深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

作者: 咪付 2019-05-10 08:43:05

 随着AI的广泛应用,深度学习已成为当前AI研究和运用的主流方式。面对海量数据的并行运算,AI对于算力的要求不断提升,对硬件的运算速度及功耗提出了更高的要求。

目前,除通用CPU外,作为硬件加速的GPU、NPU、FPGA等一些芯片处理器在深度学习的不同应用中发挥着各自的优势,但孰优孰劣?

以人脸识别为例,其处理基本流程及对应功能模块所需的算力分布如下:

为什么会有这样的应用区分?

意义在哪里?

想要知道其中的答案,需要我们先从CPU、GPU、NPU、FPGA它们各自的原理、架构及性能特点来了解。

首先,我们先来了解一下通用CPU的架构。

CPU

CPU(Central Processing Unit)中央处理器,是一块超大规模的集成电路,主要逻辑架构包括控制单元Control,运算单元ALU和高速缓冲存储器(Cache)及实现它们之间联系的数据(Data)、控制及状态的总线(Bus)。

简单说,

就是计算单元、控制单元和存储单元。

架构图如下所示:

深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

CPU遵循的是冯诺依曼架构,其核心是存储程序、顺序执行。CPU的架构中需要大量的空间去放置存储单元(Cache)和控制单元(Control),相比之下计算单元(ALU)只占据了很小的一部分,所以它在大规模并行计算能力上极受限制,而更擅长于逻辑控制。

CPU无法做到大量矩阵数据并行计算的能力,但GPU可以。

GPU

GPU(Graphics Processing Unit),即图形处理器,是一种由大量运算单元组成的大规模并行计算架构,专为同时处理多重任务而设计。

为什么GPU可以做到并行计算的能力?GPU中也包含基本的计算单元、控制单元和存储单元,但GPU的架构与CPU有所不同,如下图所示:

深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

与CPU相比,CPU芯片空间的不到20%是ALU,而GPU芯片空间的80%以上是ALU。即GPU拥有更多的ALU用于数据并行处理。

以Darknet构建的神经网络模型AlexNet、VGG-16及Restnet152在GPU Titan X, CPU Intel i7-4790K (4 GHz) 进行ImageNet分类任务预测的结果:

深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

备注:以上数据源自https://pjreddie.com/darknet/imagenet/#reference

由此可见,GPU处理神经网络数据远远高效于CPU。

总结GPU具有如下特点:

1 、多线程,提供了多核并行计算的基础结构,且核心数非常多,可以支撑大量数据的并行计算。

2、拥有更高的访存速度。

3、更高的浮点运算能力。

因此,GPU比CPU更适合深度学习中的大量训练数据、大量矩阵、卷积运算。

GPU虽然在并行计算能力上尽显优势,但并不能单独工作,需要CPU的协同处理,对于神经网络模型的构建和数据流的传递还是在CPU上进行。同时存在功耗高,体积大的问题。

性能越高的GPU体积越大,功耗越高,价格也昂贵,对于一些小型设备、移动设备来说将无法使用。

因此,一种体积小、功耗低、计算性能高、计算效率高的专用芯片NPU诞生了。

NPU

NPU (Neural Networks Process Units)神经网络处理单元。NPU工作原理是在电路层模拟人类神经元和突触,并且用深度学习指令集直接处理大规模的神经元和突触,一条指令完成一组神经元的处理。相比于CPU和GPU,NPU通过突触权重实现存储和计算一体化,从而提高运行效率。

NPU是模仿生物神经网络而构建的,CPU、GPU处理器需要用数千条指令完成的神经元处理,NPU只要一条或几条就能完成,因此在深度学习的处理效率方面优势明显。

实验结果显示,同等功耗下NPU 的性能是 GPU 的 118 倍。

与GPU一样,NPU同样需要CPU的协同处理才能完成特定的任务。下面,我们可以看一下GPU和NPU是如何与CPU协同工作的。

GPU的加速

GPU当前只是单纯的并行矩阵的乘法和加法运算,对于神经网络模型的构建和数据流的传递还是在CPU上进行。

CPU加载权重数据,按照代码构建神经网络模型,将每层的矩阵运算通过CUDA或OpenCL等类库接口传送到GPU上实现并行计算,输出结果;CPU接着调度下层神经元组矩阵数据计算,直至神经网络输出层计算完成,得到最终结果。

深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

CPU 与GPU的交互流程:

1获取GPU信息,配置GPU id

2 加载神经元参数到GPU

3 GPU加速神经网络计算

4接收GPU计算结果

NPU的加速

NPU与GPU加速不同,主要体现为每层神经元计算结果不用输出到主内存,而是按照神经网络的连接传递到下层神经元继续计算,因此其在运算性能和功耗上都有很大的提升。

CPU将编译好的神经网络模型文件和权重文件交由专用芯片加载,完成硬件编程。

深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

CPU在整个运行过程中,主要是实现数据的加载和业务流程的控制,其交互流程为:

1打开NPU专用芯片设备

2 传入模型文件,得到模型task

3 获取task的输入输出信息

4 拷贝输入数据到模型内存中

5 运行模型,得到输出数据

除NPU外,在功耗及计算能力上有一拼的还有FPGA。

FPGA

FPGA(Field-Programmable Gate Array)称为现场可编程门阵列,用户可以根据自身的需求进行重复编程。与 CPU、GPU 相比,具有性能高、功耗低、可硬件编程的特点。

