阿里公開核心技術(shù)：如何摘下4項(xiàng)世界冠軍，推理性能比第二名快5倍

文 | 阿里云異構(gòu)計(jì)算團(tuán)隊(duì)
量子位 出品 | 公眾號(hào) QbitAI

近日，斯坦福大學(xué)DAWNBench ImageNet最新成績公布，阿里超過Google、Facebook等，摘下四個(gè)榜單的世界第一。

128卡V100上，訓(xùn)練ResNet50，只需要158秒就能獲得top5 93%的精度。

在10000張圖片的驗(yàn)證集進(jìn)行圖片分類，top5精度不低于93%，推理性能比第二名快5倍以上。

可以說，不論是訓(xùn)練的性能和成本，還是推理的性能和成本，都體現(xiàn)出阿里在異構(gòu)計(jì)算領(lǐng)域具有世界級(jí)AI軟硬件一體化極致性能優(yōu)化能力。

阿里是如何做到的？四項(xiàng)冠軍得主——阿里云異構(gòu)計(jì)算團(tuán)隊(duì)分享了背后的技術(shù)秘密。

這是一個(gè)什么樣的成績？

斯坦福的DAWNBench，是一個(gè)端到端的深度學(xué)習(xí)模型訓(xùn)練和推理性能的基準(zhǔn)測(cè)試平臺(tái)，由斯坦福大學(xué)在2017的NIPS會(huì)議上發(fā)布，之后得到業(yè)界廣泛支持。

Google、Facebook和VMWARE等世界知名公司先后加入。DAWNBench已成為人工智能領(lǐng)域最具影響力、最權(quán)威的排行榜單之一。

對(duì)于AI計(jì)算而言，最重要的兩個(gè)指標(biāo)是性能和成本。最新的成績公布后，顯示了阿里云在訓(xùn)練和推理領(lǐng)域軟硬件一體化世界級(jí)性能優(yōu)化能力。

阿里云異構(gòu)計(jì)算AI加速團(tuán)隊(duì)透露，最重要的武器是阿里云自研的飛天AI加速引擎AIACC、阿里云自研芯片含光800（簡稱AliNPU）以及阿里云異構(gòu)計(jì)算云服務(wù)。

AIACC是阿里云自研的AI加速引擎，是業(yè)界首次統(tǒng)一加速Tensorflow、PyTorch、MxNet、Caffe、Kaldi等AI主流計(jì)算框架的加速引擎，其中包括訓(xùn)練加速引擎AIACC-Training和推理加速引擎AIACC-Inference。

訓(xùn)練加速引擎針對(duì)分布式的網(wǎng)絡(luò)做了性能優(yōu)化，能夠充分發(fā)揮分布式網(wǎng)絡(luò)的通信能力，推理加速引擎針對(duì)阿里云異構(gòu)計(jì)算云服務(wù)（包括GPU云服務(wù)和NPU云服務(wù)）做了針對(duì)性深度的性能優(yōu)化，能夠發(fā)揮異構(gòu)加速設(shè)備的計(jì)算能力。

以NVidia GPU為例，目前業(yè)界最快的推理引擎是TensorRT，而AIACC-Inference的計(jì)算性能比TensorRT還能獲得1.5～2.5倍的性能加速比。

含光800是阿里巴巴第一顆自研AI芯片，也是全球性能最強(qiáng)的AI推理芯片，主要用于云端視覺處理場(chǎng)景，性能打破了現(xiàn)有AI芯片記錄，性能及能效比全球第一。

在業(yè)界標(biāo)準(zhǔn)的ResNet-50測(cè)試中，含光800推理性能達(dá)到78563 IPS，比目前業(yè)界最好的AI芯片性能高4倍；能效比500 IPS/W，是第二名的3.3倍，而AIACC-Inference也能夠充分揮發(fā)含光800超高的計(jì)算能力，這是阿里云軟硬件一體化極致性能優(yōu)化的典范。

阿里云異構(gòu)計(jì)算云服務(wù)將GPU、FPGA、NPU等異構(gòu)計(jì)算設(shè)備整合，通過云計(jì)算服務(wù)的方式對(duì)客戶提供異構(gòu)計(jì)算服務(wù)。

