Recommended
More Related Content
What's hot
What's hot (20)
Similar to DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
Similar to DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化 (20)
More from RCCSRENKEI
More from RCCSRENKEI (20)
DEEP LEARNING、トレーニング・インファレンスのGPUによる高速化
- 1. Akira Naruse, 2020/7/16 DEEP LEARNING、トレーニング・イン ファレンスの GPU による高速化
- 2. 2 アジェンダ ディープラーニング概要 • ディープラーニングの歴史・基礎 • さまざまなネットワークと応用 • 何故、計算負荷が重いのか？ トレーニングの加速 • 低精度演算 (16-bit 浮動小数点) • マルチノード インファレンスの最適化 • 量子化 (Quantization) • モデル圧縮 (Pruning)
- 5. CHASING 1060 CHEMICALCOMPOUNDS Identifying molecules with desirable chemical properties is centralto many industries. In the chemicalspace of 1060 conceivable compounds, only 108 have been synthesized. Screening even a small fraction of the remaining compounds with legacy methods would take 100 node-seconds per compound. Researchers at Dow are using GPU-powered deep learning to deliver completely novelmolecular structures with specific properties. The AI produced 3M promising chemicalleads in 1 day on an NVIDIA DGX.
- 6. AI IS SPEEDING THE PATH TO FUSION ENERGY Fusion, the future of energy on Earth, is a highly sensitive process where small environmentaldisruptions can stall reactions and damage multi-billion machines. Current models predict disruptions with 85% accuracy — ITER will need something more precise. Researchers at Princeton University developed the GPU-powered Fusion Recurrent NeuralNetwork (FRNN) to predict disruptions. FRNN has achieved 90% accuracy and is on the path to achieving 95% accuracy necessary for ITER’s tests. Visualization courtesy of Jamison Daniel, Oak Ridge Leadership Computing Facility
- 9. 9 DEEP LEARNINGを可能にしたもの アルゴリズム 大量のデータ 計算性能 Deep Learning found GPU and GPU enabled Deep Learning
- 10. 10 人工ニューロン 神経回路網をモデル化 スタンフォード大学cs231講義ノートより 神経回路網 w1 w2 w3 x1 x2 x3 y y=F(w1x1+w2x2+w3x3) F(x)=max(0,x) 人工ニューロン（パーセプトロン）
- 11. 11 人工ニューラルネットワーク 人工ニューロンを基本単位とするネットワーク構造 11 w1 w2 w3 x1 x2 x3 y y=w1x1+w2x2+w3x3 人工ニューロン（パーセプトロン） 人工ニューラルネットワーク 人工ニューロンを たくさんの層として並べる 各層にそれぞれ 重みパラメータを持つ
- 12. 12 人工ニューラルネットワーク 活性化関数 12 w1 w2 w3 x1 x2 x3 y=w1x1+w2x2+w3x3 人工ニューロン（パーセプトロン） y F z=F(y) F: activation function 活性化関数 (activation function) z 次の層 tanh ReLU sigmoid
- 17. 17 重み更新 勾配法による更新 17重み w 誤差 E 最適解 現在値 誤差を最小化する 重みが最適解 ニューラルネットワークの 内部状態（＝重み）に応じて 誤差は変動
- 19. 19 重み更新 勾配法による更新 19重み w 誤差 E 最適解 傾きが正（＝右上がり） なら値を減少させる 傾きが負（＝右下がり） なら値を増加させる wn wm 傾き（=勾配ベクトル）により 重みを逐次更新
- 23. さまざまなネットワークと応用
- 29. 29 リカレントニューラルネットワーク (RNN) 系列データを自然に扱うためのネットワーク 29 出力層 隠れ層 入力層 展 開 出力層 隠れ層 入力層 出力層 隠れ層 入力層 t = 1 t = 2 前の出力を次の入力に することで、依存関係を考慮 長い系列ほど深い ネットワークになる
