頂級FPGA和GPU的PK

本部分，我們就跟隨作者一起看看Intel Stratix10 NX和Nvidia在這個領(lǐng)域的利器T4以及V100之間的對比，過程分為芯片級對比以及系統(tǒng)級對比。

本部分一起先來看看芯片級對比

首先來看下我們的GPU對手——Nvidia T4和V100分別有320個和640個張量核(專門用于AI工作負(fù)載的矩陣乘法引擎)

Nvidia Tesla T4

Nvidia Tesla V100

下面表格總結(jié)了與Stratix10 NX和這些同代工藝GPU的關(guān)鍵指標(biāo)對比。?就die尺寸來說，V100是Nvidia最大的12nm GPU，幾乎比T4大50%，而Stratix10 NX比兩種GPU都小。

首先，文章使用GPU最擅長處理的工作負(fù)載：通用矩陣乘(GEMM)來跑GPU的benchmark(什么是GEMM請移步https://spatial-lang.org/gemm)，為了測量最佳的GPU性能，對每個器件使用最新的library，這些庫不會出錯，并且分別在使用和不使用張量核的情況下測試性能。對于fp32和fp16實(shí)驗(yàn)，分別使用CUDA10.0和10.2的CuBLAS庫進(jìn)行V100和T4。對于int8，我們使用CUDA10.2中的cuBLASLt庫，這樣可以比cuBLAS庫獲得更高的int8性能。文章使用Nvidia的官方（高度優(yōu)化）的cuDNN kernel來處理DL工作負(fù)載，并且分別對V100和T4使用了從cuDNN7.6.2和7.6.5。?（cuBLAS API，從cuda6.0開始；cuBLASLt API，從cuda10.1開始）

cuDNN庫不支持int8計(jì)算kernel，但它們支持將所有模型權(quán)重保存在片上內(nèi)存中。對于每個工作負(fù)載、問題大小和序列長度，文章在兩種GPU上運(yùn)行了所有可能的配置組合，如精度{fp32、fp16、int8}、計(jì)算樣式{persistent、non-persistent}、張量核心設(shè)置{enable、disable}。然后，選擇最佳的性能，來和Stratix10 NX的NPU進(jìn)行比較。?這里因?yàn)槭切酒墝Ρ龋灾豢紤]了芯核的計(jì)算效率，不包括任何初始化、芯核啟動或主機(jī)-GPU數(shù)據(jù)傳輸開銷。

下圖給出了T4和V100 GPU上fp32、fp16和int8精度的GEMM benchmark測試結(jié)果。結(jié)果表明，相對于張量核禁用情況(藍(lán)線），啟用張量核（紅線)?可以顯著提高GPU在GEMM上的性能。

然而，一個普遍的趨勢是，張量核雖然是為GEMM設(shè)計(jì)的，但在矩陣大小為2048或以下情況時的利用效率明顯不如峰值情況（紅色虛線）。因此要實(shí)現(xiàn)高利用率，除非工作負(fù)載中的矩陣大小非常大，而這在實(shí)際DL工作負(fù)載中并不常見。T4和V100上的張量核都不支持fp32的精度，而是在執(zhí)行乘法運(yùn)算之前，將fp32數(shù)據(jù)轉(zhuǎn)換為fp16。相對于純fp16?GEMM，這種數(shù)據(jù)轉(zhuǎn)換開銷降低了張量核性能。另一個有趣的情況是，當(dāng)T4張量核在int8模式下工作時，它們需要將輸入矩陣從標(biāo)準(zhǔn)的行/列主要格式轉(zhuǎn)換為特定于張量核的布局。因此，即使在處理非常大的8192×8192矩陣時，在張量核（沒有標(biāo)記的紅線）上實(shí)現(xiàn)的int8性能還不到峰值性能的45%。

為了更好地理解這種數(shù)據(jù)轉(zhuǎn)換的開銷，文章還進(jìn)行了一個額外的實(shí)驗(yàn)，在這個實(shí)驗(yàn)中，對張量核進(jìn)行了特殊布局（帶有標(biāo)記的紅線)。即使不算矩陣布局變化的開銷，對于4096×4096及以下的矩陣大小，張量核利用率也小于40%，在6144×6144矩陣中利用率達(dá)到最高為72%。