FPGA基本原理是在芯片内集成大量的数字电路基本门电路以及存储器,而用户可以通过烧入FPGA 配置文件来定义这些门电路以及存储器之间的连线。这种烧入不是一次性的,可重复编写定义,重复配置。

FPGA的内部结构如下图所示:

深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

FPGA的编程逻辑块(Programable Logic Blocks)中包含很多功能单元,由LUT(Look-up Table)、触发器组成。FPGA是直接通过这些门电路来实现用户的算法,没有通过指令系统的翻译,执行效率更高。

我们可以对比一下

CPU/GPU/NPU/FPGA各自的特点

深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

各芯片架构特点总结

/ CPU /

70%晶体管用来构建Cache,还有一部分控制单元,计算单元少,适合逻辑控制运算。

/ GPU /

晶体管大部分构建计算单元,运算复杂度低,适合大规模并行计算。主要应用于大数据、后台服务器、图像处理。

/ NPU /

在电路层模拟神经元,通过突触权重实现存储和计算一体化,一条指令完成一组神经元的处理,提高运行效率。主要应用于通信领域、大数据、图像处理。

/ FPGA /

可编程逻辑,计算效率高,更接近底层IO,通过冗余晶体管和连线实现逻辑可编辑。本质上是无指令、无需共享内存,计算效率比CPU、GPU高。主要应用于智能手机、便携式移动设备、汽车。

CPU作为最通用的部分,协同其他处理器完成着不同的任务。GPU适合深度学习中后台服务器大量数据训练、矩阵卷积运算。NPU、FPGA在性能、面积、功耗等方面有较大优势,能更好的加速神经网络计算。而FPGA的特点在于开发使用硬件描述语言,开发门槛相对GPU、NPU高。

可以说,每种处理器都有它的优势和不足,在不同的应用场景中,需要根据需求权衡利弊,选择合适的芯片。

CPU GPU NPU
上一篇:在“天眼”看到弑母案嫌疑人之前,我们付出了什么? 下一篇:人工智能赋能视频行业,新娱乐时代的变局已定
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

深度学习中,CPU、GPU、NPU、FPGA如何发挥优势

随着AI的广泛应用,深度学习已成为当前AI研究和运用的主流方式。面对海量数据的并行运算,AI对于算力的要求不断提升,对硬件的运算速度及功耗提出了更高的要求。

咪付 ·  2019-09-11 15:38:15
分布式入门,怎样用PyTorch实现多GPU分布式训练

本文首先介绍了分布式计算的基本概念,以及分布式计算如何用于深度学习。然后,列举了配置处理分布式应用的环境的标准需求。最后,本文从理论角度和实现的角度演示了一个用于训练深度学习模型的分布式算法。

机器之心 ·  2019-05-05 08:37:39
分布式入门,怎样用PyTorch实现多GPU分布式训练

本文首先介绍了分布式计算的基本概念,以及分布式计算如何用于深度学习。然后,列举了配置处理分布式应用的环境的标准需求。最后,本文从理论角度和实现的角度演示了一个用于训练深度学习模型的分布式算法。

机器之心 ·  2019-05-05 08:37:39
IBM研发新型神经网络芯片高度匹配GPU

近日,《自然》杂志上的一篇论文中,IBM Research博士后研究员Stefano AmbrogioAmbrogio和他的同事们描述了他们利用新兴的模拟记忆和更传统的电子元件组合创造出了一种芯片,这种芯片可以与GPU的精度相匹配,同时运行速度更快,能耗更少。

summer ·  2018-06-18 14:19:47
苹果发布新款GPU加速工具Create ML

苹果于今天在加利福尼亚圣何塞举行了2018年度全球开发者大会,会上公布了四大系统更新+四大基础技术更新,四大系统iOS 12、watchOS 5、tvOS 12、macOS Mojave分别进行了不同程度的更新,Metal、CreateML、Core ML 2、iOS/macOS四大基础技术也随之更新。

summer ·  2018-06-05 11:32:21
MySQL等传统关系型数据库弱爆了!GPU数据库才是未来趋势!

数据库市场似乎已经很久没有足以撼动MySQL地位的数据库出现了,我们习惯于看到MySQL占据各大数据库排行榜的首位。MySQL确实是很棒的一款开源数据库,也是目前应用最广泛的数据库。甚至不少业内人士都认为未来属于MySQL,但事实果真如此吗?

佚名 ·  2017-12-22 09:58:32
Docker Compose + GPU + TensorFlow 所产生的奇妙火花

Docker 有很多优势,但是在数据科学和深度学习方面,使用 Docker 也存在一些阻碍。本文介绍了一系列 Docker 实用工具,以及 GPU-ready 样板文件,让我们看看 Docker Compose + GPU + TensorFlow 能产生什么奇特效果吧。

机器之心 ·  2017-09-18 13:40:42
深度学习训练时 GPU 温度过高?输入这几行命令就能迅速降温

GPU 如何降温?

胡智豪 ·  2017-07-17 11:13:57
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载