隨著時下智能時代的發(fā)展，機器學習已成為不少專業(yè)人士的“必備技能”。盡管如此，可它在實用性上仍然存在一些問題。因而設計師們采取了架構精簡、壓縮、以及硬件加速等三種途徑。都有啥特點呢?請往下看~

精簡架構設計，輸入/輸出的極致簡化

設計師減少層數(shù)或網(wǎng)絡中各層之間連接數(shù)量的任何努力，都會直接降低推理的內(nèi)存要求和計算量。因此，我們很難預測指定網(wǎng)絡設計在指定問題和訓練集上的作用，除非有經(jīng)驗可供參考。確定您是否需要特定深度學習網(wǎng)絡設計中全部 16 層的唯一方法，是以網(wǎng)絡的數(shù)層為樣本對其進行訓練和測試。但由于此類探索工作的費用較高，設計師往往更傾向于使用他們熟悉的網(wǎng)絡架構;當然，探索也可能有助于節(jié)省大量成本。

讓我們以 ImageNet 當前面臨的眾所周知的靜態(tài)圖像分類挑戰(zhàn)為例。深度學習網(wǎng)絡一般從上一層的每個節(jié)點為自身的每個節(jié)點獲取加權輸入，而圖像分類研究人員有了重大發(fā)現(xiàn)，即使用卷積神經(jīng)網(wǎng)絡 (CNN) 可以化繁為簡(圖 3)。

在其初層中，CNN 使用較少的卷積引擎替代完全連接的節(jié)點。卷積引擎并不為每項輸入提供權重，僅具有小型卷積核心。它可使用輸入圖像對核心進行卷積處理，生成特征圖—一種 2D 數(shù)組，表示圖像和圖像各點處核心之間的相似度。然后，特征圖可收到非線性化信息。卷積層的輸出是一個三維數(shù)組：該層中每個節(jié)點的 2D 特征圖。然后，該數(shù)組將經(jīng)過池化運算降低分辨率，從而縮減 2D 特征圖的大小。

圖 3. 遞歸神經(jīng)網(wǎng)絡通常只是將其部分中間狀態(tài)或輸出饋送回輸入的簡單神經(jīng)網(wǎng)絡

現(xiàn)代 CNN 可能具有許多卷積層，每個卷積層跟著一個池化層。在靠近網(wǎng)絡輸出端的位置，卷積和池化層終止，其余層是完全連接的。因此，網(wǎng)絡從輸入端到輸出端逐漸變細，最終形成一個完全連接的層，其寬度剛好足以為每個所需的標記生成一個輸出。與具有相似深度的完全連接的深度學習網(wǎng)絡相比，該網(wǎng)絡能夠大幅減少權重、連接數(shù)和節(jié)點數(shù)。

“壓縮”技術，突破推理的上限

機器學習社區(qū)使用壓縮表示與卷積數(shù)據(jù)壓縮截然不同的概念。該語境下的壓縮包含一系列技術，用于減少生成推理所需的計算數(shù)量并降低其難度，修剪便是此類技術之一。在進行修剪時，深度學習網(wǎng)絡訓練通常會在權重矩陣中產(chǎn)生多個零或非常小的數(shù)值。實際上，這意味著無需計算將乘以權重的輸入。因此，表示推理計算的數(shù)據(jù)流圖表可被剪下一整個分支。經(jīng)驗表明，如果一個網(wǎng)絡被修剪后再重新訓練，其精度實際上可以提高。

另一種壓縮方法是減少權重中的位數(shù)。雖然數(shù)據(jù)中心服務器可能將所有值保持在單精度浮點中，但研究人員發(fā)現(xiàn)，更低的權重精度和幾個位足以實現(xiàn)與 32 位浮點幾乎相同的精度。同樣，在應用非線性之后，節(jié)點的輸出可能只需要幾個位。如果推理模型將在服務器上執(zhí)行，這幾乎沒有幫助。然而，該方法在一個 MCU 上非常有用，一個能夠非常有效地實施 2 位或 3 位乘法器的 FPGA 加速器可以充分利用這種壓縮形式。

總之，在某些情況下，修剪技術、大幅減少位數(shù)和相關技術已經(jīng)被證明可以減少 20 到 50 倍的推理工作。這些技術可以把經(jīng)過訓練的網(wǎng)絡的推理工作控制在一些邊緣計算平臺的范圍內(nèi)。當壓縮不足以達成目的時，設計師可以轉(zhuǎn)向硬件加速，而且硬件加速有越來越多的替代方案。

硬件加速的新風標!