隨著人工智能浪潮的興起，越來越多的AI計(jì)算都采用異構(gòu)計(jì)算來實(shí)現(xiàn)性能加速，而阿里云異構(gòu)計(jì)算服務(wù)，構(gòu)建于云上最豐富的加速實(shí)例基礎(chǔ)之上，通過AIACC的算力提升，為AI計(jì)算提供普惠、彈性和觸手可得的加速計(jì)算云服務(wù)。

刷新ImageNet上ResNet50的訓(xùn)練記錄

在圖像識(shí)別領(lǐng)域，最具代表性的場(chǎng)景是ResNet50在ImageNet上的訓(xùn)練。

最新公布的榜單上，AIACC-Training成為此場(chǎng)景下的性能與成本的世界雙項(xiàng)第一，展示了在分布式訓(xùn)練領(lǐng)域AIACC處于國際領(lǐng)先水平，能夠幫助用戶提升訓(xùn)練性能的同時(shí)降低所需的計(jì)算成本。

訓(xùn)練性能榜單新的世界紀(jì)錄，運(yùn)行在128張V100（16臺(tái)異構(gòu)計(jì)算云服務(wù)實(shí)例ecs.gn6e-c12g1.24xlarge）的集群之上，網(wǎng)絡(luò)通信為32G VPC，訓(xùn)練ResNet50 至top5精度達(dá)到93%時(shí)間為2分38秒。

此前的世界紀(jì)錄所采用的集群規(guī)模也是128張V100，網(wǎng)絡(luò)通信則為100G InfiniBand網(wǎng)絡(luò)，是本次打破世界紀(jì)錄的32G VPC的3倍的帶寬。異構(gòu)計(jì)算云服務(wù)的典型網(wǎng)絡(luò)配置為32Gbps帶寬的VPC網(wǎng)絡(luò)，為了更貼近最終用戶的場(chǎng)景，阿里選擇的是VPC網(wǎng)絡(luò)。

32G VPC網(wǎng)絡(luò)與前世界紀(jì)錄的網(wǎng)絡(luò)物理帶寬上的巨大差距是團(tuán)隊(duì)面臨的重大挑戰(zhàn)，我們從兩個(gè)大的方向作了深入的優(yōu)化：

第一個(gè)方向是從模型本身的優(yōu)化上，進(jìn)行超參的調(diào)整以及optimizer的改進(jìn)，減少達(dá)到93%精度情況下所需要進(jìn)行的迭代數(shù)，同時(shí)也要盡力提升單機(jī)的性能。

第二個(gè)方向是分布式性能優(yōu)化，我們采用團(tuán)隊(duì)自研的飛天AI加速引擎AIACC-Training（原Ali-Perseus-Training）作為分布式的通信庫，充分挖掘32G VPC的所有潛力。

最終兩個(gè)方向的極致優(yōu)化相疊加，超越了一個(gè)看似不可能達(dá)到的性能屏障，以較低的網(wǎng)絡(luò)帶寬，創(chuàng)造了新的世界紀(jì)錄。

同時(shí)，因?yàn)榉植际接?xùn)練部署本身的復(fù)雜性，為了提高效率，也為了方便外部用戶重現(xiàn)結(jié)果，阿里團(tuán)隊(duì)使用了之前開發(fā)的即刻構(gòu)建的工具FastGPU，將集群的創(chuàng)建和分布式訓(xùn)練的調(diào)度全部以腳本的方式完成，可以一鍵啟動(dòng)，大大加快了優(yōu)化工作的效率。

未來，我們會(huì)開源基于AIACC的benchmark代碼，方便外部用戶一鍵復(fù)現(xiàn)結(jié)果。

分布式訓(xùn)練領(lǐng)域近年來發(fā)展迅猛，有多種可供選擇的解決方案，對(duì)于Tensorflow 而言，框架本身支持PS模式以及Ring allreduce風(fēng)格的分布式通信，第三方的支持有Horovod。

對(duì)于ResNet50的分布式訓(xùn)練，開源方案中Horovod依然是相對(duì)最優(yōu)的解決方案，因此，阿里以Horovod作為對(duì)比的baseline。

分布式訓(xùn)練的邏輯框圖如下圖所示：

最小計(jì)算節(jié)點(diǎn)為單張GPU卡，每個(gè)計(jì)算節(jié)點(diǎn)都會(huì)從總的數(shù)據(jù)集中劃分一份數(shù)據(jù)作為本節(jié)點(diǎn)的訓(xùn)練數(shù)據(jù)，然后開始前向和后向的計(jì)算，在后向計(jì)算結(jié)束后會(huì)得到當(dāng)前batch所產(chǎn)生的梯度。

