2.69 秒完成 BERT 训练，华为 CANN 5.0 速度展示

现在，经典模型BERT只需2.69秒、ResNet只需16秒。啪的一下，就能完成训练！这是华为全联接2021上，针对异构计算架构CANN5.0放出的最新性能“预热”：4K老电影AI修复，原本需要几天时间，现在几小时就能完成；针对不同模型进行智能优化，300+模型都能获得30%性能收益；支持超大参数模型、超大图片计算，几乎无需手动修改原代码……不同于训练推理框架，异构计算架构在设计时，还需要兼顾硬件和软件的特点。为的就是尽可能提升AI模型的计算效率，减少在训练和推理上占用的时间。它的存在，能让开发者在使用AI模型时，最大程度地发挥硬件的性能。异构计算架构究竟为什么重要，昇腾CANN5.0又究竟有哪些特性和优势？我们对华为昇腾计算业务副总裁金颖进行了采访，从CANN5.0的功能解读中一探究竟。AI异构计算架构到底是什么通常做AI模型分两步，先选用一种框架来搭建AI模型，像常见的Caffe、Tensorflow、PyTorch、MindSpore等；再选用合适的硬件（CPU、GPU等）来训练AI模型。BUT，在AI训练框架和硬件之间，其实还有一层不可或缺的“中间架构”，用来优化AI模型在处理器上的运行性能，这就是AI异构计算架构。区别于同构计算（同类硬件分布式计算，像多核CPU），异构计算指将任务高效合理地分配给不同的硬件，例如GPU做浮点运算、NPU做神经网络运算、FPGA做定制化编程计算……面对各种AI任务，AI异构计算架构会充当“引路员”，针对硬件特点进行分工，用“组合拳”加速训练/推理速度，最大限度地发挥异构计算的优势。如果不重视它，各类硬件在处理AI任务时，就可能出现“长跑选手被迫举重”的情况，硬件算力和效率不仅达不到最优，甚至可能比只用CPU/GPU更慢。目前已有越来越多的企业和机构，注意到异构计算架构的重要性，开始着手布局相关技术，不少也会开放给开发者使用。但开发者在使用这些异构计算架构时，会逐渐发现一个问题：不少AI异构计算架构，基本只针对一种或几种特定场景来设计，如安防、客服等AI应用较成熟的场景；针对其他场景设计的AI模型，异构计算架构的性能会有所下降。就像安防公司会针对安防类AI模型进行优化一样，这类异构计算架构往往不具有平台通用性。这使得开发者在训练不同的AI模型时，需要在搭载不同异构计算架构的各类处理器之间“反复横跳”，找到训练效率最高的方法。期间不仅要学习各类算子库、张量编译器、调优引擎的特性，还只能选用特定的训练框架，非常复杂。相比之下，华为从2018年AI战略制定之初，就选择了一条不同的路线。华为昇腾计算业务副总裁金颖在采访中表示：我们认为，AI模型会由单一的、场景化的模式，逐渐走向通用化，而昇腾系列，就是针对全场景设计的解决方案。其中，昇腾CANN作为平台级的异构计算架构，已经经过了3年多的优化，迭代了4个大版本。现在，最新“预热”的CANN5.0版本，在各种不同场景的模型和任务上，都表现出了不错的效果。昇腾CANN5.0带来哪些新功能？相比于昇腾CANN3.0，“跨代”的5.0版本带来三大优势：性能：AI模型训练/推理性能大幅提升，用时更短；功能：推理引擎ATCSuite1.0首次发布，AI模型推理性能更高、功能更全面；便捷性：代码开发和调试进一步简化，包括支持混合编程等，使用门槛更低。在性能上，无论是训练规模大小、场景类型，还是推理效率，均有较大提升。其中，在MLPerf提供的大规模集群训练场景中测试，结果如下：△数据来源：昇腾从上图可见，原本需要6.25秒训练的BERT模型，在CANN5.0的加持下缩短了一倍多，只需2.69秒就能完成训练；至于在3.0版本上需要28秒训练的ResNet，5.0版本则是“再进化”到了16秒。至于常用的一些小模型训练场景（分类、检测、语义分割、NLP等），5.0版本的性能提升同样明显：△数据来源：昇腾训练以外，5.0版本的推理性能，在不同场景（分类、翻译、检测）下提升效果也非常不错：△数据来源：昇腾显然，无论是训练还是推理，CANN5.0都实现了更高效的任务调度和更好的性能提升。在功能上，CANN5.0首次发布了昇腾推理引擎软件包ATCSuite1.0（ATC，AscendTensorCompiler，昇腾张量编译器），包括模型压缩、张量编译、智能优化和媒体预处理硬加速等能力。模型压缩，包括量化、稀疏、张量分解等工具。像其中的AMCT模型压缩工具，就能对浮点数据进行压缩处理，来降低模型大小，加速推理速度；智能优化，能为用户提供在线调优能力，包括图解析、子图/算子自动调优、模型编译优化等功能，进一步加速ATC的计算速度。