- 30. 30 LSTM: LONG SHORT-TERM MEMORY RNNの欠点を解消するネットワーク 30 出力層 隠れ層 入力層 RNNの隠れ層を LSTMブロックで置き換え いくつかのゲートにより 長期の依存関係を 学習可能に
- 32. 32 何故、計算負荷が重いのか？
- 33. 33 全結合層 (FULLY CONNECTED LAYER) 行列ベクトル積 (y = Wx) Ny 計算量: 2 * 出力ノード数 (Ny) * 入力ノード数 (Nx) 入力 x 出力 y重み W Nx 重み W 入力 x 出力 y Ny Nx Nx [性能律速点] メモリバンド幅
- 34. 34 全結合層 (FULLY CONNECTED LAYER) ミニバッチ学習で、行列積に (Y = W・X) 重み W 計算量: 2 * 出力ノード数 (Ny) * 入力ノード数 (Nx) * ミニバッチサイズ (Nb) 入力 X 出力 Y重み W Nb * Nx Nb * Ny 入力 X 出力 Y Ny Nx Nx Nb [性能律速点] 演算性能
- 36. 36 全結合層 Backwardも、行列積 全結合層 X YMatmul W 誤差入力 gY gX = Wt・gY gW = gY・Xt gW gX Backward の計算量は、Forward より、2 倍程度多い Y = W・X
- 38. 38 LSTM: LONG SHORT-TERM MEMORY Y = W・X 相当の計算が 4 つ 38 出力層 LSTM 入力層
- 39. 39 LSTM: LONG SHORT-TERM MEMORY スタック LSTM 39 LSTM X (t=0) LSTM LSTM Y (t=0)
- 40. 40 LSTM: LONG SHORT-TERM MEMORY 系列データ 40 LSTM X (t=0) LSTM LSTM Y (t=0) LSTM X (t=1) LSTM LSTM Y (t=1) LSTM X (t=N) LSTM LSTM Y (t=N)
- 43. 43 CONVOLUTION ~ 行列積 Y = W・X’ 0 4 8 12 1 5 9 13 2 6 10 14 3 7 11 15 入力 X 出力 Y 0 3 6 1 4 7 2 5 8 0 4 8 12 1 9 13 2 6 10 14 3 7 11 15 5 重み W 0 1 2 3 4 5 6 7 8 0 5 10 15 5 4 - 2 1 - - - - 9 8 6 5 4 2 1 0 9 7 6 5 - - - - 10 10 11 13 14 15 10 11 14 15 - 重み W 出力 Y 入力 X’ img2col 変形
- 44. 44 CONVOLUTION ~ 行列積 0 4 8 12 1 5 9 13 2 6 10 14 3 7 11 15 入力 X (Niw * Nih) 出力 Y (Now * Noh) 0 3 6 1 4 7 2 5 8 0 4 8 12 1 9 13 2 6 10 14 3 7 11 15 5 重み W (Kw * Kh) 入力 X’ Kw * Kh Kw*Kh Now * Noh 重み W 出力 Y これ、行列積じゃなくて、 行列ベクトル積では？ 計算量: 2 * Kw * Kh * Now * Noh
- 45. 45 CONVOLUTION ~ 行列積 0 4 8 12 1 5 9 13 2 6 10 14 3 7 11 15 0 3 6 1 4 7 2 5 8 0 4 8 12 1 9 13 2 6 10 14 3 7 11 15 5 重み W 出力 Y 入力 X’ Kw * Kh * Nic Noc Kw*Kh*Nic Now * Noh * Nb 入力 X (Niw * Nih) 出力 Y (Now * Noh) 重み W (Kw * Kh) 計算量: 2 * Kw * Kh * Now * Noh * Noc * Nic * Nb
- 47. 47 畳み込み層 Backwardも、行列積(相当) 畳み込み層 X YConv W 誤差入力 gY gX’ = Wt・gY gW = gY・X’t gW gX Y = W・X’
- 48. 48 行列積、行列積、行列積、、 学習で時間のかかるのは、全結合層と畳込み層 どちらも、積和演算の塊とみなすことができる（行列積） • C = A・B 様々なサイズの行列積を高速に実行 できるマシンが、学習には必要 いろいろなサイズ cuBLAS
- 49. 49 トレーニングの高速化
- 50. 巨大化するネットワーク
- 51. 51 多様な DL モデル CONVOLUTIONAL NETWORKS RECURRENT NETWORKS GENERATIVE ADVERSARIAL NETWORKS REINFORCEMENT LEARNING NEW SPECIES DQN Simulation DDPG Mixture of Experts Neural Collaborativ e Filtering Block Sparse LSTM Capsule Nets ReLuEncoder/Decoder Dropout PoolingConcat BatchNorm GRULSTM CTC Beam Search WaveNet Attention 3D-GAN Speech Enhancement GAN Coupled GAN Conditional GANMedGAN
- 54. 54 計算パワーは、もっと必要なのか? IT分野からミッションクリティカル分野に拡大 • ミッションクリティカル分野では、より高い精度が必要 • 例:自動運転、99%の正解率で十分? Question: もっと精度を上げるにはどうすればよいのか