然后在更新參數(shù)之前，需要在整個(gè)集群上進(jìn)行梯度通信。Horovod API就是在梯度更新之前，在optimizer這個(gè)環(huán)節(jié)插入了一段多節(jié)點(diǎn)間的通信的流程。

AIACC-Training

AIACC-Training是阿里云自研的深度學(xué)習(xí)分布式訓(xùn)練通信引擎，統(tǒng)一支持Tensorflow、PyTorch、MxNet和Caffe，從IaaS層面提供可被集成且兼容開源的加速庫。

現(xiàn)在已經(jīng)有多家AI和互聯(lián)網(wǎng)客戶在生產(chǎn)環(huán)境中大量部署使用，顯著提升異構(gòu)計(jì)算產(chǎn)品的性價(jià)比，從軟件層面為客戶提供差異化的計(jì)算服務(wù)，架構(gòu)如下圖所示。

AIACC-Training 作為此次Dawnbench 記錄的分布式后端，發(fā)揮了至關(guān)重要的作用。以下是我們對(duì)AIACC-Training背后的分布式優(yōu)化作詳細(xì)的解析。

去中心化梯度協(xié)商

分布式性能的關(guān)鍵就是如何優(yōu)化這個(gè)通信環(huán)節(jié)的效率，對(duì)于ResNet50而言，我們需要通信的梯度數(shù)據(jù)大約是170個(gè)，而通信的總量大約是50MB。

這些梯度的產(chǎn)生時(shí)機(jī)依賴于它們各自在計(jì)算圖中的位置，計(jì)算圖中存在依賴關(guān)系的部分梯度決定了這一部分梯度被計(jì)算出來的時(shí)間先后順序。

而在計(jì)算圖中處于相互之間完全無依賴的算子的，它們?cè)诿看斡?jì)算發(fā)生的時(shí)機(jī)具有一定的隨機(jī)性。在多節(jié)點(diǎn)間通信要解決的第一個(gè)問題就是需要協(xié)商梯度的同步順序。

Horovod中所采用的的方法是以0號(hào)節(jié)點(diǎn)為中心，與所有其它節(jié)點(diǎn)進(jìn)行點(diǎn)對(duì)點(diǎn)的通信確定當(dāng)前所有節(jié)點(diǎn)上都已經(jīng)就緒的梯度，然后再0號(hào)節(jié)點(diǎn)上確定這些就緒梯度上如何去通信，最后將通信策略點(diǎn)對(duì)點(diǎn)的發(fā)送到每一個(gè)其它節(jié)點(diǎn)，之后根據(jù)通信策略開始進(jìn)行多機(jī)通信。

這一點(diǎn)對(duì)點(diǎn)的協(xié)商策略，在128節(jié)點(diǎn)下，對(duì)0號(hào)節(jié)點(diǎn)，造成了一個(gè)局部的熱點(diǎn)，需要通信256次。AIACC-Training 放棄了這種中心節(jié)點(diǎn)的協(xié)商模式，轉(zhuǎn)而采用了去中心化的方式在128個(gè)節(jié)點(diǎn)間進(jìn)行協(xié)商，因?yàn)?28個(gè)節(jié)點(diǎn)實(shí)際分布在16臺(tái)實(shí)例中，我們的優(yōu)化可以輕易的識(shí)別這種拓?fù)浣Y(jié)構(gòu)，不再會(huì)在任何單個(gè)GPU卡上產(chǎn)生256次通信熱點(diǎn)。

考慮到大部分時(shí)候ready的不止一個(gè)梯度，這種優(yōu)化還能夠同時(shí)對(duì)多個(gè)梯度進(jìn)行協(xié)商，因此實(shí)際降低協(xié)商的通信量大約一個(gè)數(shù)量級(jí)。

細(xì)粒度梯度融合

梯度協(xié)商之后，所有節(jié)點(diǎn)都知道了當(dāng)前這個(gè)時(shí)刻可以進(jìn)行通信的梯度，接下來面臨的一個(gè)優(yōu)化問題是，我們是要在收集到任意數(shù)量的梯度之后立刻對(duì)所有的梯度進(jìn)行通信，還是選擇某個(gè)更優(yōu)化的組合方式來通信。

