最高額。翻牌。GFLOPS。AI 處理器供應(yīng)商以多種方式計算其架構(gòu)的最大推理性能。

這些數(shù)字還重要嗎？它們中的大多數(shù)是在實驗室類型的環(huán)境中生產(chǎn)的，理想的條件和工作負(fù)載允許被測設(shè)備 （SUT） 為營銷目的生成盡可能高的分?jǐn)?shù)。另一方面，大多數(shù)工程師可能不太關(guān)心這些理論上的可能性。他們更關(guān)心技術(shù)如何影響推理設(shè)備的準(zhǔn)確性、吞吐量和/或延遲。

將計算元素與特定工作負(fù)載進(jìn)行比較的行業(yè)標(biāo)準(zhǔn)基準(zhǔn)更加有用。例如，圖像分類工程師可以識別出多個滿足其性能要求的選項，然后根據(jù)功耗、成本等因素對其進(jìn)行縮減。語音識別設(shè)計人員可以使用基準(zhǔn)測試結(jié)果來分析各種處理器和內(nèi)存組合，然后決定是否合成本地或云中的語音。

但 AI 和 ML 模型、開發(fā)框架和工具的快速引入使此類比較變得復(fù)雜。如圖 1 所示，AI 技術(shù)堆棧中越來越多的選項也意味著可用于判斷推理性能的排列呈指數(shù)級增長。那是在考慮可以針對給定系統(tǒng)架構(gòu)優(yōu)化模型和算法的所有方式之前。

圖 1. AI 開發(fā)堆棧中越來越多的選項具有復(fù)雜的行業(yè)標(biāo)準(zhǔn)基準(zhǔn)測試。

不用說，開發(fā)這樣一個全面的基準(zhǔn)超出了大多數(shù)公司的能力或愿望。即使有能力完成這一壯舉，工程界真的會接受它作為“標(biāo)準(zhǔn)基準(zhǔn)”嗎？

MLPerf：更好的 AI 推理基準(zhǔn)

更廣泛地說，工業(yè)界和學(xué)術(shù)界在過去幾年中開發(fā)了幾個推理基準(zhǔn)，但他們傾向于關(guān)注新生人工智能市場的更多利基領(lǐng)域。一些例子包括 EEMBC 用于嵌入式圖像分類和對象檢測的 MLMark，蘇黎世聯(lián)邦理工學(xué)院針對 Android 智能手機上的計算機視覺的 AI 基準(zhǔn)，以及哈佛的 Fathom 基準(zhǔn)，它強調(diào)各種神經(jīng)網(wǎng)絡(luò)的吞吐量，但不強調(diào)準(zhǔn)確性。

可以在 MLPerf 最近發(fā)布的 Inference v0.5 基準(zhǔn)測試中找到對 AI 推理環(huán)境的更完整評估。MLPerf Inference 是一個社區(qū)開發(fā)的測試套件，可用于測量 AI 硬件、軟件、系統(tǒng)和服務(wù)的推理性能。這是來自 30 多家公司的 200 多名工程師合作的結(jié)果。

正如您對任何基準(zhǔn)測試所期望的那樣，MLPerf Inference 定義了一套標(biāo)準(zhǔn)化的工作負(fù)載，這些工作負(fù)載被組織成用于圖像分類、對象檢測和機器翻譯用例的“任務(wù)”。每個任務(wù)都由與正在執(zhí)行的功能相關(guān)的 AI 模型和數(shù)據(jù)集組成，圖像分類任務(wù)支持 ResNet-50 和 MobileNet-v1 模型，對象檢測任務(wù)利用具有 ResNet34 或 MobileNet-v1 主干的 SSD 模型，以及使用 GNMT 模型的機器翻譯任務(wù)。

除了這些任務(wù)之外，MLPerf 推理開始偏離傳統(tǒng)基準(zhǔn)的規(guī)范。由于不同用例對準(zhǔn)確性、延遲、吞吐量和成本的重要性的權(quán)重不同，MLPerf Inference 通過根據(jù)移動設(shè)備、自動駕駛汽車、機器人和云這四個關(guān)鍵應(yīng)用領(lǐng)域的質(zhì)量目標(biāo)對推理性能進(jìn)行分級來進(jìn)行權(quán)衡。

為了在盡可能接近在這些應(yīng)用程序領(lǐng)域運行的真實系統(tǒng)的上下文中有效地對任務(wù)進(jìn)行評分，MLPerf Inference 引入了負(fù)載生成器工具，該工具根據(jù)四種不同的場景生成查詢流量：

