EdgeBoard中“活靈活現”的算子

背景介紹

數據、算法和算力是人工智能技術的三大要素。其中，算力體現著人工智能(AI)技術具體實現的能力，實現載體主要有CPU、GPU、FPGA和ASIC四類器件。CPU基于馮諾依曼架構，雖然靈活，卻延遲很大，在推理和訓練過程中主要完成其擅長的控制和調度類任務。GPU以犧牲靈活性為代價來提高計算吞吐量，但其成本高、功耗大，尤其對于推理環節，并行度的優勢并不能完全發揮。專用ASIC芯片開發周期長，資金投入大，由于其結構固化無法適應目前快速演進的AI算法。FPGA因其高性能、低功耗、低延遲、靈活可重配的特性，被廣泛地用作AI加速，開發者無需更換芯片，即可實現優化最新的AI算法，為產品贏得寶貴的時間。

由此，百度基于FPGA打造了EdgeBoard嵌入式AI解決方案，能夠提供強大的算力，支持定制化模型，適配各種不同的場景，并大幅提高設備端的AI推理能力，具有高性能、高通用、易集成等特點。本文將主要介紹EdgeBoard中神經網絡算子在FPGA中的實現。

FPGA加速的關鍵因素

FPGA實現AI加速有兩大關鍵因素，一是FPGA內部資源，二是內存訪問帶寬。FPGA內部資源主要包括LUT，FF，RAM以及DSP等，FPGA本質上是可編程邏輯電路，可用邏輯電路的多少取決于芯片內部資源，這也就決定了芯片的峰值算力和可容納的算子種類數。

在深度學習中，90%以上的計算都集中在conv、dw-conv和pooling等少數的幾個算子上。所以，并不是FPGA中添加的加速算子數量越多越好，而是要注重算子的加速質量：一是用更少的資源實現更多的功能；二是提高耗時占比大的算子性能。

在實踐中，添加新算子前需要平衡該算子在網絡中所耗時間的占比以及其在FPGA中所消耗的資源。當然可以通過選取更大規模的片子來突破這種限制，但是端上設備受限于成本、功耗等因素，只能平衡多種因素選擇一個合適規模的芯片，然后通過多種設計方法和技巧來提高加速性能。本文接下來就將介紹在EdgeBoard中如何優化設計DSP資源提升算力，以及如何通過算子復用和融合技術實現對多算子的支持。

提升內存訪問帶寬是提高AI加速性能的另一關鍵因素，因為FPGA與內存的數據交互在整個計算過程中占比很高，有時甚至超過了計算本身所消耗的時間。直接提高內存訪問帶寬的方法包括提高DDR位寬、增加傳輸所用的高速接口資源、提高DMA傳輸的時鐘頻率等。另外也可以通過復用FPGA芯片上的內存資源（RAM）以及計算和傳輸交疊執行(overlap)等方法，減少與外部DDR存儲的交互，降低數據傳輸的開銷。這些設計方法較為常見，本文不做詳細介紹。

兩大關鍵技術實現四倍算力提升

FPGA中的計算主要依靠DSP實現，高效使用DSP是保證FPGA算力的關鍵。EdgeBoard FPGA中的DSP采用DSP48E2架構，如圖1所示，包括一個27-bit的預加法器（pre-adder），一個27x18的乘法器（mult）和一個48-bit的ALU。

圖1. DSP48E2結構圖

在EdgeBoard的FPGA設計中，充分利用DSP48E2本身的特點，采用supertile和INT8移位計算技術，實現了四倍算力提升。

一．Supertile

一般來講，Xilinx Ultrascale系列FPGA運行的最高頻率在300MHz到400MHz之間，但DSP是FPGA中的硬核，可以運行在更高的頻率上。如圖2所示，SLB-M與DSP這樣構成的基本單元，被稱之為Supertile，FPGA內部Supertile的布局如圖3所示。Supertile技術的核心在于使DSP運行于兩倍邏輯頻率上，使整個系統算力達到倍增的效果。這主要得益于芯片結構中SLICEM與DSP位置臨近，使用專有的布線資源，延遲縮短，可以支撐SLICEM以雙倍邏輯運行的頻率向DSP提供數據。另外，神經網絡中存在著數據復用，通過filter和image數據的復用和交織，一次取數多次使用，從而減少數據的搬運次數，提升計算效率。

圖2. Supertile結構

圖3. DSP和SLICEM在FPGA中的位置

二．INT8移位計算技術

利用DSP48E2的結構特點，一個DSP完成兩路INT8的乘加。在進行8bit數據計算時，將a左移18位，置于輸入的高8位，低19位補0，從DSP的A端輸入，b維持在低8位，從DSP的D端輸入，如圖4所示。a與b兩者先進行累加，然后與c相乘后，結果將分別位于輸出的高(a*c)、低(b*c)兩部分，該計算過程如圖5所示。

圖4. DSP移位示意圖

圖5.單DSP實現兩路INT8相乘

在實踐中，我們把a,b兩路作為filter數據輸入，c作為image數據輸入。這樣DSP在一個時鐘周期內就同時完成了兩路的計算，再次使算力翻倍。結合前面提到的supertile倍頻設計，兩種設計使得單個DSP的算力提升四倍。因為一次計算過程有乘、加兩個操作(operations)，所以單個DSP在一個時鐘周期高效的完成了8個operations。

