深度學習為什么依賴于超大的計算能力？

編者按：在圖像、語音識別、自然語言處理、強化學習等許多技術領域中，深度學習已經被證明是非常有效的，并且在某些問題上已經達到甚至超越了人類的水平。然而，深度學習對于計算能力有著很大的依賴，除了改變模型和算法，是否可以從系統(tǒng)的層面來優(yōu)化深度學習計算，進而改善計算資源的使用效率？

本文中，來自微軟亞洲研究院異構計算組資深研究員伍鳴與大家分享他對深度學習計算優(yōu)化的一些看法。

深度學習在近幾年里取得了巨大的進步，它已經或者是有望成功地被應用在我們許多生活場景中，比如自動駕駛、安防、翻譯、醫(yī)療等等?？梢哉f，計算機的計算和通信能力的大幅提升是促使深度學習成功的重要因素。

▌深度學習為什么依賴于超大的計算能力？

首先，深度學習本質上是基于統(tǒng)計的科學，所以大規(guī)模的樣本數(shù)據對于深度學習的效果是至關重要的。其次，更大規(guī)模和更復雜的神經網絡模型已經被證明非常有效，并在產品中有廣泛的使用，這同時也產生了對計算能力的更大要求和消耗。舉個例子，具有 8 層神經元的 AlexNet 網絡 2012 年在 ImageNet 數(shù)據集上取得 16% 的錯誤率，該網絡的一次迭代運行大約需要 1.4 GFLOP 的計算量。而微軟提出的使用 152 層神經元的殘差網絡（ResNet）于 2015 年在該數(shù)據集上取得 3.5% 的錯誤率，其一次迭代的計算量大約是 22.6GFLOP，是 AlexNet 的 16 倍。在當今的生產環(huán)境中，圖像、語音以及自然語言處理相關的模型，例如人臉識別、語音轉文字、機器翻譯等，即使給予相當多的計算資源，很多仍需要幾周的時間才能完成訓練。

再次，深度學習模型是迅速迭代的。在 AI 領域，每年學術界和工業(yè)界都會提出大量的新模型。對每一個實際的問題，開發(fā)者需要不斷嘗試不同的模型和算法，甚至對于同一種模型算法，也需要去反復調試超參數(shù)以獲得最好的預測效果。可想而知，如果模型的每次訓練都要幾周的時間，那么尋找最優(yōu)模型的過程會非常漫長和痛苦。

另外，模型的線上推理具有更加極致的性能要求。線上的服務具有硬性的服務等級協(xié)議（SLA），所以在實際部署大型模型時，需要手工重新優(yōu)化在深度學習框架（如 TensorFlow）上已經訓練好的模型，導致大量額外工程開銷的產生。

由此可見，進一步優(yōu)化深度學習計算對于深度學習的快速發(fā)展和成功應用起著至關重要的作用。

▌深度學習計算優(yōu)化的挑戰(zhàn)和機會

目前，優(yōu)化深度學習的計算存在以下幾個主要的挑戰(zhàn)：

1）單機單計算單元（如 GPU）的資源限制往往不能滿足對大規(guī)模數(shù)據和模型的處理要求，那么就需要使用多機多計算單元來橫向擴展計算的規(guī)模。如何才能最大限度地減少通信的開銷從而最大化多機的并行度？

2）如何優(yōu)化神經網絡的計算使得它能夠把單個硬件計算單元的效率發(fā)揮到極致？

3）雖然許多硬件計算單元（GPU、FPGA 等）的計算能力很強大，但是它們的內存資源（即設備內存）非常稀缺。當它們不能提供模型運行所需要的內存資源時，要么運算不能夠進行下去，要么就需要將計算所需的數(shù)據在主存和設備內存之間倒來倒去，帶來很大的運行開銷。如何才能更好地利用有限的設備內存資源從而不給計算效率帶來負面的影響？

4）深度學習開發(fā)者和研究人員通常只想關注神經網絡模型和算法本身，并不想被復雜的優(yōu)化問題分散精力。這意味著深度學習框架這樣的系統(tǒng)軟件最好能夠實現(xiàn)自動優(yōu)化，而對模型開發(fā)者透明。那么，如何對特定的優(yōu)化做合理的抽象使其更加靈活通用、更加容易地集成在系統(tǒng)框架中便是需要認真考慮的問題。

事實上，任何方面的優(yōu)化問題都可以從模型算法和系統(tǒng)兩個角度來看待。一方面，我們可以通過改變模型和算法來優(yōu)化其對計算資源的使用效率從而改進其運行速度。這樣的優(yōu)化對特定的算法往往非常有效，但卻不容易擴展應用到其它算法中。而另一方面，也就是微軟亞洲研究院異構計算組正在進行的研究，則是在系統(tǒng)中實施模型算法無關的優(yōu)化，這樣的優(yōu)化，通?？梢詾楦嗟膽脦硇阅艿暮锰?，同時也符合我們在前文提到的透明性的要求。

