基于FPGA的深度學(xué)習(xí)CNN加速器設(shè)計方案

因?yàn)镃NN的特有計算模式，通用處理器對于CNN實(shí)現(xiàn)效率并不高，不能滿足性能要求。因此，近來已經(jīng)提出了基于FPGA，GPU甚至ASIC設(shè)計的各種加速器來提高CNN設(shè)計的性能。在這些方法中，基于FPGA的加速器引起了研究人員越來越多的關(guān)注，因?yàn)樗鼈兙哂行阅芎茫茉葱矢?，開發(fā)周期快，重構(gòu)能力強(qiáng)等優(yōu)點(diǎn)。

在實(shí)驗(yàn)中，研究人員發(fā)現(xiàn)在FPGA相同的邏輯資源利用率情況下，兩種不同解決方案可能會有多達(dá)90％的性能差異。所以找出最佳解決方案是很重要的，特別是當(dāng)考慮到FPGA平臺的計算資源和存儲器帶寬的限制時。實(shí)際上，如果加速器結(jié)構(gòu)沒有精心設(shè)計，其計算吞吐量與提供FPGA平臺的內(nèi)存帶寬不匹配。這意味著由于邏輯資源或存儲器帶寬的利用不足將造成性能的降級。

不幸的是，F(xiàn)PGA技術(shù)和深度學(xué)習(xí)算法的進(jìn)步同時加劇了這個問題。一方面，由最先進(jìn)的FPGA平臺提供的日益增加的邏輯資源和存儲器帶寬擴(kuò)大了設(shè)計空間。此外，當(dāng)應(yīng)用各種FPGA優(yōu)化技術(shù)（如循環(huán)平鋪和變換）時，設(shè)計空間進(jìn)一步擴(kuò)大。另一方面，為了適應(yīng)現(xiàn)代應(yīng)用的需求，深度學(xué)習(xí)算法的規(guī)模和復(fù)雜性也在不斷增加。所以，在設(shè)計空間中找出最優(yōu)解是比較困難的。因此，迫切需要有效的方法來探索基于FPGA的CNN設(shè)計空間。

然而現(xiàn)有的大部分工作主要關(guān)注計算引擎優(yōu)化，它們有的忽略外部存儲器操作，有的將其加速器直接連接到外部存儲器。還有些研究工作通過精細(xì)的數(shù)據(jù)重用減少外部數(shù)據(jù)訪問來加速CNN應(yīng)用。然而，這種方法并不一定會導(dǎo)致最佳的整體性能。此外，這種方法需要重新配置不同層次的FPGA計算。這在某些情況下是不可行的。

因此，為了有效地探索設(shè)計空間，有研究人員提出了一種分析設(shè)計方案。這種方案考慮到緩沖區(qū)管理和帶寬優(yōu)化，以更好地利用FPGA資源并實(shí)現(xiàn)更高的性能。同時加速器能夠跨越不同的層執(zhí)行加速作業(yè)，而無需重新編程FPGA。下面我們具體來看一下這種方案。

考慮到在應(yīng)用中基本都是將訓(xùn)練好的CNN模型部署到現(xiàn)有計算平臺上進(jìn)行預(yù)測操作，所以，很多的FPGA加速方案中僅考慮優(yōu)化前向操作。同時又有研究表明，卷積操作占據(jù)了CNN模型將近90%的計算時間，所以， 本方案也是僅考慮優(yōu)化CNN模型前向計算中的卷積運(yùn)算 ，優(yōu)化的模型選擇為經(jīng)典的AlexNet。同時為了更好的分析網(wǎng)絡(luò)的性能，研究人員借助Roofline Model進(jìn)行優(yōu)化方案的設(shè)計。通過這個 model，既可以評估一個設(shè)計的效率，還能很容易看出設(shè)計到底是 computation-limited 還是 memory bandwidth-limited，可以幫助確定進(jìn)一步優(yōu)化的思路。

首先，我們先來了解一下CNN中的卷積運(yùn)算的規(guī)則，CNN中的卷積運(yùn)算如圖1所示，代碼1表示其偽代碼。

圖1

代碼1

幾乎所有的基于FPGA的加速方案，都如圖2顯示的那樣，F(xiàn)PGA上的CNN加速器設(shè)計主要由處理元件（PE），片上緩沖器，外部存儲器和片上/片外互連幾個組件組成。其中PE是卷積的基本計算單元。用于處理的所有數(shù)據(jù)都存儲在外部存儲器中。由于片上資源限制，數(shù)據(jù)首先被緩存在片上緩沖區(qū)中，然后再饋送給PE。雙緩沖區(qū)用于通過數(shù)據(jù)傳輸時間來覆蓋計算時間。片內(nèi)互連專用于PE和片上緩沖存儲器之間的數(shù)據(jù)通信。

圖2

通過觀察圖2，我們可以發(fā)現(xiàn)有幾個設(shè)計問題妨礙了FPGA平臺上高效的CNN加速器設(shè)計。首先，為了適應(yīng)芯片上的一小部分?jǐn)?shù)據(jù)，循環(huán)平鋪是必須的。不正確的平鋪可能會降低數(shù)據(jù)重用的效率和數(shù)據(jù)處理的并行性。第二，應(yīng)仔細(xì)考慮PE和緩沖庫的組織以及它們之間的互連，以便有效地處理片上數(shù)據(jù)。第三，PE的數(shù)據(jù)處理吞吐量應(yīng)與FPGA平臺提供的片外帶寬匹配。

