顶级FPGA和GPU的PK

本部分，我们就跟随作者一起看看Intel Stratix10 NX和Nvidia在这个领域的利器T4以及V100之间的对比，过程分为芯片级对比以及系统级对比。

本部分一起先来看看芯片级对比

首先来看下我们的GPU对手——Nvidia T4和V100分别有320个和640个张量核(专门用于AI工作负载的矩阵乘法引擎)

Nvidia Tesla T4

Nvidia Tesla V100

下面表格总结了与Stratix10 NX和这些同代工艺GPU的关键指标对比。 就die尺寸来说，V100是Nvidia最大的12nm GPU，几乎比T4大50%，而Stratix10 NX比两种GPU都小。

首先，文章使用GPU最擅长处理的工作负载：通用矩阵乘(GEMM)来跑GPU的benchmark(什么是GEMM请移步https://spatial-lang.org/gemm)，为了测量最佳的GPU性能，对每个器件使用最新的library，这些库不会出错，并且分别在使用和不使用张量核的情况下测试性能。对于fp32和fp16实验，分别使用CUDA10.0和10.2的CuBLAS库进行V100和T4。对于int8，我们使用CUDA10.2中的cuBLASLt库，这样可以比cuBLAS库获得更高的int8性能。文章使用Nvidia的官方（高度优化）的cuDNN kernel来处理DL工作负载，并且分别对V100和T4使用了从cuDNN7.6.2和7.6.5。 （cuBLAS API，从cuda6.0开始；cuBLASLt API，从cuda10.1开始）

cuDNN库不支持int8计算kernel，但它们支持将所有模型权重保存在片上内存中。对于每个工作负载、问题大小和序列长度，文章在两种GPU上运行了所有可能的配置组合，如精度{fp32、fp16、int8}、计算样式{persistent、non-persistent}、张量核心设置{enable、disable}。然后，选择最佳的性能，来和Stratix10 NX的NPU进行比较。 这里因为是芯片级对比，所以只考虑了芯核的计算效率，不包括任何初始化、芯核启动或主机-GPU数据传输开销。

下图给出了T4和V100 GPU上fp32、fp16和int8精度的GEMM benchmark测试结果。结果表明，相对于张量核禁用情况(蓝线），启用张量核（红线) 可以显著提高GPU在GEMM上的性能。

然而，一个普遍的趋势是，张量核虽然是为GEMM设计的，但在矩阵大小为2048或以下情况时的利用效率明显不如峰值情况（红色虚线）。因此要实现高利用率，除非工作负载中的矩阵大小非常大，而这在实际DL工作负载中并不常见。T4和V100上的张量核都不支持fp32的精度，而是在执行乘法运算之前，将fp32数据转换为fp16。相对于纯fp16 GEMM，这种数据转换开销降低了张量核性能。另一个有趣的情况是，当T4张量核在int8模式下工作时，它们需要将输入矩阵从标准的行/列主要格式转换为特定于张量核的布局。因此，即使在处理非常大的8192×8192矩阵时，在张量核（没有标记的红线）上实现的int8性能还不到峰值性能的45%。

为了更好地理解这种数据转换的开销，文章还进行了一个额外的实验，在这个实验中，对张量核进行了特殊布局（带有标记的红线)。即使不算矩阵布局变化的开销，对于4096×4096及以下的矩阵大小，张量核利用率也小于40%，在6144×6144矩阵中利用率达到最高为72%。

下面来看看FPGA上的情况，上图(Fig.6)的右上角那张图比较了Stratix10 NX上的NPU性能与具有int8张量核的T4 GPU的性能。为了公平地比较，文章禁用了NPU两个输入矩阵其中一个的矩阵布局变换，只保留了对另一个输入以及输出矩阵的布局变换（因为NPU以标准格式使用和生成这些矩阵）。

虽然NPU是为矩阵向量运算而设计的，但它在GEMM工作负载上仍然实现了与T4相似的性能，其矩阵大小从512到3072不等(最大的矩阵可以fit进片上BRAM)。 

最后，一起看看顶级FPGA和GPU的PK结果。下图(Fig.7)将文章在Stratix10 NX上增强型NPU的性能与T4和V100的最佳性能进行比较。对于比较小的batch-3和batch-6情况，FPGA性能总是显著高于两个GPU。FPGA在batch-6（其设计为：双核batch-3）中表现最好，平均性能分别是T4和V100的24.2x和11.7x。

与batch-6相比，FPGA在batch-3上的性能较低，因为两个核中的一个完全空闲。然而，它仍然比T4和V100分别平均快了22.3x和9.3x。在batch size高于6时，如果batch size不能被6整除，则NPU可能不能被充分利用。例如，在batch size为8、32和256的情况下，NPU最多可以达到其batch-6性能的67%、89%和99%，而batch size为12、36和258（上图中的虚线所示）可以达到100%的效率。在32输入的中等batch size情况下，NX仍然比T4具有更好的性能，并且与V100性能相当。

即使在比较大的batch size情况下，NX的性能也比T4高58%，只比die size更大（大将近一倍）的V100低30%。这些结果表明，人工智能优化的FPGA在低batch实时推理中不仅可以实现比GPU好一个数量级的性能，而且可以在放宽延迟约束下的高batch推理中和GPU匹敌。上图(Fig.7)中的右下角图总结了不同batch size情况下NX相对于CPU的平均加速情况。

上图(Fig.7)中的右上角图显示了与不同batch大小下的两个GPU相比，NX的平均利用率。NX在batch-6中的平均利用率为37.1%，而T4和V100分别仅为1.5%和3%。GPU张量核并非直接互连，它们只能接收来自本地核内寄存器文件的输入。因此，每个GPU张量核都必须发送它的partial result到全局内存中，并与其他张量核同步，以结合这些partial result。然后GPU从全局内存中读取组合好的矢量来执行进一步的操作，如激活函数（activation functions）。

较高的batch size可以摊销这种同步延迟，但即使在batch-256情况下，T4和V100的利用率分别只有13.3%和17.8%。 另一方面，FPGA在架构上也更具优势，其在张量块之间有专用的用来做减法的互连， FPGA的可编程布线资源还允许将MVU tile和矢量单元级引擎级联起来进行直接通信，减少了像GPU中那样必须通过内存通信的情况。

综上可以看到，FPGA依靠架构优势和超高的资源利用率，在AI性能PK上对GPU形成了强劲挑战。下一篇，我们再来一起看看从系统角度，FPGA和GPU的对比情况以及功耗方面的分析。

审核编辑 ：李倩