2014 年，斯坦福大學(xué)教授 Mark Horowitz 發(fā)表了一篇題目為“計(jì)算的能源問題（以及我們?cè)撛趺崔k）”的論文。這篇具有深遠(yuǎn)意義的論文，討論了當(dāng)前半導(dǎo)體行業(yè)所面臨的最熱門的、與登納德縮放比例定律 （Dennard Scaling ）和摩爾定律 （Moore’s Law） 失效相關(guān)的挑戰(zhàn)。

如果可以的話，我想借用并改編一下 Mark 的論文標(biāo)題，這樣我就可以就機(jī)器學(xué)習(xí)推斷應(yīng)用為什么應(yīng)該考慮專用硬件，分享一下我的一些觀點(diǎn)。

專用硬件加速實(shí)在必行

首先，讓我們考慮一下問題的癥結(jié)所在。大約在2005 年，處理器內(nèi)核時(shí)鐘頻率的增長(zhǎng)進(jìn)入了瓶頸?？s小工藝尺寸和降低內(nèi)核電壓不再像以前一樣能夠?yàn)槲覀儙韮?yōu)勢(shì)。其根本的問題，就是計(jì)算已經(jīng)達(dá)到了功率密度（W/mm2）的極限。

如果我們?cè)谕粋€(gè)裸片上放置更多的內(nèi)核，我們就可以在相同的功耗預(yù)算下增加運(yùn)算數(shù)量，但其前提是我們還還要在一定程度上降低時(shí)鐘頻率，以抵消額外內(nèi)核所消耗的能量。AMD 和英特爾都是在 2005-2006 年期間發(fā)布了他們的首個(gè)雙核處理器，這并不是巧合。然而，隨著我們繼續(xù)嘗試增加內(nèi)核的數(shù)量，我們必須考慮每個(gè)運(yùn)算所消耗的能量和每個(gè)運(yùn)算所需的芯片面積。此外，我們還需要確保我們能夠通過 N 來有效地實(shí)現(xiàn)并行算法，其中 N 是內(nèi)核的數(shù)量。對(duì)于所有的算法來說，這一問題的通用解決方案，或者說“計(jì)算飽和的靈丹妙藥”仍然是一個(gè)難以捉摸的問題，現(xiàn)在最好的解決方法就是應(yīng)用“自適應(yīng)硬件”。

事實(shí)證明，無論您的處理器設(shè)計(jì)是使用多核 CPU、GPU 還是 SoC 實(shí)現(xiàn)的，在處理器級(jí)的總體功耗分布都將大致相同。

所以假若我們估算出以下的情況便較為接近真實(shí)情況：

內(nèi)核 = 30%

內(nèi)部存儲(chǔ)器（L1、L2、L3）= 30%

外部存儲(chǔ)器（DDR）= 40%

在上面的分析中，我們沒有考慮的是還存在另外一個(gè)總體優(yōu)化的方式，那就是專用硬件加速器優(yōu)化的實(shí)現(xiàn)方式。我們可以對(duì)專用硬件進(jìn)行優(yōu)化以極高效地執(zhí)行特定的功能。通常情況下，這種硬件是為了減少外部存儲(chǔ)器訪問而設(shè)計(jì)的，其同時(shí)減少了時(shí)延與功耗。我們可以對(duì)專用硬件進(jìn)行優(yōu)化，以便給定算法的數(shù)據(jù)運(yùn)動(dòng)部分使用本地化存儲(chǔ)器 （BlockRAM、UltraRAM） 來進(jìn)行中間結(jié)果的存儲(chǔ)。

設(shè)計(jì)高效的加速器是多維度的設(shè)計(jì)問題：

我們?nèi)绾螌?shí)現(xiàn)硬件優(yōu)化來處理我們的特定算法？（Mark 很好地回答了這一問題，即必須將算法從“所有算法的空間”移動(dòng)到“受限空間”。）

我們?nèi)绾伪３謹(jǐn)y帶數(shù)據(jù)的加速器，以確保我們的計(jì)算加速器在每個(gè)時(shí)鐘周期都是飽和的？

我們?nèi)绾巫畲笙薅鹊販p少通信開銷？

我們?nèi)绾蝺?yōu)化正在處理的運(yùn)算符的動(dòng)態(tài)范圍？

我們?nèi)绾巫畲笙薅鹊販p少外部存儲(chǔ)器，甚至是本地存儲(chǔ)器的使用？

我們?nèi)绾蜗噶钐幚砉艿篱_銷？

我們?nèi)绾伟才挪僮饕源_保數(shù)據(jù)重用，從而使存儲(chǔ)器流量最小化，并且使存儲(chǔ)器訪問相關(guān)的運(yùn)算數(shù)量最大化？

自適應(yīng)硬件的戰(zhàn)略優(yōu)勢(shì)這里，我們將討論和評(píng)估賽靈思的自適應(yīng)硬件及 DNNDK 如何應(yīng)對(duì)上述這些尖銳的問題和挑戰(zhàn)，特別是當(dāng)它涉及到機(jī)器學(xué)習(xí)推斷時(shí)。在進(jìn)行下一次設(shè)計(jì)之前，我建議您回顧一下 Mark 有關(guān)這個(gè)主題的精彩演講，然后再考慮如何在您的下一次設(shè)計(jì)中使用自適應(yīng)硬件來實(shí)現(xiàn)您的戰(zhàn)略優(yōu)勢(shì)。

在這篇文章的第 2 部分中，我們將討論和評(píng)估賽靈思的自適應(yīng)硬件及 DNNDK （現(xiàn)在已經(jīng)發(fā)布Vitis AI 統(tǒng)一軟件平臺(tái)） 如何應(yīng)對(duì)這些挑戰(zhàn)，特別是當(dāng)它涉及到機(jī)器學(xué)習(xí)推斷時(shí)。

原文標(biāo)題：人工智能引發(fā)能源問題，我們?cè)撛趺崔k？（一）

文章出處：【微信公眾號(hào)：FPGA開發(fā)圈】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq