一文详解英特尔深度学习加速技术

有什么比秃头更心酸的吗？

有，比如智能机器人将秃了的后脑勺识别成未戴口罩的脸，跟随一路提醒佩戴口罩。

 

如今AI应用已非常普遍，这过程中也收获了不少“人工智障”的笑话，上述只是其中一个，除了离谱的图像自动识别，还有答非所问的智能对话。

自迎来以深度学习为代表的第三次发展浪潮，人工智能技术已被广泛应用在目标检测、图像识别、自然语言处理（NLP）等场景，从语音识别、自动送餐机器人到生产线影像监控，AI的身影无处不在。

客户的业务需求与创新应用对AI推理和训练的效率和质量都提出了更为严格的要求，推动人工智能发展从三个方面——数据、算力、算法都需要进一步调优和高效。

两全其美之事已是世间难得，倘若想要在一件事上达到“三全”，着实有些困难且“贪心”。

但踏平“人工智障”，真的需要“贪心”一些。

数据精度、存储空间、处理速度，发展AI必须三者共同进步

数据、算力和算法之间存在一些原生矛盾。

通常来说，数据类型的宽度越大，能表达的动态范围和精度也就越高。

更大的动态范围和更高的精度意味着更多的存储空间，譬如FP32就需要FP16两倍的内存占用，并给内存带宽带来成倍的压力，对算力带来挑战。

同时算法层面，尽管深度学习是人工智能（AI）近几年重新走红的功臣，也是吞噬算力的巨大 “黑洞”。

这三者平衡起来依然也会存在困难，从数据类型的层面，要节省存储空间就需要做出一定的让步或牺牲，例如，Google为加速AI深度学习而引入的BFloat16（BF16）数据类型，用FP16的数据宽度实现了与FP32相当的动态范围，其代价是精度有所降低。

这只是解决了一方面，但如果实现“既准，又省，还快”三重快乐AI，三大要素必须共同发力：简化数据，强化算力，优化算法。

英特尔深度学习加速技术：准、省、快，低精度成就高效率！

算法上的革新是重中之重。

如同上述所说，大多数深度学习应用在其训练和推理工作负载中多采用 32 位浮点精度（FP32），尽管精度高但占用更大内存，进而影响计算效率。

当数据格式由 FP32 转为 8 位整数（INT8）或 16 位浮点数（BF16）时，内存可以移动更多的数据量，进而更大化地利用计算资源。

图说：不同数据格式对内存利用率的影响

这种精度的降低会对数据处理的准确率造成影响吗？

答案是：并不会，或者说影响微乎其微。

近年来已有众多研究和实践表明，以较低精度的数据格式进行深度学习训练和推理，并不会对结果的准确性带来太多影响，譬如BF16用于训练，INT8用于推理，能够将准确率的损失降至最低，甚至完全没有损失。

而低精度数据格式带来的优势，也不仅在于提升内存利用效率，在深度学习常见的乘法运算上，它也能减少处理器资源消耗并实现更高的 *** 作速度（OPS）。

算法的升级助力了“准”和“省”的达标，但“快”的层面还略有些差强人意。

为了保证推理过程中的精度，在CPU的向量处理单元中进行矩阵运算的时候，先将8位值相乘再累加到32位，需要3条指令来完成，代价是3倍的指令数，这也导致峰值运算性能只提高了33%。

那么“提速”任务就交给了算力单元。

英特尔 深度学习加速（英特尔Deep Learning Boost，简称DL Boost）技术的精髓，就是把对低精度数据格式的 *** 作指令融入到了 AVX-512 指令集中，即 AVX-512_VNNI (Vector Neural Network InstrucTIon，矢量神经网络指令) 和 AVX-512_BF16（bfloat16），分别提供了对 INT8（主打推理）和 BF16（兼顾推理和训练）的支持。

英特尔 深度学习加速技术带来训练和推理效率提升

至此，英特尔 DL Boost技术可以让人工智能达到三全，即：

省：简化数据，提高内存容量和带宽的利用率，缓解内存压力；

准：优化算法，模型量化使用较低的数值精度也能保证结果的准确性，特别是推理应用；

快：强化算力，避免增加额外 *** 作，保证性能与内存利用率同步提升。

 