為了解決上述問題，下面逐條分解實(shí)現(xiàn)方案。

1）首先，方案采用 循環(huán)平鋪 （代碼2）。注意，循環(huán)迭代器i和j由于CNN中卷積窗口大小K的相對小的尺寸（通常在3到11之間）而不是平鋪的。其他循環(huán)迭代器（row，col，to和ti）平鋪到圖形循環(huán)和點(diǎn)循環(huán)中（代碼2中的trr，tcc和tii）。

代碼2

2）片上計算優(yōu)化的實(shí)現(xiàn)

計算優(yōu)化的目的是在充分利用FPGA硬件平臺提供的所有計算資源的同時，實(shí)現(xiàn)高效的循環(huán)展開/流水線化。

循環(huán)展開可用于增加FPGA設(shè)備中大規(guī)模計算資源的利用率。在給定陣列上循環(huán)維度的不同循環(huán)迭代之間的數(shù)據(jù)共享關(guān)系可分為三類：不相干，獨(dú)立，有依賴關(guān)系。對應(yīng)如圖3所示。如代碼2所示，CNN代碼中的數(shù)據(jù)共享關(guān)系如表1所示。

圖3

表1

因此在設(shè)計展開時，選擇對too和tii進(jìn)行展開，以避免所有陣列的復(fù)雜連接拓?fù)?。too和tii被置換到最內(nèi)層循環(huán)，以簡化HLS代碼生成。生成的硬件實(shí)現(xiàn)如圖4所示。

圖4

循環(huán)流水線化是高級合成中的關(guān)鍵優(yōu)化技術(shù)，通過重復(fù)來自不同循環(huán)迭代的操作的執(zhí)行來提高系統(tǒng)吞吐量。因此方案使用基于多面體的優(yōu)化框架來執(zhí)行自動循環(huán)變換以將并行循環(huán)水平置換到最內(nèi)層，以避免循環(huán)依賴。

最終循環(huán)展開和循環(huán)流水線優(yōu)化后的代碼結(jié)構(gòu)如代碼3所示。

代碼3

3）內(nèi)存訪問優(yōu)化的實(shí)現(xiàn)

代碼4展示了一個CNN層的存儲器傳送操作。輸入/輸出特征圖和權(quán)重在計算引擎啟動之前就已被加載，計算完成后，將生成的輸出特征圖寫回主存儲器。

代碼4

通過分析可知，通信部分中的最內(nèi)層循環(huán)（代碼4中的ti）與數(shù)組無關(guān)，因此在不同的循環(huán)迭代之間存在冗余的存儲器操作。所以方案使用本地存儲提升來減少相關(guān)冗余操作。代碼4中，最內(nèi)圈的維數(shù)ti與陣列輸出特征圖無關(guān)。因此，可以將對陣列輸出特征圖的訪問提升到外部循環(huán)。請注意，升級過程可以迭代執(zhí)行，直到訪問周圍的最內(nèi)層循環(huán)最終相關(guān)。通過本地存儲提升，陣列輸出特征圖上的存儲訪問操作的行程計數(shù)從降到了。

循環(huán)轉(zhuǎn)換數(shù)據(jù)重用。 為了通過本地存儲提升最大化數(shù)據(jù)重用的機(jī)會，方案使用基于多面體的優(yōu)化框架來識別所有合法的循環(huán)轉(zhuǎn)換。表2顯示了循環(huán)迭代和數(shù)組之間的數(shù)據(jù)共享關(guān)系。每個合法循環(huán)調(diào)度中都會使用本地存儲提升功能，以減少總通信量。

表2

通過上述操作，方案明顯提升了CTC Ratio。

4）設(shè)計空間探索

以CNN模型的第5層為例，圖5描繪了CNN模型的第5層在rooline模型坐標(biāo)系中的所有合理的解決方案。橫軸表示CCT Ratio，縱軸表示計算性能（GFLOPS）。任何點(diǎn)與原點(diǎn)（0，0）之間的線的斜率表示該實(shí)現(xiàn)的最小帶寬要求。

圖5

圖6中，帶寬Roof和計算Roof的線由平臺的規(guī)格定義。帶寬Roof線的左側(cè)的任何一點(diǎn)都需要比平臺提供的帶寬更高的帶寬。例如，盡管圖中A方案實(shí)現(xiàn)了最高的計算性能，但是目標(biāo)平臺無法滿足該方案所需的存儲器帶寬。所以，綜合分析比較，最終選擇方案C作為第5層的設(shè)計方案，它的帶寬要求為2.2GB/s。

圖6

5）多層CNN加速器設(shè)計

在此之前，我們討論了如何找到每個卷積層的最優(yōu)實(shí)現(xiàn)方案。但是，在CNN應(yīng)用中，這些參數(shù)可能在不同的層之間需要變化。表3描述了該應(yīng)用CNN模型中所有層的最優(yōu)展開因子（Tm和Tn）。為了解決這個問題，本方案采用的方法是在不同卷積層之間設(shè)計具有均勻展開因子的硬件架構(gòu)。具有統(tǒng)一展開因子的CNN加速器設(shè)計和實(shí)現(xiàn)簡單，但可能對某些層是次優(yōu)的。表3顯示，使用統(tǒng)一展開因子<64,7>，與每個優(yōu)化卷積層的總執(zhí)行周期相比，退化在5%以內(nèi)。因此，方案選擇了CNN加速器在卷積層上的統(tǒng)一展開因子。

表3

解決完上述問題，圖7就是整個實(shí)現(xiàn)方案架構(gòu)。實(shí)驗(yàn)是在具有Xilinx FPGA芯片Virtex7 485t的VC707板上完成。其工作頻率為100 MHz。為了比較性能，CPU軟件實(shí)現(xiàn)在具有15MB高速緩存的Intel Xeon CPU E5-2430（@ 2.20GHz）上運(yùn)行。