基于FPGA的深度學(xué)習(xí)CNN加速器設(shè)計(jì)方案

基于FPGA的深度學(xué)習(xí)CNN加速器設(shè)計(jì)方案因?yàn)镃NN的特有計(jì)算模式，通用處理器對(duì)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(jì)的各種加速器來提高CNN設(shè)計(jì)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(huì)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(tái)的計(jì)算資源和存儲(chǔ)器帶寬的限制時(shí)。實(shí)際上，如果加速器結(jié)構(gòu)沒有精心設(shè)計(jì)，其計(jì)算吞吐量與提供FPGA平臺(tái)的內(nèi)存帶寬不匹配。這意味著由于邏輯資源或存儲(chǔ)器帶寬的利用不足將造成性能的降級(jí)。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(shí)加劇了這個(gè)問題。一方面，由最先進(jìn)的FPGA平臺(tái)提供的日益增加的邏輯資源和存儲(chǔ)器帶寬擴(kuò)大了設(shè)計(jì)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(shí)，設(shè)計(jì)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(jì)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(jì)空間。然而現(xiàn)有的大部分工作主要關(guān)注計(jì)算引擎優(yōu)化，它們有的忽略外部存儲(chǔ)器操作，有的將其加速器直接連接到外部存儲(chǔ)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(huì)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(jì)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(jì)空間，有研究人員提出了一種分析設(shè)計(jì)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(shí)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?？紤]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(jì)算平臺(tái)上進(jìn)行預(yù)測(cè)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(shí)又有研究表明，卷積操作占據(jù)了CNN模型將近90%的計(jì)算時(shí)間，所以，本方案也是僅考慮優(yōu)化CNN模型前向計(jì)算中的卷積運(yùn)算，優(yōu)化的模型選擇為經(jīng)典的AlexNet。同時(shí)為了更好的分析網(wǎng)絡(luò)的性能，研究人員借助RooflineModel進(jìn)行優(yōu)化方案的設(shè)計(jì)。通過這個(gè)model，既可以評(píng)估一個(gè)設(shè)計(jì)的效率，還能很容易看出設(shè)計(jì)到底是computation-limited還是memorybandwidth-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(jì)主要由處理元件（PE），片上緩沖器，外部存儲(chǔ)器和片上/片外互連幾個(gè)組件組成。其中PE是卷積的基本計(jì)算單元。用于處理的所有數(shù)據(jù)都存儲(chǔ)在外部存儲(chǔ)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(shí)間來覆蓋計(jì)算時(shí)間。片內(nèi)互連專用于PE和片上緩沖存儲(chǔ)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(gè)設(shè)計(jì)問題妨礙了FPGA平臺(tái)上高效的CNN加速器設(shè)計(jì)。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(huì)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(kù)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(tái)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(duì)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22）片上計(jì)算優(yōu)化的實(shí)現(xiàn)計(jì)算優(yōu)化的目的是在充分利用FPGA硬件平臺(tái)提供的所有計(jì)算資源的同時(shí)，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(jì)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(duì)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(jì)展開時(shí)，選擇對(duì)too和tii進(jìn)行展開，以避免所有陣列的復(fù)雜連接拓?fù)洹oo和tii被置換到最內(nèi)層循環(huán)，以簡(jiǎn)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(jí)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(dòng)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33）內(nèi)存訪問優(yōu)化的實(shí)現(xiàn)代碼4展示了一個(gè)CNN層的存儲(chǔ)器傳送操作。輸入/輸出特征圖和權(quán)重在計(jì)算引擎啟動(dòng)之前就已被加載，計(jì)算完成后，將生成的輸出特征圖寫回主存儲(chǔ)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(chǔ)器操作。所以方案使用本地存儲(chǔ)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(duì)陣列輸出特征圖的訪問提升到外部循環(huán)。請(qǐng)注意，升級(jí)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(chǔ)提升，陣列輸出特征圖上的存儲(chǔ)訪問操作的行程計(jì)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(chǔ)提升最大化數(shù)據(jù)重用的機(jī)會(huì)，方案使用基于多面體的優(yōu)化框架來識(shí)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(gè)合法循環(huán)調(diào)度中都會(huì)使用本地存儲(chǔ)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CTCRatio。4）設(shè)計(jì)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CCTRatio，縱軸表示計(jì)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(jì)算Roof的線由平臺(tái)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(tái)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(jì)算性能，但是目標(biāo)平臺(tái)無法滿足該方案所需的存儲(chǔ)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(jì)方案，它的帶寬要求為2.2GB/s。圖65）多層CNN加速器設(shè)計(jì)在此之前，我們討論了如何找到每個(gè)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(gè)問題，本方案采用的方法是在不同卷積層之間設(shè)計(jì)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(jì)和實(shí)現(xiàn)簡(jiǎn)單，但可能對(duì)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(gè)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(gè)實(shí)現(xiàn)方案架構(gòu)。實(shí)驗(yàn)是在具有XilinxFPGA芯片Virtex7485t的VC707板上完成。其工作頻率為100MHz。為了比較性能，CPU軟件實(shí)現(xiàn)在具有15MB高速緩存的IntelXeonCPUE5-2430（@2.20