深度学习卷积在GPU上如何优化？

[table=100%,#AB9364][/table]


提到人工智能领域，现在最热的词之一就是深度学习DeepLearning(下文简称DL)。近年来，深度学习成为了学术界乃至整个工业领域视觉计算方面的绝对主流。除了传统的计算机几何处理、专业渲染、医疗、生命科学、能源、金融服务、汽车、制造业以及娱乐业纷纷着力深度学习应用和技术优化，避免在企业竞争中失利。在群雄逐鹿的技术比拼中，GPU扮演着至关重要的角色，与其相关的技术优化也是研发人员关注的焦点之一。[blockquote]

“深度学习技术已经可以用于解决实际的问题，而不是停留在Demo演示阶段”

[/blockquote]如微软的语音翻译、Google的猫识别，再到最近很火的人脸识别，还有自动驾驶等等，这些都是深度学习的典型应用。Alibaba、Baidu、Facebook、Google、IBM等大公司都在DL方面有很大的投入。这里必须强调一句，目前很多主流的DL框架和算法基本上都是华人主导开发的，DL的复兴，离不开华人研究者。[blockquote]

“在进行深度学习训练之前，你需要考虑的两件事”

[/blockquote]一个是软件框架。例如Caffe，Tensorflow，Mxnet等等。另一个就是硬件。硬件方面，目前有多种异构形式，cpu，fpga，dsp等等，但是最主流的还是GPU，真正能在DL当中快速形成战斗力的也是CUDA硬件（NVIDIA GPU）+CUDA的DL学习软件（cuDNN），这也是NVIDIA多年研发与培育的结果。[blockquote]

工欲善其事,必先利其器

[/blockquote]现在主流的DL开发训练平台一般都用NVIDIA的显卡，比如NVIDIATITAN系列就是非常好的工具。为了加快训练速度，一般选择在配备多个GPU的高性能计算机或集群上面进行训练，训练好的网络也很容易移植到采用NVIDIA Tegra处理器的嵌入式平台上面，如NVIDIA Jetson TX1，它们拥有相同的架构，所以移植起来会非常方便。 Jetson TX1基于NVIDIA TegraX1处理器打造，它采用和超级计算机完全相同的Maxwell架构256核心GPU，可提供高达1T-Flops的计算性能并完整支持CUDA(Compute Unified DeviceArchitecture)技术，配合预装的开发工具，非常适合基于深度学习的智慧型嵌入式设备的打造。前不久就有用户通过配备Tegra处理器的Jetson平台，检测自家花园是否有小猫闯入。[blockquote]

重头戏：卷积神经网络CNN算法优化

[/blockquote]检测小猫闯入花园的视频红遍网络，这一应用就用到了卷积神经网络(Convolutional NeuralNetwork，简称CNN)的分类，在台式机或者集群上学习，然后porting（移植）到Tegra上，CNN算法起了关键作用。而CNN最关键的部分就是卷积层。在图像识别，图像分类领域来讲大多数问题之所以CNN能起作用，关键就是卷积。它从两个方面演变而来，一个是声音处理的延时网络，一个是图像处理的特征点提取算法。对后者而言，卷积就是对图像做滤波，简单说，就是做一些特征值提取。常见的有sobel做边缘提取，还有hog，高斯滤波等等，这些都是二维卷积。[blockquote]

卷积形状优化

[/blockquote]虽然现在大家做卷积都是方块的，但其实这只是定义，你完全可以不遵循这个标准，可以用其他的形状来代替卷积，去更好的适应你的运算方式，尤其是卷积核心比较大的时候，这也是对卷积做出优化的一种方式。一般来说，目前比较流行的CNN网络，卷积部分会占用70%以上的计算时间，优化卷积部分就是很有必要的。你需要从算法角度、并行化角度，以及GPU硬件特性等诸多方面做出考量。 GPU本身是一种可编程的并行计算架构，它有很多很好的算法，同时NVIDIA也提供了相应的工具，帮你去进行优化。[blockquote]