多算子復用

深度學習中主要有兩類運算，一類是指數運算，另一類是乘加運算。前者主要位于激活函數層，后者是深度學習涉及最多也是最基礎的運算。乘加運算根據kernel的維度不同，又可分為向量型和矩陣型，在EdgeBoard中劃分為三個運算單元，分別為向量運算單元(VPU: vector processing unit)、矩陣運算單元(MPU: matrix processing unit)和指數激活運算單元(EXP-ACT: exponential activation unit)。

一．向量運算單元

向量運算單元VPU負責實現dw-conv(depth-wise convolution)，完成3維輸入圖像（H x W x C）和3維卷積核（K1 x K2 x C）的乘加操作。其中一個卷積核負責輸入圖像的一個通道，卷積核的數量與上一層的通道數相同，該過程如圖6所示。圖7表示的是一個通道內以kernel 2x2和stride 2為例的計算過程。

圖6. dw-conv示意圖

圖7. dw-conv的計算

EdgeBoard通過復用VPU一套計算資源實現了average/max pooling，elementwise add/sub，scale，batch-normalize，elementwise-mul和dropout等多種算子。

1.Average pooling可以看作是卷積核參數固定的dw-conv，即將求和后取平均（除以卷積核面積）的操作轉換成先乘以一個系數(1/卷積核面積)再求和。如圖8所示，該例子中卷積核大小為2x2，卷積核參數即為1/4。卷積核固定的參數可以類似于dw-conv下發卷積核的方式由SDK封裝后下發，也可以通過SDK配置一個參數完成，然后在FPGA中計算轉換，這樣節省卷積核參數傳輸的時間。另外，max-pooling算子與average pooling的計算過程類似，只需要將求均值操作換成求最大值的操作，其余挖窗、存取數等過程保持不變。

圖8. Pooling復用dw-conv

2.Elementwise add/sub完成兩幅圖像對應元素的相加或相減，不同于dw-conv的是它有兩幅輸入圖像。如果我們控制兩幅圖像的輸入順序，將兩幅圖像按行交錯拼成一幅圖像，然后取卷積核為2x1，行stride為1，列stride為2，pad均設置成0，則按照dw-conv的計算方式就完成了elementwise的計算。通過在FPGA中設置當前像素對應的kernel值為1或-1，就可以分別實現對應elementwise add和elementwise sub兩個算子。該過程如圖9所示。

圖9. ew-add/sub復用dw-conv

3.Scale算子主要在圖像預處理時使用，將輸入圖像每一個通道的全部像素點乘以該通道對應的scale值，然后加上bias。如果我們將dw-conv的卷積核大小設成1x1，行列stride都設置成1，pad設置成0，卷積核參數值設成scale，就可以通過dw-conv完成scale算子的功能。通過分析發現，batch-normalize，elementwise-mul和dropout等算子都可以通過scale算子來實現。

二．矩陣運算單元

矩陣運算單元MPU負責實現convolution，完成3維輸入圖像（H x W x C）和4維卷積核（N x K1 x K2 x C）的乘加操作，單個卷積核的通道數和輸入圖像的通道數相同，而卷積核的數量N決定了輸出的通道數，如圖10所示。full connection算子實現的1維輸入數組（長度C）和2維權重（N x C）的乘加操作。將 full connection輸入數組擴展成 H x W x C,輸出擴展成 N x K1 x K2 x C,其中H, W, K1和K2均設置成1，這樣 full connection就可以調用convolution來實現。另外，在計算 deconv時，通過SDK對卷積核進行分拆、重排，就可以通過調用conv來實現deconv，同樣帶來了極大的收益。

圖10. Conv算子示意圖

三．指數激活運算單元

指數激活運算單元EXP-ACT實現的基礎是sigmoid，由于在FPGA中進行指數型運算比較耗資源，如何復用該計算單元就變得非常有意義。通過分析發現，可以把 tanh和兩通道softmax轉換成 sigmoid的形式，這樣一個指數運算單元就支持了3種算子，實現資源利用的最大化。

多算子融合

在推理時做BatchNorm運算非常耗時，通過SDK將BatchNorm+Scale的線性變換參數融合到卷積層，替換原來的weights和bias，這樣4個算子可以融合成單個算子conv + batchnorm + scale + relu，對于dw-conv同樣如此。相對于每計算完一個算子就將數據送回內存，這種算子融合大大減少了內存的讀寫操作，有效提高了處理幀率。

此外，我們將scale、bias和relu為代表的激活函數層放到各算子之后的鏈路上，然后統一送到DMA傳輸模塊，如圖11所示。這不僅使得各算子復用了這些邏輯，節省了大量片內資源，也使得各算子都可以具備這些功能，且都能以最大帶寬進行DMA傳輸。在實踐中，我們將這些功能做成可選項，由軟件根據當前網絡算子的需要進行選擇，在節省資源的同時，既保證了通用性，又兼顧了靈活性。

圖11. EdgeBoard內部結構和鏈路圖