2017 年 8 月出版了《神經(jīng)網(wǎng)絡最完整的圖表，解釋》，并確定了 27 種不同類型的神經(jīng)網(wǎng)絡。從那時起，隨著工程師和數(shù)據(jù)科學家為他們的用例尋找人工智能 （AI） 的優(yōu)化實現(xiàn)，神經(jīng)網(wǎng)絡類型的數(shù)量不斷增加。

處理器架構(gòu)師一直在爭先恐后地提供能夠執(zhí)行這些工作負載的新型計算平臺，但也正在努力在軟件方面提高神經(jīng)網(wǎng)絡的效率。一種這樣的技術(shù)是修剪，或從神經(jīng)網(wǎng)絡中刪除重復的神經(jīng)元和冗余，使其更小更快（圖 1）。

圖 1. 修剪可以產(chǎn)生更快、更小的神經(jīng)網(wǎng)絡，但具有相同的精度。

一般來說，修剪是嵌入式系統(tǒng)深度學習的重要推動力，因為它降低了達到相同精度水平所需的計算量。剪枝技術(shù)還可以進一步減少神經(jīng)網(wǎng)絡的特定低效率，例如稀疏性。

通過神經(jīng)網(wǎng)絡進行稀疏

在神經(jīng)網(wǎng)絡圖中，稀疏性是指包含零值或與相鄰神經(jīng)元沒有連接的神經(jīng)元（圖 2）。這是存在于深度神經(jīng)網(wǎng)絡的輸入和輸出層之間的隱藏矩陣的固有特征，因為當數(shù)據(jù)通過圖時，給定的輸入通常會激活越來越少的神經(jīng)元。神經(jīng)網(wǎng)絡矩陣中的連接越少，稀疏度越高。

圖 2. 左圖將具有活躍連接的神經(jīng)元密集化為黃色立方體，而右圖描繪了分布在整個神經(jīng)網(wǎng)絡中的稀疏隨機連接。

Tensilica 高級總監(jiān)兼營銷和業(yè)務開發(fā)主管 Lazaar Louis 說：“當您通過這些層并將 1 與 0 相乘時，您會得到 0，因此神經(jīng)元激活的稀疏性會隨著您通過層而增加。” Cadence Design Systems 的產(chǎn)品。“平均而言，當前的神經(jīng)網(wǎng)絡在從輸入到輸出的激活中表現(xiàn)出 50% 的稀疏性。”

與使用處理器和內(nèi)存資源來計算稀疏神經(jīng)網(wǎng)絡的零值不同，修剪網(wǎng)絡以誘導稀疏性可以轉(zhuǎn)化為計算優(yōu)勢。稀疏度的修剪可以通過將接近零的值強制為零來實現(xiàn)，這與模型再訓練一起可以將稀疏度提高到 70%。

一旦神經(jīng)網(wǎng)絡被修剪以增加稀疏性，Cadence 的 Tensilica DNA 100 處理器 IP 等計算技術(shù)就可以通過僅對非零值執(zhí)行乘法累加 （MAC） 運算來利用這一優(yōu)勢（圖 3）。這要歸功于集成的稀疏計算引擎，其中包括一個直接內(nèi)存訪問 （DMA） 子系統(tǒng)，該子系統(tǒng)在將可執(zhí)行文件傳遞給處理單元之前讀取值。

圖 3. Cadence Design Systems DNA 100 處理器 IP 包含一個稀疏計算引擎，該引擎僅執(zhí)行非零值的乘加 （MAC） 操作，從而提高吞吐量。

總體而言，這為 DNA 100 IP 提供了更高的 MAC 利用率，與具有類似陣列大小的替代解決方案相比，性能提高了 4.7 倍。

發(fā)光編譯

與任何嵌入式處理器一樣，DNA 100 利用編譯器來幫助解釋神經(jīng)網(wǎng)絡圖的稀疏性。Tensilica 神經(jīng)網(wǎng)絡編譯器從 Caffe、TensorFlow、TensorFlow Lite 和 Android 神經(jīng)網(wǎng)絡 （ANN） 應用程序等深度學習開發(fā)框架獲取浮點輸出，并將它們量化為整數(shù)和針對 Cadence IP 優(yōu)化的機器代碼。

