由騰訊云基礎(chǔ)產(chǎn)品中心、騰訊架構(gòu)平臺部組成的騰訊云FPGA聯(lián)合團隊，在這里介紹國內(nèi)首款FPGA云服務(wù)器的工程實現(xiàn)深度學(xué)習(xí)算法（AlexNet），討論深度學(xué)習(xí)算法FPGA硬件加速平臺的架構(gòu)。

在1 月 20 日，騰訊云推出國內(nèi)首款高性能異構(gòu)計算基礎(chǔ)設(shè)施——FPGA 云服務(wù)器，將以云服務(wù)方式將大型公司才能長期支付使用的 FPGA 普及到更多企業(yè)，企業(yè)只需支付相當(dāng)于通用CPU約40%的費用，性能可提升至通用CPU服務(wù)器的30倍以上。具體分享內(nèi)容如下：
?

1. 綜述

　　2016年3月份AI圍棋程序AlphaGo戰(zhàn)勝人類棋手李世石，點燃了業(yè)界對人工智能發(fā)展的熱情，人工智能成為未來的趨勢越來越接近。

人工智能包括三個要素：算法，計算和數(shù)據(jù)。人工智能算法目前最主流的是深度學(xué)習(xí)。計算所對應(yīng)的硬件平臺有：CPU、GPU、FPGA、ASIC。由于移動互聯(lián)網(wǎng)的到來，用戶每天產(chǎn)生大量的數(shù)據(jù)被入口應(yīng)用收集：搜索、通訊。我們的QQ、微信業(yè)務(wù)，用戶每天產(chǎn)生的圖片數(shù)量都是數(shù)億級別，如果我們把這些用戶產(chǎn)生的數(shù)據(jù)看成礦藏的話，計算所對應(yīng)的硬件平臺看成挖掘機，挖掘機的挖掘效率就是各個計算硬件平臺對比的標(biāo)準(zhǔn)。

最初深度學(xué)習(xí)算法的主要計算平臺是 CPU，因為 CPU 通用性好，硬件框架已經(jīng)很成熟，對于程序員來說非常友好。然而，當(dāng)深度學(xué)習(xí)算法對運算能力需求越來越大時，人們發(fā)現(xiàn) CPU 執(zhí)行深度學(xué)習(xí)的效率并不高。CPU 為了滿足通用性，芯片面積有很大一部分都用于復(fù)雜的控制流和Cache緩存，留給運算單元的面積并不多。這時候，GPU 進(jìn)入了深度學(xué)習(xí)研究者的視野。GPU原本的目的是圖像渲染，圖像渲染算法又因為像素與像素之間相對獨立，GPU提供大量并行運算單元，可以同時對很多像素進(jìn)行并行處理，而這個架構(gòu)正好能用在深度學(xué)習(xí)算法上。

GPU 運行深度學(xué)習(xí)算法比 CPU 快很多，但是由于高昂的價格以及超大的功耗對于給其在IDC大規(guī)模部署帶來了諸多問題。有人就要問，如果做一個完全為深度學(xué)習(xí)設(shè)計的專用芯片(ASIC)，會不會比 GPU 更有效率？事實上，要真的做一塊深度學(xué)習(xí)專用芯片面臨極大不確定性，首先為了性能必須使用最好的半導(dǎo)體制造工藝，而現(xiàn)在用最新的工藝制造芯片一次性成本就要幾百萬美元。去除資金問題，組織研發(fā)隊伍從頭開始設(shè)計，完整的設(shè)計周期時間往往要到一年以上，但當(dāng)前深度學(xué)習(xí)算法又在不斷的更新，設(shè)計的專用芯片架構(gòu)是否適合最新的深度學(xué)習(xí)算法，風(fēng)險很大?？赡苡腥藭朑oogle不是做了深度學(xué)習(xí)設(shè)計的專用芯片TPU？從Google目前公布的性能功耗比提升量級(十倍以上的提升)上看，還遠(yuǎn)未達(dá)到專用處理器的提升上限，因此很可能本質(zhì)上采用是數(shù)據(jù)位寬更低的類GPU架構(gòu)，可能還是具有較強的通用性。這幾年，F(xiàn)PGA 就吸引了大家的注意力，亞馬遜、facebook等互聯(lián)網(wǎng)公司在數(shù)據(jù)中心批量部署了FPGA來對自身的深度學(xué)習(xí)以云服務(wù)提供硬件平臺。

