这就是华为速度：2.69分完成BERT训练！新发CANN 5.0背后技术公开

　　金磊萧箫发自凹非寺

　　量子位报道公众号 QbitAI

　　快，着实有点快。

　　现在，经典模型 BERT 只需2. 69、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CANN 5.0 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 CANN 5.0 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 CANN 5.0 的功能解读中一探究竟。

　　为什么需要 AI 异构计算架构？

　　首先来看看，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 CANN 5.0 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 CANN 5.0 带来哪些新功能？

　　相比于昇腾 CANN 3.0，“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 ATC Suite1.0 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 分钟训练的 BERT 模型，在 CANN 5.0 的加持下缩短了一倍多，只需 2.69 分钟就能完成训练；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，CANN 5.0 都实现了更高效的任务调度和更好的性能提升。

　　在功能上，CANN 5.0 首次发布了昇腾推理引擎软件包 ATC Suite1.0（ATC，Ascend Tensor Compiler，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 Ascend CL（Ascend Computing Language，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（Ascend Computing Execution，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 CANN 5.0 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。

　　△图源：图虫

　　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，CANN 5.0 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。

　　CANN 5.0 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，CANN 5.0 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。

　　正是这些技术优势，让华为在 AI 性能提升上，拥有了更多的底气。

　　如何评价昇腾 CANN 5.0？

　　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。

　　△图源：图虫

　　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 CANN 5.0 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。