編譯器還有助于將接近零的權(quán)重推至零，并在可能的情況下將多個神經(jīng)網(wǎng)絡層融合到單獨的操作中。這些功能對于提高 DNA 100 等設(shè)備上的神經(jīng)網(wǎng)絡吞吐量至關(guān)重要，同時還將精度保持在原始浮點模型的 1% 以內(nèi)。

然而，盡管 Tensilica 神經(jīng)網(wǎng)絡編譯器具有優(yōu)勢，工程師們已經(jīng)受到越來越多的神經(jīng)網(wǎng)絡類型、深度學習開發(fā)框架和 AI 處理器架構(gòu)的挑戰(zhàn)。隨著這一趨勢的繼續(xù)，開發(fā)人員將尋求編譯器，使他們能夠在最多樣化的處理器目標上使用最廣泛的神經(jīng)網(wǎng)絡類型和工具。另一方面，像 Cadence 這樣的供應商將需要能夠讓他們支持技術(shù)進一步發(fā)展的解決方案。

意識到市場需求，F(xiàn)acebook 開發(fā)了Glow，這是一種基于 LLVM 編譯器基礎(chǔ)架構(gòu)的異構(gòu)硬件架構(gòu)的降圖機器學習編譯器。Glow 的目標是接受來自 PyTorch 等框架的計算圖，并使用與數(shù)學相關(guān)的優(yōu)化為多個硬件目標生成高度優(yōu)化的代碼。它通過將神經(jīng)網(wǎng)絡數(shù)據(jù)流圖降低為中間表示，然后應用兩階段過程來實現(xiàn)（圖 4）。

圖 4. Facebook 的 Glow 編譯器是一種與硬件無關(guān)的編譯器，它使用兩階段過程來優(yōu)化嵌入式計算加速器的神經(jīng)網(wǎng)絡。

Glow 中間表示的第一階段允許編譯器執(zhí)行特定領(lǐng)域的改進，并根據(jù)神經(jīng)網(wǎng)絡數(shù)據(jù)流圖的內(nèi)容優(yōu)化高級構(gòu)造。在這個階段，編譯器是獨立于目標的。

在 Glow 表示的第二階段，編譯器在生成特定于硬件的代碼之前優(yōu)化指令調(diào)度和內(nèi)存分配。由于其增量降低階段以及它支持大量輸入運算符的事實，Glow 編譯器能夠利用專門的硬件功能，而無需在每個受支持的硬件目標上實現(xiàn)所有運算符。這不僅減少了所需的內(nèi)存空間量，而且還使其可擴展用于僅關(guān)注少數(shù)線性代數(shù)基元的新計算架構(gòu)。

Esperanto Technologies、英特爾、Marvell、高通和 Cadence 已經(jīng)承諾在未來的硅解決方案中使用 Glow

“Facebook Glow 讓我們能夠快速優(yōu)化尚未到來的技術(shù)，”Louis 說。“假設(shè)引入了一個新網(wǎng)絡。要么有人會做出貢獻，要么我們會做。他們希望建立一個開源社區(qū)，這樣人們就可以進來并貢獻和加速通用的事情。

“他們還在 Glow 中引入了插入各種加速器的功能，因此我們可以使其適合我們的架構(gòu)，”Louis 繼續(xù)說道。我們將 Glow 視為我們編譯器中的底層引擎 ［向前發(fā)展］。”

嵌入式神經(jīng)網(wǎng)絡：少即是多

在過去的幾年里，圍繞人工智能的炒作、研究和開發(fā)呈爆炸式增長，但正如嵌入式技術(shù)經(jīng)常出現(xiàn)的情況一樣，事實證明，少即是多。

修剪神經(jīng)網(wǎng)絡正迅速成為神經(jīng)網(wǎng)絡開發(fā)人員的一種常見做法，因為他們試圖在不犧牲準確性的情況下提高性能。與此同時，F(xiàn)acebook Glow 正在解決處理器碎片化問題，以免阻礙人工智能的采用。

非常好地使用一個正確的工具通常會導致成功。對于神經(jīng)網(wǎng)絡，使用 Glow 編譯器和稀疏計算技術(shù)可以完成工作。

審核編輯：郭婷