這里一個(gè)確定性結(jié)論是，對(duì)單個(gè)梯度進(jìn)行單次通信，通信效率總是非常低下的，我們需要進(jìn)行多個(gè)梯度的融合，然后再對(duì)融合后的更大的粒度上進(jìn)行通信。

AIACC-Training 引入了細(xì)粒度的融合策略，我們會(huì)在通信環(huán)節(jié)去動(dòng)態(tài)分析當(dāng)前的通信狀況進(jìn)而選擇一種更平衡的融合策略，避免出現(xiàn)過大的差異。

這樣會(huì)使得每次通信的粒度盡量均勻，減小出現(xiàn)大幅波動(dòng)的可能。因?yàn)檫@種融合策略對(duì)不同的網(wǎng)絡(luò)模型而言存在不同的最優(yōu)值，因此們實(shí)現(xiàn)了自動(dòng)優(yōu)化的功能，會(huì)動(dòng)態(tài)的調(diào)整此參數(shù)，尋找最優(yōu)的融合粒度。

異步多流通信

底層的通信庫還是采用NCCL來進(jìn)行GPU間的數(shù)據(jù)通信，NCCL的編程模型僅支持單一的通信流進(jìn)行通信，而單一的通信流的效率很低，單流的轉(zhuǎn)發(fā)能力往往只能達(dá)到10G bps左右。

AIACC-Training從更高的通信引擎層面支持了多流，會(huì)分配不止一個(gè)通信流來進(jìn)行梯度通信，每個(gè)流服務(wù)于切分出來的某個(gè)融合梯度，而后續(xù)切分的融合粒度并不依賴于當(dāng)前切分的融合梯度。

因此即使多流之間的通信是完全異步運(yùn)行，即使多流之間的速度不均衡，也不會(huì)嚴(yán)重影響整體的效率，在規(guī)模擴(kuò)大的時(shí)候，能更好的維持最佳的網(wǎng)絡(luò)帶寬利用率。

和融合粒度一樣，切分的流數(shù)，也會(huì)和訓(xùn)練模型，以及當(dāng)前的實(shí)際網(wǎng)絡(luò)帶寬有很強(qiáng)的相關(guān)性，因此無法離線的給出一個(gè)最優(yōu)設(shè)定。

我們?cè)O(shè)計(jì)了自動(dòng)tuning機(jī)制，將通信流數(shù)目加入了自動(dòng)tuning環(huán)節(jié)，融合粒度以及切分的流數(shù)，會(huì)聯(lián)合自動(dòng)tuning出最佳的參數(shù)組合。

模型優(yōu)化

算法層面的優(yōu)化主要可以分為數(shù)據(jù)、模型、超參和優(yōu)化器四個(gè)方面。

數(shù)據(jù)上，我們采用了多分辨率圖像漸進(jìn)訓(xùn)練。這種方式不僅可以在前期利用小分辨率圖像大大提升前后向計(jì)算速度、又可以弱化訓(xùn)練和推理時(shí)采用不同尺寸帶來的準(zhǔn)確率損失。

模型上，我們吸收了近期一些網(wǎng)絡(luò)變體的優(yōu)勢(shì)，也根據(jù)最新的一些研究對(duì)BatchNorm做了微弱的調(diào)整。

超參方面我們做了很多探索，如在學(xué)習(xí)率衰減的方式上，我們沒有用很流行的step decay或是cosine decay,而是采用了更直接的linear decay，另外我們也發(fā)現(xiàn)warmup的步數(shù)非常重要。

優(yōu)化器上，我們重新設(shè)計(jì)了優(yōu)化器方案，同時(shí)吸收了SGD的泛化性優(yōu)勢(shì)和自適應(yīng)優(yōu)化器快速收斂，使得改進(jìn)后的優(yōu)化器訓(xùn)練速度更快且準(zhǔn)確率更高。

基于上述優(yōu)化工作，我們?cè)?8個(gè)epoch 共1159次迭代下完成訓(xùn)練并達(dá)到top5 93%的精度要求，而原來訓(xùn)練則需要90個(gè)epoch才能達(dá)到相同的精度。

性能結(jié)果

結(jié)合以上所有性能優(yōu)化，我們?cè)?28卡V100上，達(dá)到了158秒就能獲得top5 93%的精度，創(chuàng)造了新的世界紀(jì)錄。

刷新推理性能記錄：比第二名快5倍以上

在推理項(xiàng)目中，DawnBench競(jìng)賽要求推理框架針對(duì)ImageNet的10000張圖片的驗(yàn)證集進(jìn)行圖片分類，分類模型的top5精度不低于93%。