樣本大小為 1 的連續(xù)單流查詢，在移動設(shè)備中很常見

每個流具有多個樣本的連續(xù)多流查詢，如在延遲至關(guān)重要的自動駕駛汽車中發(fā)現(xiàn)的那樣

請求隨機到達(dá)的服務(wù)器查詢，例如在延遲也很重要的 Web 服務(wù)中

執(zhí)行批處理且吞吐量是一個突出考慮因素的離線查詢

Load Generator 以測試準(zhǔn)確性和吞吐量（性能）的模式提供這些場景。圖 2 描述了 SUT 如何接收來自負(fù)載生成器的請求，從而將數(shù)據(jù)集中的樣本加載到內(nèi)存中，運行基準(zhǔn)測試并將結(jié)果返回給負(fù)載生成器。然后，準(zhǔn)確性腳本會驗證結(jié)果。

圖 2. MLPerf Inference 基準(zhǔn)測試依賴于負(fù)載生成器，該負(fù)載生成器根據(jù)許多實際場景查詢被測系統(tǒng) （SUT）。

作為基準(zhǔn)測試的一部分，每個 SUT 必須執(zhí)行最少數(shù)量的查詢以確保統(tǒng)計可信度。

提高靈活性

如前所述，人工智能技術(shù)市場中使用的各種框架和工具是任何推理基準(zhǔn)測試的關(guān)鍵挑戰(zhàn)。前面提到的另一個考慮因素是模型和算法的調(diào)整，以從 AI 推理系統(tǒng)中擠出最高的準(zhǔn)確性、吞吐量或最低的延遲。就后者而言，量化和圖像重塑等技術(shù)現(xiàn)在已成為常見做法。

MLPerf Inference 是語義級別的基準(zhǔn)測試，這意味著，雖然基準(zhǔn)測試提供了特定的工作負(fù)載（或一組工作負(fù)載）和執(zhí)行它的一般規(guī)則，但實際實施取決于執(zhí)行基準(zhǔn)測試的公司。公司可以優(yōu)化提供的參考模型，使用他們想要的工具鏈，并在他們選擇的硬件目標(biāo)上運行基準(zhǔn)測試，只要它們保持在一定的指導(dǎo)范圍內(nèi)。

然而，重要的是要注意，這并不意味著提交公司可以隨意使用 MLPerf 模型或數(shù)據(jù)集，并且仍然有資格獲得主要基準(zhǔn)。MLPerf 推理基準(zhǔn)分為兩個部分 - 封閉式和開放式 - 封閉式部分對可以使用哪些類型的優(yōu)化技術(shù)以及禁止使用其他優(yōu)化技術(shù)有更嚴(yán)格的要求。

要獲得封閉部門的資格，提交者必須使用提供的模型和數(shù)據(jù)集，但允許量化。為確保兼容性，封閉部門的參賽者不能使用經(jīng)過重新訓(xùn)練或修剪的模型，也不能使用經(jīng)過調(diào)整以具有基準(zhǔn)或數(shù)據(jù)集感知能力的緩存或網(wǎng)絡(luò)。

另一方面，開放部門旨在促進(jìn)人工智能模型和算法的創(chuàng)新。提交給開放部門仍然需要執(zhí)行相同的任務(wù)，但可以更改模型類型、重新訓(xùn)練和修剪其模型、使用緩存等。

盡管封閉部門聽起來很嚴(yán)格，但有 150 多個條目成功地獲得了 MLPerf Inference v0.5 發(fā)布的資格。圖 3 和圖 4 展示了參賽者使用的 AI 技術(shù)堆棧的多樣性，涵蓋了幾乎所有類型的處理器架構(gòu)和軟件框架，從 ONNX 和 PyTorch 到 TensorFlow、OpenVINO 和 Arm NN。

圖 3. DSP、FPGA、CPU、ASIC 和 GPU 均成功完成了 MLPerf Inference 封閉劃分要求。

圖 4. AI 軟件開發(fā)框架（如 ONNX、PyTorch、TensorFlow、OpenVINO、Arm NN 等）用于開發(fā)符合封閉劃分基準(zhǔn)的 MLPerf 推理系統(tǒng)。

將猜測排除在評估之外

雖然 MLPerf Inference 的初始版本包含一組有限的模型和用例，但基準(zhǔn)測試套件是以模塊化、可擴展的方式構(gòu)建的。隨著技術(shù)和行業(yè)的發(fā)展，這將使 MLPerf 能夠擴展任務(wù)、模型和應(yīng)用領(lǐng)域，并且該組織已經(jīng)計劃這樣做。

最新的 AI 推理基準(zhǔn)顯然具有重要意義，因為它是目前可用的最接近真實世界 AI 推理性能的衡量標(biāo)準(zhǔn)。但隨著它的成熟和吸引更多的提交，它也將成為成功部署技術(shù)堆棧的晴雨表和新實施的試驗場。

為什么不讓技術(shù)自己說話，而不是處理特定于供應(yīng)商的數(shù)據(jù)表數(shù)字呢？畢竟，更少的猜測意味著更強大的解決方案和更快的上市時間。

審核編輯：郭婷