Banana Pi BPI-F3 进迭时空RISC-V架构下，AI融合算力及其软件栈实践

RISC-V架构下，AI融合算力及其软件栈实践

面对未来大模型（LLM）、AIGC等智能化浪潮的挑战，进迭时空在RISC-V方向全面布局，通过精心设计的RISC-V DSA架构以及软硬一体的优化策略，将全力为未来打造高效且易用的AI算力解决方案。目前，进迭时空已经取得了显著的进展，成功推出了第一个版本的智算核（带AI融合算力的智算CPU）以及配套的AI软件栈。

 

软件栈简介

AI算法部署旨在将抽象描述的多框架算法模型，落地应用至具体的芯片平台，一般采用CPU、GPU、NPU等相关载体。在目前的边缘和端侧计算生态中，大家普遍认为NPU相较于传统CPU有极大的成本优势，并且缺少基于CPU定制AI算力的能力或者授权，导致在实际落地场景中，NPU的使用率很高。但是NPU有其致命的缺点，各家NPU都拥有独特的软件栈，其生态相对封闭，缺乏与其他平台的互操作性，导致资源难以共享和整合。对于用户而言，NPU内部机制不透明，使得基于NPU的二次开发，如部署私有的创新算子，往往需要牵涉到芯片厂商，IP厂商和软件栈维护方，研发难度较大。

着眼于这些实际的需求和问题，我们的智算核在设计和生态上采取了开放策略。以通用CPU为基础，结合少量DSA定制（符合RISC-V IME扩展框架）和大量微架构创新，以通用CPU的包容性最大程度的复用开源生态的成果，在兼容开源生态的前提下，提供TOPS级别的AI算力，加速边缘AI。这意味着我们可以避免低质量的重复开发，并充分利用开源资源的丰富性和灵活性，以较小的投入快速部署和使用智算核。这种开放性和兼容性不仅降低了部署大量现有AI模型的门槛，还为用户提供了更多的创新可能性，使得AI解决方案不再是一个专门的领域，而是每个程序员都可以参与和创新的领域。

图一：进迭时空AI软件栈架构

如上图所示，基于进迭时空的AI技术路线，我们能轻松的以轻量化插件的方式，无感融入到每一个AI算法部署框架中，目前我们以ONNXRuntime为基础，结合深度调优的加速后端，就可以成功的将模型高效的部署到我们的芯片上，如上图所示。对于用户来说，如果有ONNXRuntime的使用经验，就可以无缝衔接。

加入进迭时空插件的使用方式如下：

￮ C/C++

C++
#include < onnxruntime_cxx_api.h >
#include "spacemit_ort_env.h"

std::string net_param_path = "your_onnx_model.onnx";

Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "ort-demo");
Ort::SessionOptions session_options;

 // 可选加载SpaceMIT环境初始化加载专属EP
Ort::SessionOptionsSpaceMITEnvInit(session_options);
Ort::Session session(env, net_param_path, session_options);

// 加载输入
// .......
auto output_tensors = session.Run(Ort::RunOptions{nullptr}, input_node_names.data(), &input_tensor, input_count,
 output_node_names.data(), output_count);

￮ python

Python
import onnxruntime as ort
import numpy as np
import spacemit_ort

net_param_path = "resnet18.q.onnx"
session = ort.InferenceSession(net_param_path, providers=["SpaceMITExecutionProvider"])
input_tensor = np.ones((1, 3, 224, 224), dtype=np.float32)
outputs = session.run(None, {"data": input_tensor})

通过开放的软件栈，使得我们的芯片能够在短时间内支持大量开源模型的部署，目前已累计验证了包括图像分类、图像分割、目标检测、语音识别、自然语言理解等多个场景的约150个模型的优化部署，timm、onnx modelzoo、ppl modelzoo等开源模型仓库的支持通过率接近100%，而且理论上我们能够支持所有的公开onnx模型。

智算核的软硬协同优化

在保证通用性和易用性的同时，我们利用智算核的特点，极大的优化了模型推理效率。

离线优化

离线优化包含常见的等价计算图优化（如常量折叠、算子融合、公共子表达式消除等）、模型量化等，其中模型量化将浮点计算映射为低位定点计算，是其中效果最显著的优化方式。在智算核融合算力的加持下，算子可编程性很高，相较于NPU固化的量化计算方式，智算核能够根据模型应用特点，匹配更宽泛的数据分布，实现量化计算的精细化、多样化，以便于在更小的计算与带宽负载下，实现更高的推理效率。