在batch size=1的配置下，計(jì)算推理每一張圖片的平均時(shí)間和平均成本。在上一個(gè)性能紀(jì)錄中，平均推理時(shí)間只有不到1ms，已經(jīng)遠(yuǎn)遠(yuǎn)超過了人類視覺的反應(yīng)速度。

在最新公布的榜單上，我們基于異構(gòu)計(jì)算AliNPU云服務(wù)實(shí)例（ecs.ebman1.26xlarge）奪得了推理性能項(xiàng)目的第一名，比第二名快5倍以上。

同時(shí)，之前提交的推理成本第一的成績（基于異構(gòu)計(jì)算GPU云服務(wù)實(shí)例ecs.gn6i-c8g1.2xlarge）目前還沒有人超越，因此在性能和成本兩個(gè)項(xiàng)目上均排名第一。

AIACC-Inference

在服務(wù)客戶和不斷沖擊DawnBench第一的過程中, 我們也在不斷打磨異構(gòu)計(jì)算服務(wù)場(chǎng)景下的推理優(yōu)化技術(shù), 并根據(jù)客戶的實(shí)際需求研發(fā)了AIACC-Inference模型加速引擎，幫助客戶解決主流AI框架TensorFlow、PyTorch、MXNet、Kaldi等框架下的模型優(yōu)化問題。

優(yōu)化方法包括對(duì)模型的計(jì)算圖進(jìn)行分析，將其中計(jì)算節(jié)點(diǎn)進(jìn)行融合，減少模型中計(jì)算節(jié)點(diǎn)的個(gè)數(shù)，提升計(jì)算圖的執(zhí)行效率。

同時(shí)提供了FP32和FP16及Int8精度的模型優(yōu)化選項(xiàng)，可以生成多種精度下的優(yōu)化模型，其中FP16和Int8精度模型可以利用NVIDIA Volta和Turing架構(gòu)下的Tensor core硬件支持，進(jìn)一步提升模型推理在V100, T4 GPU卡上的性能。

目前 AIACC-Inference 既支持常用的圖像分類和目標(biāo)檢測(cè)模型，也支持Bert，StyleGAN這樣的NLP模型和GAN網(wǎng)絡(luò)模型。

此外，我們還深度優(yōu)化了1×1、3×3、7×7卷積kernel，在AIACC-Inference中增加了新op的融合機(jī)制，比目前業(yè)界最快的TensorRT還能獲得1.5-2.5倍的性能加速比。

模型與框架優(yōu)化

在上一次提交的版本中，我們將base模型換為更為精簡的ResNet26d，引領(lǐng)了一波風(fēng)潮。

這一次為了進(jìn)一步提高模型的精度并精簡模型，我們對(duì)超參數(shù)進(jìn)行了調(diào)整，引入了更多的數(shù)據(jù)增強(qiáng)方式。通過使用了AugMix和JSD loss疊加RandAugment的組合方式，將ResNet26d模型的精度提升至93.3%，收獲0.13+%的精度收益。

基于含光800（AliNPU）的優(yōu)化

我們針對(duì)AliNPU的架構(gòu)特點(diǎn)，對(duì)推理引擎進(jìn)行了相應(yīng)的優(yōu)化。由于AliNPU使用uint8作為存儲(chǔ)格式用于上傳和下載數(shù)據(jù)。

因此需要在進(jìn)入engine前后插入量化和反量化操作用于恢復(fù)數(shù)據(jù)，但是Quant和Dequant這些操作在CPU上，無法使用AliNPU加速，占據(jù)了一大部分的推理時(shí)間，通過在預(yù)處理和后處理中執(zhí)行這些操作將推理延遲降低至0.117ms的水平。

考慮到我們使用的推理模型較小，依照GPU的經(jīng)驗(yàn)帶寬4GB/s，輸入一張圖片需要將147KB的數(shù)據(jù)上傳至AliNPU中需要花費(fèi)0.03ms。因此我們?cè)诳蚣苤幸肓藀reload機(jī)制，將數(shù)據(jù)預(yù)取入AliNPU中，將平均推理延遲進(jìn)一步降低至0.0739ms。

— 完 —

量子位 QbitAI · 頭條號(hào)簽約

關(guān)注我們，第一時(shí)間獲知前沿科技動(dòng)態(tài)