- 55. 55 モデル精度向上には、教師データ増が有効 • 深層学習の成功の要因（画像処理系） • 大規模な教師データ • NNモデルの多層化・大容量化 • 計算パワーの増大 • Q: 教師データをもっと増やしたら何が起きるのか • ImageNet: 120万枚の画像 • JFT-300M: 3億枚の画像 (ラベルはnoisy) Chen Sun et al., “Revisiting Unreasonable Effectiveness of Data in Deep Learning Era”, 2017
- 56. 56 モデル精度向上には、教師データ増が有効 Chen Sun et al., “Revisiting Unreasonable Effectiveness of Data in Deep Learning Era”, 2017 教師データサイズと認識精度の関係 Object detection (ResNet-101) 左:COCO, 右:PASCALVOC 2007 モデルサイズと認識精度の関係 Object detection (COCO) ResNet-50/101/152 教師データサイズの指数に比例して精度向上 モデルサイズ増で精度向上 ただし大量の教師データ必要 Better Better
- 57. 57 どうやってトレーニング時間を短縮するか • 単体（1ノード, 1GPU）のスピードを上げる • 演算精度を下げて、性能を上げる (半精度、専用ユニット) • 多数のノード/GPUを使う • 大量のノードを使って、一つのモデルのトレーニング時間を短縮する
- 59. 59 DLトレーニングに必要な演算精度は? • 乗算は低精度でOK (FP32より低精度で問題ない) • 浮動小数点の方が良い • パラメータ更新には高精度 (FP32) を使用した方が良い Matthieu Courbariaux et al., “Training Deep Neural Networks with Low Precision Multiplication”, 2014 レンジ exponent 精度 mantissa FP32 e8 m23 s e8 m7 e5 m10 FP16 s BF16 s sign FP16 vs. BF16 論争 • FP16: 精度が良い • BF16: オーバーフロー発生しない (使いやすい) 行列積は 16-bit 浮動小数点で十分
- 60. 60 BF16で行列演算を高速に実行 DLトレーニング向けチップ Google TPUv3 123 TFLOPS x4 (*) Google社より引用 Habana Gaudi ?? TOPS (*) habana社より引用
- 61. 61 TENSOR CORE 低精度行列演算ユニット TFLOPS V100 A100 FP32 (標準) 15.7 19.5 TF32 (TensorCore) --- 156 FP16/BF16 (TensorCore) 125 (FP16) 312 16-bit 16-bit × + 32-bit 32-bit 16-bit 32-bit
- 62. 62 A100 の行列積性能 (実測) A100 FP32 (FMA) と比較 • TF32: 約 7x 性能UP • FP16/BF16: 約 14x 性能UP cuBLAS 11.0 FP32 (FMA) Better
- 63. 63 A100 のトレーニング性能 (言語モデル) V100 FP32 に対するスピードアップ Speedup A100 TF32 A100 FP16
- 64. 64 マルチノードでトレーニング
- 65. 65 マルチノード・トレーニング (分散学習) • 多数の演算ノード、GPUを使って学習 を加速 • モデル精度を下げずに、学習時間を 短縮するテクニックの研究開発、ホット トピック • Facebook, Google, Microsoft, PFN, Tencent, SONY, … (*) Priya Goyal, et al., Facebook, “Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour” Better
- 66. 66 GPU2 データ並列とモデル並列 GPU1 GPU1GPU2 データ並列 モデル並列 • データセットを分割する • 各GPUは、分割後の別サブデータセットを担当 • GPU間のデータ交換量少ない • モデルを分割する • 各GPUは、分割後の別サブモデルを担当 • GPU間のデータ交換量多い
- 67. 67 データ並列: 同期更新と非同期更新 同期更新 非同期更新 GPU1 GPU1 GPU2 GPU2 GPU3 GPU3 Forward Backward Update Forward Backward Update Forward Backward Update GradientsExchange Forward Backward Forward Backward Forward Backward パラーメータ サーバ
- 68. 68 非同期更新 → 同期更新 • 非同期更新の問題: Staleness • 過去モデルで計算した勾配で、 最新モデルを更新 Jianmin Chen at el., “Revisiting Distributed Synchronous SGD”, 2017 • ワーカー数を冗長に設定: N + b • N ワーカーから勾配が届いたら、残りの b ワーカーを待たずに、モデル更新 • 外乱の少ないHomogeneousな環境であ れば、b = 0でも問題ない？Better Better
- 69. 69 データ並列＋同期更新の課題 • スケーラビリティ • 精度: モデル精度が低下する • ノード数増 ≒ バッチサイズ増 • Facebook: 8Kバッチ(256GPU)まで維持 • PFN: 32Kバッチ(1024GPU)まで維持 • 性能: 勾配交換の時間が増加する • 1024GPU: 2割以上が通信時間 ImageNet, ResNet50, 32バッチ/GPU (*) Priya Goyal, et al., Facebook, “Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour” Better