▌以系統(tǒng)優(yōu)化助力深度學習計算

為了能夠更好地理解系統(tǒng)這一層面的優(yōu)化，我們先來簡單介紹一下深度學習框架系統(tǒng)的背景知識。當今工業(yè)界流行的深度學習系統(tǒng)（包括 TensorFlow、PyTorch、CNTK、MxNet、Caffe 等）大都采用分層的體系結構設計。在前端提供高級語言（例如 Python）的接口抽象，允許用戶方便地描述神經網絡結構，也就是深度學習的模型。描述好的模型在被系統(tǒng)運行前，首先會被轉換成數(shù)據流圖（Data-flow Graph）。在這個數(shù)據流圖中，節(jié)點是特定的矩陣操作（也就是 Operator，如 Sigmoid、Matrix Multiplication 等），而連接不同節(jié)點的邊則是操作節(jié)點的輸入和輸出矩陣。這個數(shù)據流圖也可以被看成是深度學習計算的中間表達。然后，深度學習系統(tǒng)的后端將這個數(shù)據流圖映射到實際硬件上進行高效地執(zhí)行，而大部分系統(tǒng)層面的優(yōu)化就是在這個階段完成的。

▌加速分布式深度學習訓練

分布式訓練的主要瓶頸在于多機之間的通信開銷。如今計算機網絡的硬件技術已經有了很大的發(fā)展，InfiniBand 的 RDMA 網卡（Remote Direct Memory Access，這是一種硬件的網絡技術，它使得計算機訪問遠程的內存時無需遠程機器上 CPU 的干預）已經可以提供 50~100Gbps 的網絡帶寬和微秒級的傳輸延遲。目前許多以深度學習為目標應用的 GPU 機群都部署了這樣的網絡。然而深度學習系統(tǒng)如何才能充分利用好硬件提供的通信能力使分布式的訓練獲得更大的性能提升呢？另外，使用 RDMA 的軟件接口進行通信能夠繞過 TCP/IP 協(xié)議棧，減少了操作系統(tǒng)內核態(tài)的運行開銷。在這樣的網絡通信技術的支持下，任何與通信相關的計算處理的開銷都會變得非常顯著，而這正是許多原先基于 TCP/IP 而設計的網絡通信機制中所存在的問題。

RPC（Remote Procedure Call，遠程過程調用）是一個被廣泛使用的多機之間的通信抽象原語，它的主要設計目標是通用性。在沒有考慮 RDMA 的情況下，很多深度學習框架都會采用 RPC 的機制（例如 gRPC）來實現(xiàn)多機之間的通信。然而，RPC 需要維護一個內部的私有緩存，從而不得不引入用戶數(shù)據的存儲空間和內部緩存之間的數(shù)據拷貝。這種內存拷貝的開銷在使用 RDMA 網絡的情況下會變得非常明顯。我們通過 micro-benchmark 觀察到，跟使用基于 TCP/IP 的 gRPC 相比，直接通過 RDMA 的接口傳輸消息（對不同的消息大?。┛梢杂?2 到 10 倍的性能提升。

那么針對深度學習的應用負載，如何才能更好地利用 RDMA 硬件的能力？首先，我們來分析一下深度學習應用的幾個特點：

Tensor 是深度學習計算中最主要的數(shù)據結構，大量的計算開銷都是花在對 Tensor 的處理上。Tensor 是一種比較簡單的數(shù)據結構，主要由 meta-data 和 payload 兩部分組成。Payload 就是基本元素的數(shù)組，而 meta-data 就是 Tensor 的 shape 信息，也就是維度和每一維的大小。這種簡單的數(shù)據結構在傳輸?shù)臅r候其實不太需要復雜的序列化和反序列化的功能。

在相當多的情況下，Tensor 是稠密的，并且其大小也是比較大的，也就是說在傳輸這樣的 Tensor 的時候并不需要對其進行額外的批處理。

深度學習的訓練過程是迭代的。每個迭代處理一個 mini-batch。在不同的迭代之間，數(shù)據流圖和很多 Tensor 的 shape 信息并不發(fā)生改變，并且其中不少的 shape 信息是可以在運行時前就靜態(tài)決定的。