FPGA 全稱「可編輯門陣列」(Field Programmable Gate Array)，其基本原理是在 FPGA 芯片內(nèi)集成大量的數(shù)字電路基本門電路以及存儲器，而用戶可以通過燒寫 FPGA 配置文件來來定義這些門電路以及存儲器之間的連線。這種燒入不是一次性的，即用戶今天可以把 FPGA 配置成一個圖像編解碼器，明天可以編輯配置文件把同一個 FPGA 配置成一個音頻編解碼器，這個特性可以極大地提高數(shù)據(jù)中心彈性服務(wù)能力。所以說在 FPGA 可以快速實現(xiàn)為深度學(xué)習(xí)算法開發(fā)的芯片架構(gòu)，而且成本比設(shè)計的專用芯片(ASIC)要便宜，當(dāng)然性能也沒有專用芯片(ASIC)強。ASIC是一錘子買賣，設(shè)計出來要是發(fā)現(xiàn)哪里不對基本就沒機會改了，但是 FPGA 可以通過重新配置來不停地試錯知道獲得最佳方案，所以用 FPGA 開發(fā)的風(fēng)險也遠(yuǎn)遠(yuǎn)小于 ASIC。

2. Alexnet 算法分析2.1 Alexnet模型結(jié)構(gòu)

Alexnet模型結(jié)構(gòu)如下圖2.1所示。

圖2.1 Alexnet模型

模型的輸入是3x224x224大小圖片，采用5（卷積層）+3（全連接層）層模型結(jié)構(gòu)，部分層卷積后加入Relu，Pooling 和Normalization層，最后一層全連接層是輸出1000分類的softmax層。如表1所示，全部8層需要進(jìn)行1.45GFLOP次乘加計算，計算方法參考下文。

層數(shù)

kernel個數(shù)

每個kernel進(jìn)行卷積次數(shù)

每個kernel一次卷積運算量

浮點乘加次數(shù)

?

第1層

96

3025

(1x363)x(363x1)

96x3025x363=105M=210MFLOP

?

第2層

256

729

(1x1200)x(1200x1)

256x729x1200=224M=448MFLOP

?

第3層

384

169

(1x2304)x(2304x1)

384x169x2304=150M=300MFLOP

?

第4層

384

169

(1x1728)x(1728x1)

384x169x1728=112M=224MFLOP

?

第5層

256

169

(1x1728)x(1728x1)

256x169x1728=75M=150MFLOP

?

第6層

1

4096

(1x9216)x(9216x1)

4096x9216=38M=76MFLOP

?

第7層

1

4096

(1x4096)x(4096x1)

4096x4096=17M=34MFLOP

?

第8層

1

1000

(1x4096)x(4096x1)

1000x4096=4M=8MFLOP

?

總和

1.45GFLOP

?

表2.1 Alexnet浮點計算量

2.2 Alexnet 卷積運算特點

Alexnet的卷積運算是三維的，在神經(jīng)網(wǎng)絡(luò)計算公式: y=f(wx+b) 中，對于每個輸出點都是三維矩陣w(kernel)和x乘加后加上bias(b)得到的。如下圖2.2所示，kernel的大小M=Dxkxk，矩陣乘加運算展開后 y = x[0]*w[0]+ x[1]*w[1]+…+x[M-1]*w[M-1]，所以三維矩陣運算可以看成是一個1x[M-1]矩陣乘以[M-1]x1矩陣。

圖2.2 Alexnet三維卷積運算

每個三維矩陣kernel和NxN的平面上滑動得到的所有矩陣X進(jìn)行y=f(wx+b)運算后就會得到一個二維平面（feature map）如圖2.3 所示。水平和垂直方向上滑動的次數(shù)可以由 (N+2xp-k)/s+1 得到(p為padding的大小)，每次滑動運算后都會得到一個點。
a) N是NxN平面水平或者垂直方向上的大小；
　 b) K是kernel在NxN平面方向上的大小kernel_size；
　　c) S是滑塊每次滑動的步長stride；

圖2.3 kernel進(jìn)行滑窗計算

Kernel_num 個 kernel 經(jīng)過運算后就會得到一組特征圖，重新組成一個立方體，參數(shù)H = Kernel_num，如圖2.4所示。這個卷積立方體就是卷積所得到的的最終輸出結(jié)果。