推理所需的計算既不多樣也不復雜，主要包括許多乘積和 — 乘積累加 (MAC) — 運算，用于將輸入乘以權重和在每個節(jié)點將結果相加。該計算任務還包括所謂的修正線性單元 (ReLU) — 用于將所有負值設置為零 — 等非線性函數(shù)、雙曲正切或 sigmoid 函數(shù) — 用于注入非線性 — 以及用于池化的最大值函數(shù)。總之，該計算任務看起來很像一個典型的線性代數(shù)工作負載。

應用超級計算領域的硬件思想。最簡單的方法是將輸入、權重和輸出作為向量進行組織，并使用內(nèi)置到大型 CPU 中的向量 SIMD 單元。為了提高速度，設計師在 GPU 中使用了大量著色引擎。通過在 GPU 的內(nèi)存層次結構中安排輸入、權重和輸出數(shù)據(jù)避免抖動或高缺失率，(絕非無足輕重的小問題，)但這并沒有阻止 GPU 成為數(shù)據(jù)中心深度學習領域使用最廣泛的非 CPU 硬件。最近幾代的 GPU 取得了長足進步，增加了更小的數(shù)據(jù)類型和矩陣數(shù)學塊來補充浮點著色單元，能夠更好地適應該應用。

這些調(diào)整說明了加速硬件設計師使用的基本策略：減少或消除指令獲取和解碼，減少數(shù)據(jù)移動，盡可能多地使用并行性，以及利用壓縮。難點在于確保這些操作在實施時不會互相干擾。

使用這些策略有幾種架構方法：

1、在芯片上對大量的乘法器、加法器和小型 SRAM 塊進行實例化，并通過片上網(wǎng)絡將它們鏈接起來。這為執(zhí)行推理提供了原始資源，但存在一個關鍵挑戰(zhàn)，即從計算元件中高效獲取數(shù)據(jù)，以及將數(shù)據(jù)傳輸至計算元件及程序員。這些設計是過去許多大規(guī)模并行計算芯片的后繼者，所有這些芯片都遭遇了難以攻克的編程挑戰(zhàn)。

2、Google 張量處理單元(TPU)等芯片采用了進一步依托應用的方法，按照深層學習網(wǎng)絡的固有結構組織計算元件。這類架構將網(wǎng)絡的輸入權重乘法視為非常大的矩陣乘法，并創(chuàng)建硬件矩陣乘法器來執(zhí)行它們。在 TPU 中，乘法是在一個收縮乘法器數(shù)組中完成的，在這個數(shù)組中，操作數(shù)自然地從一個單元流到另一個單元。數(shù)組被緩沖區(qū)包圍，以饋入激活和權重值，后面是激活函數(shù)和池化硬件。

通過對芯片進行特定的組織在一定程度上自動實施矩陣運算，TPU 可讓程序員免于通過計算元件和 SRAM 對數(shù)據(jù)移動進行精細安排。編程變得非常簡單，基本就包括將輸入和權重分組成矩陣并按下按鈕，但存在一個問題。如上所述，修剪會產(chǎn)生非常稀疏的矩陣，簡單地將這些矩陣饋入像 TPU 一樣的設備會導致大量毫無意義的乘法和加法。在模型開發(fā)的壓縮階段，可能需要將這些稀疏矩陣重新排列為更小的密集矩陣，以便充分利用硬件。

3、將推理任務作為一系列矩陣乘法建模，而非作為數(shù)據(jù)流圖表建模。加速器被設計成一個數(shù)據(jù)流引擎，數(shù)據(jù)從一側(cè)進入，通過可配置的鏈接流經(jīng)一個類似于圖表的處理元件網(wǎng)絡，然后進行輸出。這種加速器可以配置為僅執(zhí)行所修剪網(wǎng)絡需要的操作。

一旦選擇了架構，接下來的問題就是實施。在開發(fā)過程中，許多架構源于 FPGA，以滿足成本和調(diào)度要求。在一些情況下，一些架構將留在 FPGA 中——例如，當深度學習網(wǎng)絡模型預計會發(fā)生一個加速器設計無法完全處理的過多改變。但是，如果模型的改變很小，例如層排列有所不同和權重發(fā)生改變，ASIC 或 CPU 集成加速器可能是首選項。

這又回到了邊緣計算及其限制的話題。如果機器學習網(wǎng)絡要在一組服務器上執(zhí)行，那么在服務器 CPU、GPU、FPGA 或大型 ASIC 加速器芯片上執(zhí)行都是可行的選擇。但是，如果必須在一個更為有限的環(huán)境中執(zhí)行，例如車間機器、無人機或攝像頭，則需要一個小型的 FPGA 或 ASIC。

對于極其有限環(huán)境中的小型深度學習模型，例如手機，內(nèi)置于應用處理器 SOC 中的低功耗 ASIC 或加速器塊可能是唯一的選擇。盡管到目前為止，這些限制往往會促使設計師努力設計簡單的乘法器數(shù)組，但神經(jīng)形態(tài)設計的卓越能效可能會使它們對下一代深度嵌入式加速器非常重要。

無論如何，機器學習都不再局限于數(shù)據(jù)中心范疇，推理正邁向邊緣。隨著研究人員不再聚焦當前的傳統(tǒng)深度學習網(wǎng)絡，將視線投向更多概念，邊緣的機器學習問題有望成為架構開發(fā)的前沿課題。

審核編輯：湯梓紅