谷歌新神经计算专用处理器TPU超越CPU与GPU的原因

　　网络巨擘谷歌（Google）日前指出，该公司的Tensor处理器（TPU）在机器学习的测试中，以数量级的效能优势超越英特尔（Intel）的Xeon处理器和Nvidia的绘图处理器（GPU）。在一份长达17页的报告中，Google深入剖析其TPU和测试基准显示比目前的商用芯片更快至少15倍的速度，并提供更高30倍的效能功耗比（P/W）。

　　去年五月，Google宣布其ASIC设计是为了加快各种应用在其数据中心服务器的推论作业。现在，该公司将在今年6月的一场计算机架构大会中，透过一篇论文首度公开对于此芯片及其效能的深入研究。

　　这份报告提供了有关加速器与Google多元神经网络工作负载的深度观察，并建议工程师在此快速成长的领域中投注更多的学习。

　　曾带领超过70位工程师团队设计TPU 的知名硬件工程师Norman P. Jouppi说：“我们希望聘请一些优秀的工程师，并让他们了解我们正在进行高质量的工作，同时也让云端客户知道我们的实力。”

　　该计划的其中一位负责人员是美国加州伯克利大学（U.C. Berkeley）退休教授David Patterson，他同时也是一位资深的处理器架构师，在日前一场硅谷的工程师聚会中介绍了这份报告。Google还在部落格中发布Jouppi所撰写关于此芯片的文章。

　　如今Google的数据中心仍采用此芯片。不过，关于该芯片使用的范围与未来计划加强的部份，Jouppi并不愿透露任何细节。

　　这款40W功率的TPU是一款采用28纳米工艺、70MHz频率运算的芯片，专为加速Google TensorFlow 算法而设计。其主要的逻辑单元包含65，536个8位的乘积累加运算单元和24MB高速缓存，并提供每秒92兆次指令周期。

　　在2015年采用Google机器学习芯片而进行的测试中，相较于英特尔（Intel）的Haswell服务器处理器（CPU）和Nvidia的K80绘图处理器（GPU），采用TPU时的运作速度提高了15到30倍，效能提高了30到80倍。该报告中指出：“TPU的相对增量效能功耗比为41到83——这就是我们为什么客制化ASIC的原因，它让TPU比GPU高出25到29倍的的效能功耗比。”

　　2015年的测试使用了英特尔 22纳米工艺的18核心Haswell E5-2699 v3 CPU，其频率频率（速度）为2.3GHz，热设计功耗（TDP）为145W。Nvidia K80 GPU功耗为150W，频率频率最高到875MHz。

图1：TPU（星形）在神经网络推论作业的效能超越英特尔Haswell处理器（圆形），以及Nvidia K80（三角形） （来源：Google）

　　TPU内部揭密

　　在该报告中提到，TPU所达到的数量级效能优势，很少有别的厂商能做到，也可能让TPU成为特定领域架构的原型。预计接下来将会有许多追随者，而使得标准更为提高。

　　事实上，TPU的目标不在于提高数据处理量，而是专注于达到7毫秒（ms）的延迟，使专用加速器发挥功效，因此，它舍弃了高吞吐量的多任务通用处理器所需的许多组件，而用于执行其他许多任务。

　　但此ASIC芯片在能耗比的表现上不及英特尔和Nvidia的芯片。在10%的负载状况下，TPU的最大功率消耗为88%。相形之下，K80在10%负载下消耗66%的功率，而英特尔Haswell的最大功耗为56%。

　　Google解释，这是由于仅15个月的设计时程相对较短，使得TPU无法加入许多节能方面的功能。

　　数据缓冲区约占TPU的37%，媒体访问控制（MAC）组合占30%。虽然TPU比起Nvidia GPU的尺寸更小、功耗更低，但其上的MAC数量却是K80的25倍，芯片上内存容量则为其3.5倍。