下面來看看FPGA上的情況，上圖(Fig.6)的右上角那張圖比較了Stratix10 NX上的NPU性能與具有int8張量核的T4 GPU的性能。為了公平地比較，文章禁用了NPU兩個輸入矩陣其中一個的矩陣布局變換，只保留了對另一個輸入以及輸出矩陣的布局變換（因?yàn)镹PU以標(biāo)準(zhǔn)格式使用和生成這些矩陣）。

雖然NPU是為矩陣向量運(yùn)算而設(shè)計(jì)的，但它在GEMM工作負(fù)載上仍然實(shí)現(xiàn)了與T4相似的性能，其矩陣大小從512到3072不等(最大的矩陣可以fit進(jìn)片上BRAM)。?

最后，一起看看頂級FPGA和GPU的PK結(jié)果。下圖(Fig.7)將文章在Stratix10 NX上增強(qiáng)型NPU的性能與T4和V100的最佳性能進(jìn)行比較。對于比較小的batch-3和batch-6情況，F(xiàn)PGA性能總是顯著高于兩個GPU。FPGA在batch-6（其設(shè)計(jì)為：雙核batch-3）中表現(xiàn)最好，平均性能分別是T4和V100的24.2x和11.7x。

與batch-6相比，F(xiàn)PGA在batch-3上的性能較低，因?yàn)閮蓚€核中的一個完全空閑。然而，它仍然比T4和V100分別平均快了22.3x和9.3x。在batch size高于6時，如果batch size不能被6整除，則NPU可能不能被充分利用。例如，在batch size為8、32和256的情況下，NPU最多可以達(dá)到其batch-6性能的67%、89%和99%，而batch size為12、36和258（上圖中的虛線所示）可以達(dá)到100%的效率。在32輸入的中等batch size情況下，NX仍然比T4具有更好的性能，并且與V100性能相當(dāng)。

即使在比較大的batch size情況下，NX的性能也比T4高58%，只比die size更大（大將近一倍）的V100低30%。這些結(jié)果表明，人工智能優(yōu)化的FPGA在低batch實(shí)時推理中不僅可以實(shí)現(xiàn)比GPU好一個數(shù)量級的性能，而且可以在放寬延遲約束下的高batch推理中和GPU匹敵。上圖(Fig.7)中的右下角圖總結(jié)了不同batch size情況下NX相對于CPU的平均加速情況。

上圖(Fig.7)中的右上角圖顯示了與不同batch大小下的兩個GPU相比，NX的平均利用率。NX在batch-6中的平均利用率為37.1%，而T4和V100分別僅為1.5%和3%。GPU張量核并非直接互連，它們只能接收來自本地核內(nèi)寄存器文件的輸入。因此，每個GPU張量核都必須發(fā)送它的partial result到全局內(nèi)存中，并與其他張量核同步，以結(jié)合這些partial result。然后GPU從全局內(nèi)存中讀取組合好的矢量來執(zhí)行進(jìn)一步的操作，如激活函數(shù)（activation functions）。

較高的batch size可以攤銷這種同步延遲，但即使在batch-256情況下，T4和V100的利用率分別只有13.3%和17.8%。 另一方面，F(xiàn)PGA在架構(gòu)上也更具優(yōu)勢，其在張量塊之間有專用的用來做減法的互連， FPGA的可編程布線資源還允許將MVU tile和矢量單元級引擎級聯(lián)起來進(jìn)行直接通信，減少了像GPU中那樣必須通過內(nèi)存通信的情況。

綜上可以看到，F(xiàn)PGA依靠架構(gòu)優(yōu)勢和超高的資源利用率，在AI性能PK上對GPU形成了強(qiáng)勁挑戰(zhàn)。下一篇，我們再來一起看看從系統(tǒng)角度，F(xiàn)PGA和GPU的對比情況以及功耗方面的分析。

審核編輯 ：李倩

?