神經(jīng)網(wǎng)絡訓練通常是 GPU 大顯身手的領(lǐng)域，然而萊斯大學和英特爾等機構(gòu)對 GPU 的地位發(fā)起了挑戰(zhàn)。

　　在深度學習與神經(jīng)網(wǎng)絡領(lǐng)域，研究人員通常離不開 GPU。得益于 GPU 極高內(nèi)存帶寬和較多核心數(shù)，研究人員可以更快地獲得模型訓練的結(jié)果。與此同時，CPU 受限于自身較少的核心數(shù)，計算運行需要較長的時間，因而不適用于深度學習模型以及神經(jīng)網(wǎng)絡的訓練。

　　但近日，萊斯大學、螞蟻集團和英特爾等機構(gòu)的研究者發(fā)表了一篇論文，表明了在消費級 CPU 上運行的 AI 軟件，其訓練深度神經(jīng)網(wǎng)絡的速度是 GPU 的 15 倍。這篇論文已被 MLSys 2021 會議接收。

　　論文鏈接：https://proceedings.mlsys.org/paper/2021/file/3636638817772e42b59d74cff571fbb3-Paper.pdf

　　論文通訊作者、萊斯大學布朗工程學院的計算機科學助理教授 Anshumali Shrivastava 表示：「訓練成本是 AI 發(fā)展的主要瓶頸，一些公司每周就要花費數(shù)百萬美元來訓練和微調(diào) AI 工作負載?！顾麄兊倪@項研究旨在解決 AI 發(fā)展中的訓練成本瓶頸。

　　Anshumali Shrivastava。

　　研究動機及進展

　　深度神經(jīng)網(wǎng)絡（DNN）是一種強大的人工智能，在某些任務上超越了人類。DNN 訓練通常是一系列的矩陣乘法運算，是 GPU 理想的工作負載，速度大約是 CPU 的 3 倍。

　　如今，整個行業(yè)都專注于改進并實現(xiàn)更快的矩陣乘法運算。研究人員也都在尋找專門的硬件和架構(gòu)來推動矩陣乘法，他們甚至在討論用于特定深度學習的專用硬件 - 軟件堆棧。

　　Shrivastava 領(lǐng)導的實驗室在 2019 年做到了這一點，將 DNN 訓練轉(zhuǎn)換為可以用哈希表解決的搜索問題。他們設計的亞線性深度學習引擎（sub-linear deep learning engine, SLIDE）是專門為運行在消費級 CPU 上而設計的，Shrivastava 和英特爾的合作伙伴在 MLSys 2020 會議上就公布了該技術(shù)。他們表示，該技術(shù)可以超越基于 GPU 的訓練。

　　在 MLSys 2021 大會上，研究者探討了在現(xiàn)代 CPU 中，使用矢量化和內(nèi)存優(yōu)化加速器是否可以提高 SLIDE 的性能。

　　論文一作、萊斯大學 ML 博士生 Shabnam Daghaghi 表示：「基于哈希表的加速已經(jīng)超越了 GPU。我們利用這些創(chuàng)新進一步推動 SLIDE，結(jié)果表明即使不專注于矩陣運算，也可以利用 CPU 的能力，并且訓練 AI 模型的速度是性能最佳專用 GPU 的 4 至 15 倍?！?/p>

　　Shabnam Daghaghi。

　　此外，論文二作、萊斯大學計算機科學與數(shù)學本科生 Nicholas Meisburger 認為，CPU 仍然是計算領(lǐng)域最普遍的硬件，其對 AI 的貢獻無可估量。

　　技術(shù)細節(jié)

　　在本論文中，該研究重新了解了在兩個現(xiàn)代 Intel CPU 上的 SLIDE 系統(tǒng)，了解 CPU 在訓練大型深度學習模型方面的真正潛力。該研究允許 SLIDE 利用現(xiàn)代 CPU 中的矢量化、量化和一些內(nèi)存優(yōu)化。與未優(yōu)化的 SLIDE 相比，在相同的硬件上，該研究的優(yōu)化工作帶來了 2-7 倍的訓練時間加速。

　　SLIDE 的工作流程包括：初始化、前向-反向傳播和哈希表更新。下圖 1 為前向-反向傳播工作流程圖：

　　前向和后向傳播示意圖。

　　該研究專注于大規(guī)模評估，其中所需的神經(jīng)網(wǎng)絡擁有數(shù)億個參數(shù)。在兩臺 Intel  CPU 上比較了優(yōu)化的 SLIDE，分別是 Cooper Laker 服務器（CPX）和 Cascade Lake 服務器（CLX），并與以下以下 5 個基準進行了對比：

　　1）V100 GPU 上的 full-softmax tensorflow 實現(xiàn)；

　　2） CPX 上的 full-softmax tensorflow 實現(xiàn)；

　　3）CLX 上的 full-softmax tensorflow 實現(xiàn)；

　　4）CPX 上的 Naive SLIDE；

　　5）CLX 上的 Naive SLIDE。

　　其中，CPX 是英特爾第三代至強可擴展處理器，支持基于 AVX512 的 BF16 指令。CLX 版本更老，不支持 BF16 指令。

　　研究者在三個真實的公共數(shù)據(jù)集上評估了框架和其他基準。Amazon670K 是用于推薦系統(tǒng)的 Kaggle 數(shù)據(jù)集；WikiLSH-325K 數(shù)據(jù)集和 Text8 是 NLP 數(shù)據(jù)集。詳細統(tǒng)計數(shù)據(jù)見下表 1：

　　對于 Amazon-670K 和 WikiLSH-325K，研究者使用了一個標準的全連接神經(jīng)網(wǎng)絡，隱藏層大小為 128，其中輸入和輸出都是多個熱編碼向量。對于 Text8，該研究使用標準 word2vec 語言模型，隱藏層大小為 200，其中輸入和輸出分別是一個熱編碼向量和多個熱編碼向量。

　　下圖 6 第一行代表所有數(shù)據(jù)集的時間收斂圖，結(jié)果顯示了該研究提出的優(yōu)化 SLIDE 在 CPX 和 CLX（深綠色和淺綠色）上訓練時間優(yōu)于其他基準 。圖 6 的底部行顯示了所有數(shù)據(jù)集的柱狀圖。

　　下表 2 給出了三個數(shù)據(jù)集上的詳細數(shù)值結(jié)果：

　　下表 3 中，研究者展示了 BF16 指令對每個 epoch 平均訓練時間的影響。結(jié)果表明，在 Amazon-670K 和 WikiLSH325K 上，激活和權(quán)重中使用 BF16 指令分別將性能提升了 1.28 倍和 1.39 倍。但是，在 Text8 上使用 BF16 沒有產(chǎn)生影響。

　　下表 4 展示了有無 AVX-512 時，優(yōu)化 SLIDE 在三個數(shù)據(jù)集上的每個 epoch 平均訓練時間對比。結(jié)果表明，AVX-512 的矢量化將平均訓練時間減少了 1.2 倍。