圖2.4 多個kernel進(jìn)行滑窗計算得到一組特征圖

3. AlexNet模型的FPGA實現(xiàn)3.1 FPGA異構(gòu)平臺

圖3.1為異構(gòu)計算平臺的原理框圖，CPU通過PCIe接口對FPGA傳送數(shù)據(jù)和指令，F(xiàn)PGA根據(jù)CPU下達(dá)的數(shù)據(jù)和指令進(jìn)行計算。在FPGA加速卡上還有DDR DRAM存儲資源，用于緩沖數(shù)據(jù)。

圖3.1 FPGA異構(gòu)系統(tǒng)框圖

3.2 CNN在FPGA的實現(xiàn)3.2.1 將哪些東西offload到FPGA計算？

在實踐中并不是把所有的計算都o(jì)ffload到FPGA，而是只在FPGA中實現(xiàn)前５層卷積層，將全連接層和Softmax層交由CPU來完成，主要考慮原因：
　　全連接層的參數(shù)比較多，計算不夠密集，要是FPGA的計算單元發(fā)揮出最大的計算性能需要很大的DDR帶寬；
　　實際運用中分類的數(shù)目是不一定的，需要對全連階層和Softmax層進(jìn)行修改，將這兩部分用軟件實現(xiàn)有利于修改。

3.2.2 實現(xiàn)模式

Alexnet的5個卷積層，如何分配資源去實現(xiàn)它們，主要layer并行模式和layer串行模式：
　　Layer并行模式：如圖3.2所示，按照每個layer的計算量分配不同的硬件資源，在FPGA內(nèi)同時完成所有l(wèi)ayer的計算，計算完成之后將計算結(jié)果返回CPU。優(yōu)點是所有的計算在FPGA中一次完成，不需要再FPGA和DDR DRAM直接來回讀寫中間結(jié)果，節(jié)省了的DDR帶寬。缺點就是不同layer使用的資源比較難平衡，且layer之間的數(shù)據(jù)在FPGA內(nèi)部進(jìn)行緩沖和格式調(diào)整也比較難。另外，這種模式當(dāng)模型參數(shù)稍微調(diào)整一下(比如說層數(shù)增加)就能重新設(shè)計，靈活性較差。

圖3.2 layer并行模式下資源和時間分配示意圖

Layer串行模式：如圖3.3所示，在FPGA中只實現(xiàn)完成單個layer的實現(xiàn)，不同layer通過時間上的復(fù)用來完成。優(yōu)點是在實現(xiàn)時只要考慮一層的實現(xiàn)，數(shù)據(jù)都是從DDR讀出，計算結(jié)果都寫回DDR，數(shù)據(jù)控制比較簡單。缺點就是因為中間結(jié)果需要存儲在DDR中，提高了對DDR帶寬的要求。

圖3.3 layer并行模式下資源和時間分配示意圖

我們的設(shè)計采用了是Layer串行的模式，數(shù)據(jù)在CPU、FPGA和DDR直接的交互過程如圖3.4所示。

圖3.4 計算流程圖

3.2.3 計算單個Layer的PM（Processing Module）設(shè)計

如圖3.5所示，數(shù)據(jù)處理過程如下，所有過程都流水線進(jìn)行：
Kernel和Data通過兩個獨立通道加載到CONV模塊中；
CONV完成計算，并將結(jié)果存在Reduce RAM中；
(可選)如果當(dāng)前l(fā)ayer需要做ReLU/Norm，將ReLU/Norm做完之后寫回Reduce RAM中；
(可選)如果當(dāng)前l(fā)ayer需要做Max Pooling，將Max做完之后寫回Reduce RAM中；
將計算結(jié)果進(jìn)行格式重排之后寫回DDR中。

圖3.5 Processing Module的結(jié)構(gòu)框圖

3.2.4 CONV模塊的設(shè)計

在整個PM模塊中，最主要的模塊是CONV模塊，CONV模塊完成數(shù)據(jù)的卷積。
由圖3.6所示，卷積計算可以分解成兩個過程：kernel及Data的展開和矩陣乘法。

