2018 年，由美國國家能源研究科學計算中心 (NERSC) 與 NVIDIA組成的聯(lián)合團隊取得了一項突破性成就。他們成功將一種科學嚴謹?shù)?a target="_blank">深度學習應(yīng)用擴展至 27000 多個NVIDIA V100Tensor 核心 GPU，攻克了此過程中百億億次運算的難關(guān)。憑借該項成就，研究團隊由此斬獲高性能計算領(lǐng)域的最高獎項ACM 戈登貝爾獎。除 2018 年的技術(shù)論文與新聞稿之外，我們還將在本文中探討這項成就對 AI 領(lǐng)域產(chǎn)生的深遠影響，以及未來面臨的開放性挑戰(zhàn)。

由伯克利實驗室與橡樹嶺國家實驗室各自領(lǐng)導(dǎo)的兩個研究團隊共享 2018 年 ACM 戈登貝爾獎

深度學習軟件：性能與生產(chǎn)力

低級工具能為開發(fā)者帶來精確度，高級工具則可提高工作效率，這二者之間總存在一個折衷點。我們已為此找到解決方案。在本次項目中，我們用高效的 Python 和 TensorFlow 表示網(wǎng)絡(luò)架構(gòu)與整體的應(yīng)用工作流。TensorFlow 反過來會利用在 C 和 C++ 環(huán)境中實施的例程來實現(xiàn)高性能，提供精確度，并解放開發(fā)者以提高其工作效率。因此，在 8 個月的時間里，我們的團隊從頭開始構(gòu)建網(wǎng)絡(luò)原型，并在全球最大的高性能計算 (HPC) 系統(tǒng) Summit 上對其性能與擴展作出了優(yōu)化。

我們相信，此項目能夠展示出研究人員長期推測的 HPC 與 AI 軟件堆棧的實際融合效果，即以 C/C++ 編寫的高性能庫 (CuDNN) 和框架 (TensorFlow)，以及通過 Python 公開的高效接口。同理，我們還在 NCCL 和 MPI 中實施經(jīng)高度優(yōu)化且基于拓撲感知的通信集合，但通過簡單高效的 Horovod 接口實現(xiàn)公開。展望未來，我們相信，在助力科學家及更廣泛的研究社區(qū)探索更復(fù)雜架構(gòu)的過程中，為混合并行模式（數(shù)據(jù)、模型、流水線）提供透明支持將至關(guān)重要。

深度學習硬件：GPU 和混合精度

本次項目利用 NVIDIA Volta GPU 來訓(xùn)練 DeepLabv3+ 分割網(wǎng)絡(luò)。在混合精度模式下，Volta 上可達到的峰值性能為 125 萬億次浮點運算。該模式由 NVIDIA 通過 Tensor 核心 GPU 架構(gòu)推出，可執(zhí)行 FP16 精度計算并能以 FP32 精度模式累積結(jié)果。在本項目開展之前，該領(lǐng)域存在一個仍待解決的問題，即現(xiàn)實的科學應(yīng)用能否利用 FP16（不損失精確度）并獲得較高的峰值性能。我們的研究最終證明，對于科學領(lǐng)域的模式識別問題，16 位精度可能足以滿足相關(guān)需求。此外，對于擁有 4000 多個計算核心的復(fù)雜應(yīng)用而言，極高的峰值亦有可能實現(xiàn)：在規(guī)模龐大的 GPU 集群上，我們的應(yīng)用實現(xiàn)了每塊 GPU 大約 40 萬億次浮點運算的峰值性能。

我們相信，這些結(jié)果為科學應(yīng)用打開了通往低精度加速器的一扇大門。雖然原始數(shù)據(jù)集可能具有高精度（64 位或 32 位），但我們或許仍可以在不損失收斂或穩(wěn)定性的前提下，以低精度模式執(zhí)行模式識別任務(wù)。

開放性挑戰(zhàn)

如要在當代的 HPC 系統(tǒng)上實現(xiàn)百億億級的性能，我們需對所有組件仔細調(diào)優(yōu)，包括硬件（CPU、GPU、NVLink、文件系統(tǒng)、網(wǎng)絡(luò)互連）和軟件。雖然我們的項目成功實現(xiàn)了大幅調(diào)優(yōu)、優(yōu)化和擴展，但我們想指出兩項挑戰(zhàn)，以便向行業(yè)及研究社區(qū)征求更多意見。

大規(guī)模數(shù)據(jù)管理

得益于 GPU 架構(gòu)在加快計算方面取得的進展，我們現(xiàn)已能在單個硅處理器上暢享高于 100 萬億次浮點運算級的性能。隨著 GPU 速度越來越快，向其輸送數(shù)據(jù)的能力會逐漸限制性能。本次項目中，我們對 20 太字節(jié)的數(shù)據(jù)集展開分析，這實際上需要整個 Summit 系統(tǒng)保持每秒大約 4 太字節(jié)的 I/O 速率。Summit 上的 GPFS 文件系統(tǒng)根本無法勝任該項任務(wù)，在 NERSC Cori 系統(tǒng)的 Lustre 文件系統(tǒng)上執(zhí)行的類似實驗也以徹底失敗而告終。對于這兩種情況，在節(jié)點本地 NVMe上暫存數(shù)據(jù)和突發(fā)緩沖區(qū)技術(shù)便顯得至關(guān)重要。

傳統(tǒng)的 HPC 文件系統(tǒng)主要用于支持以寫入為主的工作負載；而深度學習工作負載則屬于讀取密集型負載，對數(shù)據(jù)帶寬和元數(shù)據(jù)操作速率要求頗高。如要支持大規(guī)模深度學習工作負載，我們可能必須先對緩存分層、分片和混編操作提供透明支持。

大規(guī)模收斂

提供深度學習解決方案的時間由兩部分構(gòu)成：計算擴展效率和統(tǒng)計擴展效率。我們的研究已經(jīng)展示出卓越的計算擴展性能，并且提供了許多有關(guān)系統(tǒng)級注意事項的建議。一個未解決的問題是，如何使用 SGD（隨機梯度下降）的其中一個收斂屬性取代大批量（在本項目中，批量大小高于 27000）。

在 HPC 資源上提供高度并行性具有正反兩方面作用。如要以超高并發(fā)級別在大規(guī)模資源上運行，我們需在短時間內(nèi)對超參數(shù)進行調(diào)優(yōu)。有關(guān)收斂算法行為的啟發(fā)式方法可能會或不會繼承自較小規(guī)模的運行。盡管目前對于選擇各類超參數(shù)所產(chǎn)生效果的實證評估都很合理，但我們預(yù)計，科學界將需要更好的指導(dǎo)原則，以及用于解決新問題的收斂保證。

我們相信，在解決收斂問題的過程中，進一步開發(fā) LARS 與 LARC 等新算法和潛在的高階優(yōu)化方法將是至關(guān)重要的一環(huán)。