卷积优化的基本思路

[/blockquote]1.   计算并行2.   数据并行3.   并行的粒度4.   空间换时间5.   IO和计算叠加6.   更多的利用高效的缓存空间7.   针对硬件的并行特性，更高效率的利用网络并发型[blockquote]

用内存来换时间

[/blockquote]如果深度学习DL中每一层的卷积都是针对同一张图片，那么所有的卷积核可以一起对这张图片进行卷积运算，然后再分别存储到不同的位置，这就可以增加内存的使用率，一次加载图片，产生多次的数据，而不需要多次访问图片，这就是用内存来换时间。[blockquote]

乘法优化

[/blockquote]卷积是对一个小区域做的乘法，然后再做加法，这在并行计算领域是非常成熟的。

                               
登录/注册后可看大图

9.jpg640x853 40.9 KB以上图为例，左边是一张图片，右边是卷积核。我们可以把卷积核心展开成一条行，然后多个卷积核就可以排列成多行，再把图像也用类似的方法展开，就可以把一个卷积问题转换成乘法问题。这样就是一行乘以一列，就是一个结果了。这样虽然多做了一些展开的操作，但是对于计算来讲，速度会提升很多。[blockquote]

GPU优化的几个思路

[/blockquote]1. 了解IO访问的情况以及IO的性能；2. 多线程的并行计算特性；3.IO和并行计算间的计算时间重叠。对于NVIDIA的GPU来讲，内存访问是有一些特性的，连续合并访问可以很好地利用硬件的带宽。你可以看到，NVIDIA最新架构的GPU，其核心数目可能并没有明显增加，架构似乎也没有太大变化，但在几个计算流处理器中间增加缓存，就提高了很大的性能，为IO访问这块儿带来了很大优化。

                               
登录/注册后可看大图

上面是一张比较经典的内存和线程模型，shared memory和registers是访问速度最快的内存，内存的访问跟计算比起来，太慢了，所以尽量把多的数据都放到高速的缓存里面。[blockquote]

矩阵优化的几个思路

[/blockquote]1. 从计算角度出发2. 从结果出发

                               
登录/注册后可看大图

11.jpg640x853 40.6 KB以上面这张图为例，当我们从C矩阵的结果出发，每一个C需要A的一行和B的一列来进行计算，利用GPU的特性，我们可以把零时的结果存储在registers面，那我们就可以划分64x2个线程，来作为计算线程。

                               
登录/注册后可看大图

在C的影印部分，可以有64×2这么多个线程在一次访问，就可以存储64×2个数据。你可以让64×2个线程每一个线程都存储16个或者32个数据，那么，我们就可以用64×2个线程存储64×2×16（32）个数据。这么多个数据都可以一次存储在最快的内存里面，多次读写的时候，速度就可以很快。同时，我们在考虑对A和B矩阵的访问，可以把B矩阵的相应的数据，大量的放到shared memory里面，这样就提高了sharedmemory的公用性。这样，整个A×B再根据这些线程可以在读取globalmemory（A矩阵）的时候，可以合并访问，可以按照每一排32、32的读取，可以加快合并访问=C。这样就把整个矩阵优化的思路整理出来了。以上就是针对深度学习卷积在GPU、乃至Jetson TX1平台上的一些优化思路。

---

本文转载自英伟达NVIDIA企业解决方案公众号。赵开勇，香港浸会大学计算机系异构计算实验室PhDCandidate，长期从事高性能计算领域研究，在CPU、GPU异构计算方面有多年的研究经验。赵开勇先生组织参与多个科研单位和高性能用户的高性能项目研发，曾担任浪潮GPU高性能计算顾问，曾多次担任NVidia中国CUDA比赛评委。他还曾经组织出版《GPU高性能运算之CUDA》，翻译《大规模并行处理器编程实战》第二版。国内最早推广GPU高性能计算的研究者之一。