此外，推理引擎还包括AscendCL（AscendComputingLanguage，昇腾统一编程接口）全栈能力调用，即使是多路复杂的音视频处理等特殊场景也能轻松应对，以及ACE（AscendComputingExecution，昇腾计算执行引擎）运行管理等功能；至于在线/离线切换的推理模式，也让部署场景更加灵活。在便捷性上，5.0版本又进一步降低了开发者的使用门槛。例如，无需开发者手工修改代码，5.0版本支持模型自动迁移。又例如，进一步支持混合编程。相比于3.0的手动加载模型，5.0版本在App中可以直接调用算子函数，自动完成编译加载并执行：△3.0版本△5.0版本再例如，相比3.0，5.0版本现在还能自动生成算子测试代码，省去不少步骤：可以说是对开发者新人也很友好了。然而，相比于表面带来的更高性能、更全面的功能应用，异构计算架构的性能优化，并不如想象中“随便调调参”一般简单，而是需要大量的技术支撑。性能优化有多难？将原本需要跑上几天的模型训练时间，缩减到几小时甚至几秒，背后绝不仅仅靠的是硬件的堆叠。其中CANN5.0的一个关键技术，就是集群训练（采用大量机器共同训练模型，以加速训练时间）。据金颖介绍，相对于单机训练，增加训练模型的机器数量，往往并不一定能收获线性的效率提升。在训练过程中，多台机器虽然整体上拥有更多算力，但这些算力是分散的，彼此在进行数据交互的过程中，实际上又降低了训练效率，这也一直是集群训练的一个瓶颈。昇腾选择用图计算的原理，来分析集群训练的流水线分布、内存分配，针对不同机器的特点进行了架构上的设计，合理分配各个节点中的内存和通讯时间，来提高机器整体的计算效率。具体来说，CANN5.0版本在性能优化上，主要自研了4点技术：其一，任务自动流水。我们都在打游戏的时候感受过数据加载的痛苦，这是因为硬件需要一定的时间来“反应”，包括加载计算指令等，但在数据量大的情况下，这显然会极大地延缓整体计算时间。5.0实现了计算指令和数据载入的多流水并行，载入数据满足分段数据量时，不仅启动后续计算逻辑、还保持数据继续载入，进一步“压榨”硬件处理器的并行计算能力，实现任务衔接。其二，算子深度融合。算子是支持AI模型训练与推理的基本运算单元及组合，异构计算架构基本都要有自己的算子库。5.0版本重新定制了更灵活的算子融合规则，通过多个算子自动融合提升模型训练效率。其三，自适应梯度切分。这项技术，是华为针对集群训练提出的智能梯度切分算法，具体针对模型训练中的迭代计算进行了优化。CANN5.0能通过智能梯度切分算法，自动搜索出最优梯度参数切分方式，让计算和通信进一步并行执行，使得通信拖尾时间降至最低、梯度调优时间降低90%。其四，AutoTune智能计算调优。不同的AI模型，如果架构只用一种方式进行计算分配的话，势必会造成不适配的情况。因此，CANN5.0研究出了智能数据切分技术，提出最优切分策略，确保每个计算单元被充分利用，平均性能提升30%以上。5.0版本也预置了海量模型优化，能极大地缩短开发者的调优时间。如何评价昇腾CANN5.0？一方面，无论是AI模型、还是硬件层面的架构优化，都是AI技术走向更复杂的“通用化”的一个体现。对于AI模型来说，更加通用的模型，并非仅仅是“参数越堆越多”的结果。目前的通用AI模型，无论从训练数据、还是架构设计本身来看，技术上都还有许多亟待完善的地方：由数据带来的模型偏见、架构设计的冗余和不可解释性……显然，AI模型面临的这些问题，不可能单纯通过“模型变大”来彻底得到解决。对于硬件也是如此，当下AI行业对于算力需求的扩大，同样不可能只通过硬件的堆砌来填补空缺。如何在单个硬件算力受限的情况下，充分利用每个硬件的性能，达到算力1+1=2甚至是＞2的效果，是AI行业的每个参与者都必须思考的问题。异构计算架构，是高效利用不同硬件算力的解决方案之一，对于它来说，通用化也是同样复杂的一个问题。相比于单纯为某一场景、或某一功能而设计的专用异构计算架构，适用于全平台、全场景的“通用型”异构计算架构，从实现到优化上都要复杂得多。这里的难度，不仅仅在于实现功能上的通用性，而是在同样场景下，将对AI模型的性能优化做得和专用架构一样好。从这个角度来看，不可能存在一个“一劳永逸”的技术解决方案。无论是AI模型还是异构计算架构，都必须不断推陈出新、打破自己和行业的固有认知，与时俱进，才可能在变幻莫测的时代浪潮中保持身位。另一方面，回过头看历史潮流，仅凭创新，也不足以让技术实现“可持续发展”，究其根本，还是要回归现实、解决实际应用问题。例如，昇腾CANN5.0联手武汉大学，解决了遥感领域的超大图片计算瓶颈；同时，也在电影行业中，帮助修复了如《红楼梦》、《开国大典》等高清4K影片。要守住过去继承下来的技术地位，又要迎头直面实实在在的新问题，对华为已是竞争中的必修课。正如华为轮值董事长徐直军在全联接大会2021上所言：数字化将注定是一个长期的过程，不可能一蹴而就。我们所从事的这些技术领域，有幸处在变化最活跃的环节。