　　TPU搭载PCIe Gen3 x16总线，并提供256位的内部数据路径。主机CPU将加速器视为浮点运算处理器，透过PCIe总线传达指令。

图2：大部份的TPU主要用于处理MAC数组，以及24MB高速缓存

　　TPU使用与GPU加速器相同的Tensorflow软件，开发人员可维持核心驱动器的稳定，必要时调整使用者空间的驱动程序，以因应不断改变的应用。

　　Google发现，持续增加的内存带宽对于效能表现的影响最大。平均来说，加速频率速度的效益不大，而当MAC扩增到512x512矩阵时，加快频率速度的效能还将微幅下降。

　　该报告中指出，从2015年的测试以来，英特尔已经推出14纳米CPU，Nvidia也推出16纳米GPU了。然而，TPU也可能将其外部DDR3内存升级到像K80所使用的GDDR5内存。

　　报告中指出：“未来的CPU与GPU在执行推论时将会更快速。采用2015版GPU内存而重新设计的TPU将会提高两倍到三倍的速度，而且比K80高出70倍、比Haswell更高200倍的效能功耗比。”

　　Google宣称在英特尔CPU上执行8位运算相当辛苦。报告中提到：“我们原本只有一款CPU执行8位运算的结果，因为有效地使用其AVX2整数运算指令，效果提升了3.5倍。”

由于其采用数据处理量为导向的架构，即使是改良过的GPU要达到Google的 7nm延迟目标，仍然充满挑战。同时，“这款TPU仍有很大的改进空间，所以这不是一个容易达成的目标。”

     图3：ASIC芯片支持PCIe Gen 3 x16总线，并搭载DDR3内存

　　开发人员掌握多元化信息

　　该报告中提到，研究人员受到热门的ImageNet比赛吸引，已经变得过于投入卷积神经网络（CNN）。现实世界的应用采用更广泛的神经网络类型，报告并强调，多层感知（MLP）占Google AI开发工作的61%。“虽然大部份的架构师一直在加速CNN设计，但这部份只占5%的工作负载。”

　　“虽然CNN可能很常见于边缘设备，但卷积模型的数量还赶不上数据中心的多层感知（MLP）和长短期内存（LSTM）。我们希望架构师尽可能地加速MLP和LSTM设计，这种情况类似于当许多架构师专注于浮点运算效能时，大部份的主流工作负载仍由整数运算主导。”

　　Jouppi说：“我们已经开始与一些大学合作，扩大提供免费模式。”但他并未透露内容细节。

　　这篇报告回顾了二十多年来神经网络的相关数据，包括其竞争对手——微软（Microsoft）基于FPGA的Catapult计划，加速了网络作业。最初的25W Catapult在200MHz频率上运作3，926个18位MAC，并且以200MHz 频率速度执行5MB内存。Google表示，以Verilog语言设计的固件比起使用TensorFlow软件来说效率更低。

图4：TPU卡可插入服务器的SATA插槽上

　　TPU计划于2013年开始，当时并以FPGA进行了试验。该报告中提到：“我们舍弃FPGA，因为我们当时发现它和GPU相比，在效能上不具竞争力，而TPU比起GPU在相同速度或甚至更快的速度下，可以达到更低的功耗。”

　　尽管二十多年来，神经网络终于在最近从商用市场起飞了。

　　Jouppi说：“我们所有人都被这蓬勃发展的景象吓到了，当初并未预期到会有如此大的影响力。一直到五、六年以前，我都还一直抱持怀疑态度…而今订单开始逐月增加中。”

　　相较于传统途径，深度神经网络（DNN）已经让语音识别的错误率降低了30%，这是二十年来最大的进步。这让ImageNet影像辨识竞赛中的错误率从2011年的26%降至3.5%。

　　该报告结论还提到，“神经网络加速器存在的理由在于效能，而在其演进过程中，如何达到良好的直觉判断，目前还为时过早。”