基于以上幾個特點，我們可以對數(shù)據流圖進行分析，找到那些可以靜態(tài)決定 shape 信息的 Tensor，以便在運行前，在接收端預先為其分配 RDMA 可訪問的內存空間，并將其相應的可遠程訪問的地址傳送給發(fā)送端。這樣一來，在運行時，發(fā)送端可以通過單邊的 RDMA 請求將 Tensor 的數(shù)據直接傳輸?shù)浇邮斩?，從而完全避免了沒有必要的額外內存拷貝，達到零拷貝的通信過程。我們將這種機制在 TensorFlow 上進行實驗，和基于 TCP/IP 的 gRPC 相比，這一方法在一系列典型模型上均取得了多倍的性能改進。甚至和針對 RDMA 優(yōu)化過的 gRPC 相比，我們的方法仍然能夠取得超過 50% 的性能提升。

另外，我們在分布式深度學習方向上關注的另一個問題是如何自動地對資源無關的數(shù)據流圖做優(yōu)化的分布式執(zhí)行，也就是自動劃分數(shù)據流圖中的計算任務并為其分配相應的計算資源，以使計算效率最優(yōu)化。Google 的 Jeff Dean 團隊在這個方向上已經做了很好的先驅性工作。但局限于模型并行和單機多卡的運行環(huán)境，目前這仍然是一個非常重要并且大有可為的方向，需要結合數(shù)據并行，分布式及異構環(huán)境來綜合考慮。

▌提升單個計算單元的運算效率

前面提到過，使用深度學習框架來實現(xiàn)的模型算法，在運行時前會被轉換成數(shù)據流圖。不少具有實際應用價值的模型都非常復雜，由它們所轉換出來的數(shù)據流圖通常是由成千上萬的操作節(jié)點構成，其中包含了很多運算量非常小的節(jié)點，也就是說它們的輸入矩陣的大小很小，或者是其計算邏輯的復雜度相對于對輸入數(shù)據訪問的復雜度來說很低。大量這樣的操作節(jié)點會引入以下一些運行時開銷，并且這樣的開銷會非常顯著。

1）深度學習系統(tǒng)運行時需要根據數(shù)據流圖中節(jié)點的依賴關系來調度節(jié)點的執(zhí)行。調度每個節(jié)點的系統(tǒng)開銷和操作節(jié)點計算量的大小并沒有直接關系，因此對于由許多小的操作節(jié)點構成的計算流圖來說，系統(tǒng)調度所帶來的額外開銷就會相對比較大；

2）對于在 GPU 上運行的計算來說，每個操作節(jié)點的實現(xiàn)都對應著一個 GPU 的內核函數(shù)，而這個內核函數(shù)的每一次執(zhí)行需要 CPU 調用顯卡驅動來啟動，因此也帶來了常數(shù)量級的額外開銷。這個開銷相對于計算量小的內核函數(shù)的執(zhí)行來說是非常明顯的；

3）計算量小的操作節(jié)點往往難以挖掘出足夠的數(shù)據并行性，因此不能充分利用處理器硬件中的計算資源。

解決這一問題的主要思路是內核融合（Kernel Fusion）。一些手工的優(yōu)化方法就運用了這一思想，比如 NVIDIA 基于 CuDNN 的 RNN 庫函數(shù)。它把整個循環(huán)神經網絡實現(xiàn)成一個 GPU 的內核函數(shù)，因此獲得了非常好的性能。然而它的缺點也非常明顯，那就是不夠靈活和通用，無法應用在其它網絡或一些變種的循環(huán)神經網絡中。而我們更加關注的是如何在深度學習的系統(tǒng)中自動地對任意的網絡模型實施優(yōu)化。

目前在學術界和工業(yè)界已經存在一些系統(tǒng)采用編譯的方法生成融合的內核代碼，比如 TVM、Halide 和 Taco 等。這些系統(tǒng)使用 Tensor Algebra 作為前端表示方法，每個 Tensor Algebra 表達式進而可以被編譯成相應的內核代碼。而 Tensor Algebra 可以作為更低一層的中間表達被集成到深度學習系統(tǒng)中，也就是說高層的數(shù)據流圖可以先轉換成由 Tensor Algebra 表達式組成的代碼塊，再被編譯成可執(zhí)行的代碼。然而，這些系統(tǒng)對于可以進行融合的操作節(jié)點有很多限制，不能很好地融合多個非 pointwise 的操作，例如多個矩陣乘操作。然而，我們發(fā)現(xiàn)如果打破這一限制從而融合更多操作節(jié)點是可以帶來更多顯著的性能提升的。

在 GPU 的運行環(huán)境下融合多個非 pointwise 的操作具有一定的挑戰(zhàn)性，因為非 pointwise 的操作中輸入矩陣的每個元素都可能依賴于前一個操作的輸出矩陣中的許多不同位置的元素值，所以在這兩個操作之間需要插入 Barrier 同步原語。而在 GPU 中實現(xiàn) Barrier 需要保證該內核的所有線程塊在運行時都是保持活動狀態(tài)的，這意味著我們必須要求融合后的內核采用有限個數(shù)的線程塊，但同時又能夠處理遠超過線程塊數(shù)量的數(shù)據塊。

