GPUNet 由 AI 為 AI 精心打造，是一類(lèi)卷積神經(jīng)網(wǎng)絡(luò)，旨在使用 NVIDIA TensorRT 最大化 NVIDIA GPU 的性能。

使用新的神經(jīng)架構(gòu)搜索（ NAS ）方法構(gòu)建， GPUNet 展示了最先進(jìn)的推理性能，比 EfficientNet-X 和 FBNet-V3 快兩倍。

NAS 方法有助于為廣泛的應(yīng)用構(gòu)建 GPUNet ，以便深度學(xué)習(xí)工程師可以根據(jù)相對(duì)精度和延遲目標(biāo)直接部署這些神經(jīng)網(wǎng)絡(luò)。

GPUNet NAS 設(shè)計(jì)方法

高效的體系結(jié)構(gòu)搜索和部署就緒模型是 NAS 設(shè)計(jì)方法的關(guān)鍵目標(biāo)。這意味著幾乎不與領(lǐng)域?qū)＜疫M(jìn)行交互，并且有效地使用集群節(jié)點(diǎn)來(lái)培訓(xùn)潛在的架構(gòu)候選。最重要的是，生成的模型已準(zhǔn)備好部署。

人工智能制作

為目標(biāo)設(shè)備尋找性能最佳的架構(gòu)搜索可能很耗時(shí)。 NVIDIA 構(gòu)建并部署了一種新型的 NAS AI 代理，該代理可以有效地做出構(gòu)建 GPUNET 所需的艱難設(shè)計(jì)選擇，使 GPUNET 比當(dāng)前的 SOTA 模型領(lǐng)先 2 倍。

此 NAS AI 代理在中自動(dòng)協(xié)調(diào)數(shù)百個(gè) GPU Selene 超級(jí)計(jì)算機(jī) 而不需要領(lǐng)域?qū)＜业娜魏胃深A(yù)。

使用 TensorRT 為 NVIDIA GPU 優(yōu)化

GPUNet 通過(guò)相關(guān)的 TensorRT 推理延遲成本，提升 GPU 友好的運(yùn)算符（例如，較大的篩選器）而不是內(nèi)存綁定運(yùn)算符（例如花哨的激活）。它在 ImageNet 上提供了 SOTA GPU 延遲和精度。

部署就緒

GPUNet 報(bào)告的延遲包括 TensorRT 發(fā)貨版本中可用的所有性能優(yōu)化，包括融合內(nèi)核、量化和其他優(yōu)化路徑。構(gòu)建的 GPune 已準(zhǔn)備好部署。

構(gòu)建 GPune ：端到端 NAS 工作流

在高層次上，神經(jīng)架構(gòu)搜索（ NAS ） AI 代理分為兩個(gè)階段：

根據(jù)推理延遲對(duì)所有可能的網(wǎng)絡(luò)架構(gòu)進(jìn)行分類(lèi)。

使用適合延遲預(yù)算的這些網(wǎng)絡(luò)的子集，并優(yōu)化其準(zhǔn)確性。

在第一階段，由于搜索空間是高維的，代理使用 Sobol 采樣來(lái)更均勻地分布候選。使用延遲查找表，然后將這些候選對(duì)象分類(lèi)到子搜索空間，例如， NVIDIA V100 GPU 上總延遲低于 0.5 毫秒的網(wǎng)絡(luò)子集。

此階段中使用的推斷延遲是一個(gè)近似成本，通過(guò)將延遲查找表中每個(gè)層的延遲相加來(lái)計(jì)算。延遲表使用輸入數(shù)據(jù)形狀和層配置作為鍵來(lái)查找查詢層上的相關(guān)延遲。

在第二階段，代理建立貝葉斯優(yōu)化損失函數(shù)，以在子空間的延遲范圍內(nèi)找到性能最佳的高精度網(wǎng)絡(luò)：

圖 2. NVIDIA NAS AI 代理端到端工作流

AI 代理使用客戶端 – 服務(wù)器分布式訓(xùn)練控制器來(lái)跨多個(gè)網(wǎng)絡(luò)架構(gòu)同時(shí)執(zhí)行 NAS 。 AI 代理在一個(gè)服務(wù)器節(jié)點(diǎn)上運(yùn)行，提出并訓(xùn)練在集群上多個(gè)客戶端節(jié)點(diǎn)上運(yùn)行的網(wǎng)絡(luò)候選。

