動語音識別、自然語言處理及推薦系統(tǒng)等，OpenVINO 工具套件還提供了能提升它們開發(fā)和部署效率的組件，例如 OpenVINO Model Server 和 OpenVINO Model Zoo 等組件可對基于 TensorFlow、PyTorch、MxNet、Keras 等不同框架構建的訓練模型實施更為高效的優(yōu)化，并簡化這些模型部署的流程及耗時。

AI應用場景頗多，那何種場景更能突顯AVX-512_BF16等深度學習加速技術的優(yōu)勢？

例如在醫(yī)療影像此類重視準確性多過于實時性的場景中，匯醫(yī)慧影在乳腺癌影像分析場景中引入了集成有英特爾 深度學習加速技術的第二代英特爾 至強 可擴展處理器，配合 OpenVINO 工具套件，在對檢測模型進行了 INT8 轉換和優(yōu)化后，推理速度較原始方案提升高達 8.24 倍，且精確度損失不到 0.17%。

企業(yè)啟動構建AI應用，改弦更張并非性價比之選，可以充分評估既有的數(shù)據(jù)存儲、處理和分析平臺，如此一來，基于又準又快又省的CPU，或借助它構建和部署符合自身需求的AI應用。

更何況，CPU自身的AI能力也在不斷進化中，即將發(fā)布的代號為Sapphire Rapids的英特爾第四代至強可擴展處理器，就加入了簡稱AMX的高級矩陣擴展（Advanced Matrix Extensions）技術。

AMX是新的x86擴展，具有自己的存儲和操作，主要針對AI領域非常重要的平鋪矩陣乘法，比前兩種DL Boost的實現(xiàn)更為復雜，那效果呢？我們（帶上顯微鏡）拭目以待吧~

編輯：黃飛

?