- 70. 70 データ並列＋同期更新の課題 • スケーラビリティ • 精度: モデル精度が低下する • ノード数増 ≒ バッチサイズ増 • Facebook: 8Kバッチ(256GPU)まで維持 • PFN: 32Kバッチ(1024GPU)まで維持 • 性能: 勾配交換の時間が増加する • 1024GPU: 2割以上が通信時間 (*) www.preferred-networks.jp/docs/imagenet_in_15min.pdf ImageNet, ResNet50, 32バッチ/GPU Better
- 71. 71 モデル精度を維持しつつ、バッチサイズを増やす • ラーニングレートの低下と、バッチサイズの増加は、 SGD的に等価 • Noise scale: • ε:ラーニングレート • B:バッチサイズ • 数十epoch経過したら、ラーニングレートを下げる代わ りに、バッチサイズを増やせば良い Samuel L. Smith, et al., “Don’t’ Decay the Learning Rate, Increase the Batch Size”, 2017 Better
- 72. 72 勾配交換の通信量を減らす • 99%以上の勾配は、交換しなくても問題ない? “Deep Gradient Compression: Reducing the Communication Bandwidth for Distributed Training”, 2017
- 73. 73 NVIDIA NCCL • マルチGPU、マルチノード対応、 深層学習用通信ライブラリ • ノード内 • PCIe, NVLINK • ノード間 • TPC/IP, InfiniBand Multi-GPU and Multi-node Collective Communication Primitives • All-gather • All-reduce • Broadcast • Reduce • Reduce-scatter
- 74. 74 NVIDIA NCCL Multi-GPU and Multi-node Collective Communication Primitives Better Better
- 75. 75 分散学習(データ並列)の最前線? Processor DL framework Time (minutes) Facebook Tesla P100 x256 Caffe2 60 Google TPUv2 x256 TensorFlow 30 PFN Tesla P100 x1024 Chainer 15 Tencent Tesla P40 x2048 TensorFlow 6.6 SONY Tesla V100 x2176 NNL 3.7 Google TPUv3 x1024 TensorFlow 2.3 NVIDIA Tesla V100 x1536 MXNet 1.33 Google TPUv3 x2048 TensorFlow 1.28 Fujitsu Tesla V100 x2048 MXNet 1.17 ImageNet + ResNet50
- 76. 76 2240 x A100 #7 in top500 NVIDIA Selene
- 77. 77 インファレンスの最適化
- 79. 79 インファレンスの特徴 • モデルは学習済み • Forwardのみ。BackwardとUpdateは不要 • トレーニングと比べると、計算負荷は低い • 様々な場所で実行される可能性: クラウド, 移動体, スマホ, IoT, … • 低消費電力: 演算負荷を下げたい • 小容量メモリ: モデルサイズを小さくしたい • 低レスポンス時間: バッチサイズは大きくできない
- 80. 80 インファレンス向けモデル最適化 モデルサイズの削減 (計算負荷の削減) • Quantization: モデルの表現 bit 数を減らす (例: FP32/FP16 → INT8) • Pruning: モデル内の重要度の低いパラメータを、刈り取る
- 82. 82 インファレンスに必要な計算精度 • FP32はインファレンスには過剰、FP16/INT8で十分 • 初代 Google TPU (インファレンス専用) は INT8 チップ • ウェイトは2 or 3値で十分と主張している研究もある • 2 or 3値だと、一般的にモデル精度が低下 • 精度確保のためモデル変更が必要になることが多い (*) “In-Datacenter Performance Analysis of a Tensor Processing UnitTM ”
- 83. 83 インファレンスに必要な計算精度 • FP32はインファレンスには過剰、FP16/INT8で十分 • 初代Google TPU (インファレンス専用) はINT8チップ (*) Matthieu Courbariaux, et al., “BinaryConnect: Training Deep Neural Networks with binary weights during propagations” • ウェイトは2 or 3値で十分と主張している 研究もある • 2 or 3値だと、一般的にモデル精度が 低下 • 精度確保のためモデル変更が必要にな ることが多い Better