根據(jù)結(jié)果，只有滿足目標(biāo)硬件的準(zhǔn)確度和延遲目標(biāo)的有前途的網(wǎng)絡(luò)體系結(jié)構(gòu)候選者得到排名，從而產(chǎn)生了一些性能最佳的 GPUNET ，可以使用 TensorRT 部署在 NVIDIA GPU 上。

GPUNet 模型體系結(jié)構(gòu)

GPUNet 模型架構(gòu)是一個(gè)八級(jí)架構(gòu)，使用 EfficientNet-V2 作為基線架構(gòu)。

搜索空間定義包括搜索以下變量：

操作類(lèi)型

跨步數(shù)

內(nèi)核大小

層數(shù)

激活函數(shù)

IRB 擴(kuò)展比

輸出通道濾波器

擠壓激勵(lì)（ SE ）

表 1 顯示了搜索空間中每個(gè)變量的值范圍。

前兩個(gè)階段使用卷積搜索磁頭配置。受 EfficientNet-V2 的啟發(fā)，第二級(jí)和第三級(jí)使用融合 IRB 。然而，融合的 IRB 會(huì)導(dǎo)致更高的延遲，因此在第 4 至 7 階段，這些被 IRB 取代。

專(zhuān)欄層顯示階段中的層范圍。例如，階段 4 中的［1 ， 10］表示該階段可以具有 1 到 10 個(gè) IRB 。專(zhuān)欄過(guò)濾器顯示階段中各層的輸出通道濾波器范圍。該搜索空間還調(diào)整 IRB /融合 IRB 內(nèi)部的擴(kuò)展比（ ER ）、激活類(lèi)型、內(nèi)核大小和壓縮激勵(lì)（ SE ）層。

最后，在步驟 32 ，從 224 到 512 搜索輸入圖像的尺寸。

來(lái)自搜索空間的每個(gè) GPUNet 候選構(gòu)建被編碼為 41 寬的整數(shù)向量（表 2 ）。

在 NAS 搜索結(jié)束時(shí)，返回的排序候選是這些性能最佳的編碼的列表，這些編碼又是性能最佳的 GPUNET 。

總結(jié)

鼓勵(lì)所有 ML 從業(yè)人員閱讀 CVPR 2022 GPUNet 研究報(bào)告 ，并在 NVIDIA /深度學(xué)習(xí)示例 GitHub repo ，并在 協(xié)作實(shí)例 在可用云上 GPU 。 GPUNet 推理也可在 PyTorch hub colab 運(yùn)行實(shí)例使用 NGC 集線器上托管的 GPUNet 檢查點(diǎn)。這些檢查點(diǎn)具有不同的準(zhǔn)確性和延遲折衷，可以根據(jù)目標(biāo)應(yīng)用程序的要求應(yīng)用。

關(guān)于作者

Satish Salian 是 NVIDIA 的首席系統(tǒng)軟件工程師，為開(kāi)發(fā)人員利用 NVIDIA GPU 的能力構(gòu)建端到端技術(shù)和解決方案。他目前專(zhuān)注于神經(jīng)架構(gòu)搜索（ NAS ）方法，為 NVIDIA GPU 搜索高性能神經(jīng)架構(gòu)。

Carl （Izzy） Putterman 最近加入 NVIDIA ，擔(dān)任深度學(xué)習(xí)算法工程師。他畢業(yè)于加利福尼亞大學(xué)，伯克利在應(yīng)用數(shù)學(xué)和計(jì)算機(jī)科學(xué)學(xué)士學(xué)位。在 NVIDIA ，他目前致力于時(shí)間序列建模和圖形神經(jīng)網(wǎng)絡(luò)，重點(diǎn)是推理。

Linnan Wang 是 NVIDIA 的高級(jí)深度學(xué)習(xí)工程師。 2021 ，他在布朗大學(xué)獲得博士學(xué)位。他的研究主題是神經(jīng)架構(gòu)搜索，他的 NAS 相關(guān)著作已在 ICML 、 NeurIPS 、 ICLR 、 CVPR 、 TPMAI 和 AAAI 上發(fā)表。在 NVIDIA ， Lin Nan 繼續(xù)進(jìn)行 NAS 的研發(fā)，并將 NAS 優(yōu)化模型交付給 NVIDIA 核心產(chǎn)品。

審核編輯：郭婷