运行时优化

区别于NPU系统中，AI算子会根据NPU支持与否，优先调度到NPU上执行，并以host CPU作为备选执行的方式。进迭时空的智算核采用了扩展AI指令的设计，以强大的vector算力和scalar算力作为支撑，确保任意算子都能够在智算核上得到有效执行，无需担心算子支持或调度问题。这种设计不仅简化了用户的操作流程，还大大提高了模型的执行效率和稳定性。

此外，进迭时空的智算核还支持多核协同工作，进一步提升了AI算力。用户只需在运行时通过简单的线程调度，即可灵活调整所使用的AI算力资源。

AI算力指令基础

智算核的AI算力主要来自扩展的AI指令。我们针对AI应用中算力占比最高的卷积和矩阵乘法，基于RISCV Vector 1.0 基础指令，新增了专用加速指令。遵从RISCV社区IME group的方式，复用了Vector寄存器资源，以极小的硬件代价，就能给AI应用带来10倍以上的性能提升。

AI扩展指令按功能分为点积矩阵乘累加指令（后面简称矩阵累加指令）和滑窗点积矩阵乘累加指令（后面简称滑窗累加指令）两大类，矩阵累加指令和滑窗累加指令组合，可以转化成卷积计算指令。

以256位的向量矩阵配合4*8*4的mac单元为例，量化后的8比特输入数据在向量寄存器中的排布，需要被看成是4行8列的二维矩阵；而量化后的8比特权重数据在寄存器中的排布，会被看成是8行4列的二维矩阵，两者通过矩阵乘法，得到4行4列输出数据矩阵，由于输出数据是32比特的，需要两个向量寄存器存放结果。

如图二所示，为矩阵累加指令，输入数据只从VS1中读取，权重数据从VS2中读取，两者进行矩阵乘法。

图二：矩阵累加指令数据排布示例

如图三所示，为滑窗累加指令，输入数据只从VS1和VS1+1中读取，读取的数据，通过滑动的大小决定（大小为8的倍数），权重数据从VS2中读取，两者进行矩阵乘法。

图三：滑窗累加指令数据排布示例

如下图所示，9个红点对应的9行输入数据（1*k维）和权重进行乘累加计算，就得到了一个卷积值。在做卷积计算的时候，可以把矩阵乘法看成是滑动为零的滑窗指令。通过滑动0，1，2三条指令的计算，就可以完成kernel size 为3x1的的卷积计算。然后通过h维度的三次循环，就可以得到kernel size 为3x3的卷积计算。

图四：滑窗累加指令结合矩阵累加指令计算卷积示例

同样通过滑动0，1，2，0，1五条指令的计算，和h维度五次循环，就可以完成kernel size为5x5的卷积计算，以此类推，可以得到任意kernel size的卷积计算。

效果演示视频

通过以上软硬件协同优化，我们在多任务推理时，也有非常高的性能。

 

重播

 

00:35

 / 

00:35

 

 

 

展望

前文提到，通过ONNX与ONNXRuntime的结合，我们能够便捷地接入开源生态，但这仅仅是实现接入的众多方式之一。实际上，我们还可以充分利用当前备受瞩目的MLIR生态，进一步融入开源的广阔天地。这种方式不仅充满想象力，而且具备诸多优势。

首先，它能够实现模型的直接原生部署。举例来说，当我们拥有一个PyTorch模型时，借助torch.compile功能，我们可以直接将模型部署到目标平台上，无需繁琐的转换和适配过程，极大地提升了部署的便捷性。

其次，MLIR生态与LLVM的紧密结合为我们提供了强大的codegen能力。这意味着我们可以利用LLVM丰富的生态系统和工具链，进行代码生成和优化，从而进一步降低AI软件栈的开发成本。通过codegen，我们可以将高级别的模型描述转化为底层高效的机器代码，实现性能的最优化。

图五：进迭时空AI软件栈架构规划

引用

https://onnxruntime.ai/

https://onnx.ai/

https://mlir.llvm.org/

https://pytorch.org/