- 84. 84 インファレンス向けに計算精度を下げる方法 • 学習中に、低精度モデルを作る • 複数の精度でウェイトを管理 (例: FP16/32 と INT8) • INT8 で Forward • FP16/32 で Backward & Update • FP32 で学習したモデルから、低精度モデルを作る • FP32 でモデルをトレーニング • 学習完了後に、パラメータを INT8 に量子化 (*) Wikipediaより引用 量子化と量子化誤差
- 85. 85 学習完了後に低精度モデルを作る 学習済みモデルのウェイトを、FP32/FP16からINT8に変換する 課題: INT8は、FP32と比べて、非常にDynamic Rangeが狭い • FP32: 1.4 x 10-45 ～ 3.4 x 1038 • FP16: 5.96 x 10-8 ～ 65504 • INT8: 1 ～ 127 単純なデータ型変換(cast)では、対応不可能 → 量子化が必要 FP32/FP16 → INT8
- 86. 86 線形量子化 飽和無し 全てこれにすると、精度ロス大 飽和有り Activationで精度改善効果あり INT8 array = FP32/16 array / scale factor
- 87. 87 量子化とモデル精度 8-bit INT に量子化しても、同程 度の精度を維持 B. Jacob, et. al., “Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference” Image classification Object detection
- 88. 88 枝刈り (PRUNING)
- 89. 89 PRUNING • 直感: • モデルには大量のパラメータが存在 • 出力への影響度はパラメータ毎に違うはず • Pruning: • 学習済モデルから、影響度の低いパラメータを、切り取る • モデルサイズを小さくできる、かつ、演算量を削減できる • 一般的にはPruningすると精度が低下→ 再トレーニング(Fine-tuning)が必要 • 1990年代からあるアイデア、多数の研究が存在 モデルサイズ・演算量の削減 (*) Song Han, “Deep Compression and EIE”, GTC 2016
- 90. 90 PRUNING • 反復 Pruning • 一度に大量のパラメータを切り取ると、モデル精度 が大きく低下、再トレーニングしても精度を回復で きない • 小刻みに Pruning と Fine-tuning を繰り返す • 影響度のランキング方法 • ウェイトやアクティベーションの、絶対値、L1/L2ノルム、標準 偏差、等など モデルサイズ・演算量の削減
- 91. 91 PRUNING事例 • VGG-16での評価結果 Pavlo, et al., “Pruning Convolutional Neural Networks for Resource Efficient Inference”, 2017 Better Better Better Better
- 92. 92 PRUNING事例 • Quantization（とHuffman coding）との組み合わせ • モデル圧縮率: AlexNetで35倍、VGG-16で49倍 (精度低下ほぼ無し) Song Han, et al., “Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding”, 2016
- 93. 93 PRUNING事例 効果 • PruningとQuantizationの組 み合わせで、精度ロス無しで、 モデルサイズの大幅な圧縮を 達成 ただし、計算は「疎」になる • 密行列 → 疎行列 • 大幅に圧縮しないと、スピード UPしない Song Han, et al., “Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding”, 2016 Better Better
- 94. 94 入力データ型 積算データ型 TOPS 性能UP vs. FP32 FP16 FP16 312 16x INT8 INT32 624 32x INT4 INT32 1248 64x BINARY INT32 4992 256x GPUのインファレンス向け機能 A100 TensorCore: インファレンス用データ型の行列積も高速化
- 95. 95 入力データ型 積算データ型 TOPS 性能UP vs. FP32 疎行列 TOPS 疎行列 TOPS vs. FP32 FP16 FP16 312 16x 624 32x INT8 INT32 624 32x 1248 64x INT4 INT32 1248 64x 2496 128x BINARY INT32 4992 256x GPUのインファレンス向け機能 A100 TensorCore: 「構造的」疎行列の高速化
- 96. 96 A100 SPARSE TENSOR CORE 構造的に枝刈り (連続4要素の内 2要素をゼロに) 圧縮 非ゼロ index 非ゼロ 要素 ゼロ × dot-product トレーニング後の 「重み」行列 入力 activations mux 重みを再トレーニング 出力 activations select 「疎行列化」で計算スループット 2x 「重み」行列のメモリ使用量半減 「疎行列化」後もインファレンス精度は同等 画像・物体認識、セグメンテーション、自然言語モデル、翻訳 Sparse Tensor Core mux ASP: Automatic Sparsity for Retraining in Frameworks
- 97. 97 まとめ
- 98. 98 まとめ ディープラーニング概要 • ディープラーニングの歴史・基礎 • さまざまなネットワークと応用 • 何故、計算負荷が高いのか？ トレーニングの加速 • 低精度演算 (16-bit 浮動小数点) • マルチノード インファレンスの最適化 • 量子化 (INT8) • モデル圧縮 (Pruning)