ADS算力芯片的多模型架構(gòu)研究

在過(guò)去十幾年里，深度神經(jīng)網(wǎng)絡(luò)（DNN）得到了廣泛應(yīng)用，例如移動(dòng)手機(jī)，AR/VR，IoT和自動(dòng)駕駛等領(lǐng)域。復(fù)雜的用例導(dǎo)致多DNN模型應(yīng)用的出現(xiàn)，例如VR的應(yīng)用包含很多子任務(wù)：通過(guò)目標(biāo)檢測(cè)來(lái)避免與附近障礙物沖突，通過(guò)對(duì)手或手勢(shì)的追蹤來(lái)預(yù)測(cè)輸入，通過(guò)對(duì)眼睛的追蹤來(lái)完成中心點(diǎn)渲染等，這些子任務(wù)可以使用不同的DNN模型來(lái)完成。像自動(dòng)駕駛汽車也是利用一系列DNN的算法來(lái)實(shí)現(xiàn)感知功能，每個(gè)DNN來(lái)完成特定任務(wù)。然而不同的DNN模型其網(wǎng)絡(luò)層和算子也千差萬(wàn)別，即使是在一個(gè)DNN模型中也可能會(huì)使用異構(gòu)的操作算子和類型。

此外，Torch、TensorFlow和Caffe等主流的深度學(xué)習(xí)框架，依然采用順序的方式來(lái)處理inference 任務(wù)，每個(gè)模型一個(gè)進(jìn)程。因此也導(dǎo)致目前NPU架構(gòu)還只是專注于單個(gè)DNN任務(wù)的加速和優(yōu)化，這已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足多DNN模型應(yīng)用的性能需求，更迫切需要底層新型的NPU計(jì)算架構(gòu)對(duì)多模型任務(wù)進(jìn)行加速和優(yōu)化。而可重配NPU雖然可以適配神經(jīng)網(wǎng)絡(luò)層的多樣性，但是需要額外的硬件資源來(lái)支持（比如交換單元，互聯(lián)和控制模塊等），還會(huì)導(dǎo)致因重配網(wǎng)絡(luò)層帶來(lái)的額外功耗。

開(kāi)發(fā)NPU來(lái)支持多任務(wù)模型面臨許多挑戰(zhàn)：DNN負(fù)載的多樣性提高了NPU設(shè)計(jì)的復(fù)雜度；多個(gè)DNN之間的聯(lián)動(dòng)性，導(dǎo)致DNN之間的調(diào)度變得困難；如何在可重配和定制化取得平衡變得更具挑戰(zhàn)。此外這類NPU在設(shè)計(jì)時(shí)還引入了額外的性能標(biāo)準(zhǔn)考量：因多個(gè)DNN模型之間的數(shù)據(jù)共享造成的延時(shí)，多個(gè)DNN模型之間如何進(jìn)行有效的資源分配等。

目前的設(shè)計(jì)研究的方向大體可以分成以下幾點(diǎn)：多個(gè)DNN模型之間并行化執(zhí)行，重新設(shè)計(jì)NPU架構(gòu)來(lái)有效支持DNN模型的多樣性，調(diào)度策略的優(yōu)化等。

DNN之間的并行性和調(diào)度策略：

可以使用時(shí)分復(fù)用和空間協(xié)同定位等并行性策略。調(diào)度算法則大概可以分為三個(gè)方向：靜態(tài)與動(dòng)態(tài)調(diào)度，針對(duì)時(shí)間與空間的調(diào)度，以及基于軟件或者硬件的調(diào)度。

時(shí)分復(fù)用是傳統(tǒng)優(yōu)先級(jí)搶占策略的升級(jí)版，允許inter-DNN的流水線操作，來(lái)提高系統(tǒng)資源的利用率（PE和memory等）。這種策略專注調(diào)度算法的優(yōu)化，好處是對(duì)NPU硬件的改動(dòng)比較少。

空間協(xié)同定位則專注于多個(gè)DNN模型執(zhí)行的并行性，也就是不同DNN模型可以同時(shí)占用NPU硬件資源的不同部分。這要求在設(shè)計(jì)NPU階段就要預(yù)知各個(gè)DNN網(wǎng)絡(luò)的特性以及優(yōu)先級(jí)，以預(yù)定義那部分NPU硬件單元分配給特定的DNN網(wǎng)絡(luò)使用。分配的策略可以選擇DNN運(yùn)行過(guò)程中的動(dòng)態(tài)分配，或者是靜態(tài)分配。靜態(tài)分配依賴于硬件調(diào)度器，軟件干預(yù)較少?？臻g協(xié)同定位的好處是可以更好的提高系統(tǒng)的性能，但是對(duì)硬件改動(dòng)比較大。

動(dòng)態(tài)調(diào)度與靜態(tài)調(diào)度則是根據(jù)用戶用例的特定目標(biāo)來(lái)選擇使用動(dòng)態(tài)調(diào)度或者靜態(tài)調(diào)度。

動(dòng)態(tài)調(diào)度的靈活性更高，會(huì)根據(jù)實(shí)際DNN任務(wù)的需求重新分配資源。動(dòng)態(tài)調(diào)度主要依賴于時(shí)分復(fù)用，或者利用動(dòng)態(tài)可組合引擎 （需要在硬件中加入動(dòng)態(tài)調(diào)度器），算法則多數(shù)選擇preemptive策略或者AI-MT的早期驅(qū)逐算法等。

對(duì)于定制化的靜態(tài)調(diào)度策略，可以更好的提高NPU的性能。這種調(diào)度策略是指在NPU設(shè)計(jì)階段就已經(jīng)定制好特定硬件模塊去處理特定神經(jīng)網(wǎng)絡(luò)層或者特定的操作。這種調(diào)度策略性能高，但是硬件改動(dòng)比較大。

異構(gòu)NPU架構(gòu)：

結(jié)合動(dòng)態(tài)可重構(gòu)和定制化的靜態(tài)調(diào)度策略，在NPU中設(shè)計(jì)多個(gè)子加速器，每個(gè)子加速器都是針對(duì)于特定的神經(jīng)網(wǎng)絡(luò)層或者特定的網(wǎng)絡(luò)操作。這樣調(diào)度器可以適配多個(gè)DNN模型的網(wǎng)絡(luò)層到合適的子加速器上運(yùn)行，還可以調(diào)度來(lái)自于不同DNN模型的網(wǎng)絡(luò)層在多個(gè)子加速器上同步運(yùn)行。這樣做既可以節(jié)省重構(gòu)架構(gòu)帶來(lái)的額外硬件資源消耗，又可以提高不同網(wǎng)絡(luò)層處理的靈活性。

異構(gòu)NPU架構(gòu)的研究設(shè)計(jì)可以主要從這三個(gè)方面考慮：

1）如何根據(jù)不同網(wǎng)絡(luò)層的特性設(shè)計(jì)多種子加速器；

2）如何在不同的子加速器之間進(jìn)行資源分布；

3）如何調(diào)度滿足內(nèi)存限制的特定網(wǎng)絡(luò)層在合適的子加速器上執(zhí)行。

審核編輯 ：李倩