 

推理与训练，硬件加速双管齐下

如同一条道路上，通过车辆的体型变小（简化后的数据），通过的车辆数量自然就上来了。

两种新的、针对 AI 应用的 AVX-512 指令集使道路（寄存器）上通过了更多的 车辆（数据量），新的指令集无疑能使计算效率获得大幅提升。

点击此处回顾英特尔AVX指令集的前世今生《这项15年前的「超前」技术设计，让CPU在AI推理时代大放光彩》

这两种不同指令集的优势也有所不同。

从代号Cascade Lake的英特尔第二代至强可扩展处理器开始，AVX-512指令集就增加了VNNI，用一条FMA指令就可以完成8位乘法再累加到32位的 *** 作。

2020 年问世的第三代英特尔 至强 可扩展处理器已集成了英特尔 深度学习加速技术这两种 AI 加速指令集，并被广泛运用于商业深度学习应用的训练和推理过程。

在指令集的支持下，简化数据的同时避免了额外的开销，让性能可以获得与内存利用率一致的提升。AVX-512_VNNI 使用INT8做推理，对比使用FP32，理论上可以获得4倍的性能，而将内存要求降至 ¼。

内存的减少和频率的提高加快了低数值精度运算的速度，最终加速 AI 和深度学习推理，适合图像分类、语音识别、语音翻译、对象检测等众多方面。

而AVX-512_BF16 的优势是既可以用于推理，也可以用于训练，能帮助训练性能提升达 1.93 倍。代号Cooper Lake的英特尔第三代至强可扩展处理器就集成了bfloat16加速功能，在与FP32相似的精度下，提升性能和内存利用率。

 

 

软硬协同设立“AI改造车间”，CPU多场景应用优势尽显

算力、算法、数据如今都有各自标准以及解决办法，当三者形成完整闭环时，如何让整个流程的效率更上一层？

依然还有可以继续进步的地方，那就是：AI 应用原生的数据格式并不统一的情况下，如何高效的把大量采用传统FP32数据格式的AI模型转换成BF16或INT8格式使用。

由英特尔推出的 OpenVINO 工具套件提供了模型量化功能，为上述问题提供了应对良方。

它能让基于不同 AI 框架，如 TensorFlow、MXNet、PyTorch 等构建的 FP32 数据格式 AI 模型，在损失很少精度的情况下转化为 INT8 和 BF16 数据格式。

除模型量化功能外，针对一系列 AI 应用场景，如视觉模拟、自动语音识别、自然语言处理及推荐系统等，OpenVINO 工具套件还提供了能提升它们开发和部署效率的组件，例如 OpenVINO Model Server 和 OpenVINO Model Zoo 等组件可对基于 TensorFlow、PyTorch、MxNet、Keras 等不同框架构建的训练模型实施更为高效的优化，并简化这些模型部署的流程及耗时。

AI应用场景颇多，那何种场景更能突显AVX-512_BF16等深度学习加速技术的优势？

例如在医疗影像此类重视准确性多过于实时性的场景中，汇医慧影在乳腺癌影像分析场景中引入了集成有英特尔 深度学习加速技术的第二代英特尔 至强 可扩展处理器，配合 OpenVINO 工具套件，在对检测模型进行了 INT8 转换和优化后，推理速度较原始方案提升高达 8.24 倍，且精确度损失不到 0.17%。

企业启动构建AI应用，改弦更张并非性价比之选，可以充分评估既有的数据存储、处理和分析平台，如此一来，基于又准又快又省的CPU，或借助它构建和部署符合自身需求的AI应用。

更何况，CPU自身的AI能力也在不断进化中，即将发布的代号为Sapphire Rapids的英特尔第四代至强可扩展处理器，就加入了简称AMX的高级矩阵扩展（Advanced Matrix Extensions）技术。

AMX是新的x86扩展，具有自己的存储和 *** 作，主要针对AI领域非常重要的平铺矩阵乘法，比前两种DL Boost的实现更为复杂，那效果呢？我们（带上显微镜）拭目以待吧~

编辑：黄飞