Kernel可以預(yù)先將展開好的數(shù)據(jù)存在DDR中，因此不需要在FPGA內(nèi)再對Kernel進(jìn)行展開。Data展開模塊，主要是將輸入的feature map按照kernel的大小展開成可以同kernel進(jìn)行求內(nèi)積計算的矩陣。數(shù)據(jù)展開模塊的設(shè)計非常重要，不僅要減小從DDR讀取數(shù)據(jù)的數(shù)據(jù)量以減小DDR帶寬的要求，還要保證每次從DDR讀取數(shù)據(jù)時讀取的數(shù)據(jù)為地址連續(xù)的大段數(shù)據(jù)，以提高DDR帶寬的讀取效率。

圖3.6 卷積過程示意圖

圖3.7為矩陣乘法的實現(xiàn)結(jié)構(gòu)，通過串聯(lián)乘加器來實現(xiàn)，一個周期可以完成一次兩個向量的內(nèi)積，通過更新端口上的數(shù)據(jù)，可以實現(xiàn)矩陣乘法。

圖3.7 矩陣乘法實現(xiàn)結(jié)構(gòu)

展開后的矩陣比較大，F(xiàn)PGA因為資源結(jié)構(gòu)的限制，無法一次完成那么的向量內(nèi)積，因此要將大矩陣的乘法劃分成幾個小矩陣的乘加運算。拆分過程如圖3.8所示。

假設(shè)大矩陣乘法為O= X*W，其中，輸入矩陣X為M*K個元素的矩陣；權(quán)重矩陣W為K*P個元素的矩陣；偏置矩陣O為M*P個元素的矩陣；

圖3.8 大矩陣乘法的拆分過程

R = K/L，如果不能整除輸入矩陣，權(quán)重矩陣和偏置通過補零的方式將矩陣處理成可以整除；
　　S = P/Q，如果不能整除將權(quán)重矩陣和偏置矩陣通過補零的方式將矩陣處理成可以整除；

3.2.5實現(xiàn)過程的關(guān)鍵點

決定系統(tǒng)性能的主要因素有：DSP計算能力，帶寬和片內(nèi)存儲資源。好的設(shè)計是將這三者達(dá)到一個比較好的平衡。參考文獻(xiàn)[2]開發(fā)了roofline性能模型來將系統(tǒng)性能同片外存儲帶寬、峰值計算性能相關(guān)聯(lián)。

為了達(dá)到最好的計算性能就是要盡可能地讓FPGA內(nèi)的在每一個時鐘周期都進(jìn)行有效地工作。為了達(dá)到這個目標(biāo)，CONV模塊和后面的ReLU/Norm/Pooling必須能異步流水線進(jìn)行。Kernel的存儲也要有兩個存儲空間，能對系數(shù)進(jìn)行乒乓加載。另外，由于計算是下一層的輸入依賴于上一層的輸出，而數(shù)據(jù)計算完成寫回DDR時需要一定時間，依次應(yīng)該通過交疊計算兩張圖片的方式(Batch=2)將這段時間通過流水迭掉。

要選擇合適的架構(gòu)，是計算過程中Data和Kernel只要從DDR讀取一次，否則對DDR帶寬的要求會提高。

3.3 性能及效益

　　如圖3.9所示采用FPGA異構(gòu)計算之后，F(xiàn)PGA異構(gòu)平臺處理性能是純CPU計算的性能4倍，而TCO成本只是純CPU計算的三分之一。本方案對比中CPU為2顆E5-2620，F(xiàn)PGA為Virtex-7 VX690T，這是一個28nm器件，如果采用20nm或16nm的器件會得到更好的性能。

圖3.9 計算性能對比

圖3.10 歸一化單位成本對比

圖3.11為實際業(yè)務(wù)中利用FPGA進(jìn)行加速的情況，由圖中數(shù)據(jù)可知FPGA加速可以有效降低成本。

圖3.11 某實際業(yè)務(wù)中的性能和成本對比

參考文獻(xiàn)
[1] Alex Krizhevsky. ImageNet Classification with Deep Convolutional Neural Networks
[2] C. Zhang, et al. Optimizing FPGA-based accelerator design for deep convolutional neural networks. In ACM ISFPGA 2015.
[3] P Gysel, M Motamedi, S Ghiasi. Hardware-oriented Approximation of Convolutional Neural Networks. 2016.
[4] Song Han,Huizi Mao,William J. Dally.DEEP COMPRESSION: COMPRESSING DEEP NEURAL NETWORKS WITH PRUNING, TRAINED QUANTIZATION AND HUFFMAN CODING. Conference paper at ICLR,2016