為了解決這一問題，我們嘗試采用 persistent-thread 的線程塊模型，也就是說在融合后的內核的整個生命周期啟動固定數(shù)目的線程塊并讓它們保持活動狀態(tài)。我們的優(yōu)化系統(tǒng)在產生融合的內核代碼的過程中類似于解決一個裝箱（bin-pack）問題，即把待融合的子數(shù)據流圖中的每一個操作節(jié)點所要處理的數(shù)據塊分派給適當?shù)幕顒泳€程塊，從而使得每個線程塊的負載盡可能均衡，并且保持操作節(jié)點的運算在原數(shù)據流圖中的并行性。

為了生成優(yōu)化的 GPU 內核函數(shù)，一個重要的考慮因素是線程塊和數(shù)據塊的合理劃分。然而這又依賴于一些非常復雜的因素，比如操作節(jié)點運算中計算和訪存復雜度的比率、GPU 的 shared memory 的大小、寄存器文件的大小及分配方法等等。因此一個最優(yōu)的選擇是很難通過靜態(tài)的方法決定的。幸運的是，深度學習的迭代性以及需要相當多的迭代才能收斂的特性使得我們可以利用早期的迭代過程來收集運行時的動態(tài)信息以幫助優(yōu)化系統(tǒng)做更明智的決定。

▌克服設備內存資源限制

設備內存的大小往往限制了可以處理的模型規(guī)模，解決這一問題的一個思路是對模型進行壓縮和量化。如今學術界和工業(yè)界已經有大量的研究工作提出不同的壓縮和量化的方法，然而，在實際的應用場景中使用壓縮和量化仍然是個繁瑣的迭代過程。在這個過程中，用戶可能會進行以下幾個方面的嘗試。

1）不同的壓縮方法。比如，是根據模型的參數(shù)值是否趨近于零，還是將其轉換成某種貢獻值之后趨近于零？壓縮時是不是考慮一定的結構化（如果是面向 GPU，可能需要壓縮成塊狀稀疏矩陣來提高運行效率）？量化的值點是根據值域平均劃分還是基于某種聚類來劃分？

2）不同的壓縮程度。要考慮在哪些層的神經元參數(shù)上做壓縮，因為并不是所有層對壓縮后模型效果的敏感程度是一樣的；選擇不同的壓縮率或量化的比特數(shù)。

3）為了保持在大的壓縮率下仍然取得好的模型效果，壓縮過程可能需要是漸進的，比如一次壓縮 10%，然后重新訓練，重復此過程直到取得目標的壓縮率。那么每次漸進過程的壓縮率就是一個需要調整的參數(shù)。

顯然，這樣一個繁瑣的過程需要一個好的工具來使之變得方便。這也是我們組正在關注的一個問題。我們正在嘗試擴展 TensorFlow 的 API 來使用戶可以在模型腳本中直接控制量化和壓縮的方法、對象、程度和過程。

壓縮和量化通常是用來解決模型部署時的性能和內存資源不足的問題，而解決模型訓練時內存不夠的問題的思路之一是用計算來換內存。比如，如果數(shù)據流圖中某一個操作節(jié)點的計算量很小，但是輸出的中間結果數(shù)據量很大，一個更好的處理方式是不在內存中保存這個中間結果，而在后面需要用到它的時候再重新執(zhí)行這個操作節(jié)點的計算。當然，重新計算還是引入了一定的額外開銷。

事實上，還存在另外一種解決這個問題的思路，就是將大的輸入數(shù)據就保存在 CPU 端的主存里，并將操作節(jié)點實現(xiàn)成流式的處理，將大的輸入數(shù)據分段拷貝進 GPU 的設備內存，并通過異步的拷貝使得對每一分段的計算時間和下一分段的拷貝時間能夠重疊起來，從而掩蓋住數(shù)據拷貝的開銷。對于矩陣乘法這樣的操作，由于計算復雜度相對于訪存復雜度較高，當分段較大的時候，計算時間和拷貝時間是可以達到完美重疊的。然而，如果所要進行的操作不是矩陣乘法，而是一些簡單的 pointwise 操作，計算的復雜度就沒有辦法和內存拷貝的開銷相抵消。所以這種做法還需要跟內核融合相結合。比如將矩陣乘法和后續(xù)的 pointwise 操作相融合，每一個分段的計算都會把該分段的矩陣乘和 pointwise 操作都做完，然后再處理下一個分段。

以上就是微軟亞洲研究院異構計算組在深度學習系統(tǒng)框架優(yōu)化問題上的思考和研究方向，我們希望從系統(tǒng)層面進一步推動深度學習乃至人工智能的發(fā)展。