斯坦福最新深度學(xué)習(xí)測試：華為云ModelArts排名第一

近日,斯坦福大學(xué)發(fā)布了DAWNBenchmark最新成績,在圖像識(shí)別(ResNet50-on-ImageNet,93%以上精度)的總訓(xùn)練時(shí)間上,華為云ModelArts排名第一,僅需10分28秒,比第二名提升近44%。成績證明,華為云ModelArts實(shí)現(xiàn)了更低成本、更快速度、更極致的體驗(yàn)。

斯坦福大學(xué)DAWNBench是用來衡量端到端的深度學(xué)習(xí)模型訓(xùn)練和推理性能的國際權(quán)威基準(zhǔn)測試平臺(tái),相應(yīng)的排行榜反映了當(dāng)前全球業(yè)界深度學(xué)習(xí)平臺(tái)技術(shù)的領(lǐng)先性。計(jì)算時(shí)間和成本是構(gòu)建深度模型的關(guān)鍵資源,DAWNBench提供了一套通用的深度學(xué)習(xí)評(píng)價(jià)指標(biāo),用于評(píng)估不同優(yōu)化策略、模型架構(gòu)、軟件框架、云和硬件上的訓(xùn)練時(shí)間、訓(xùn)練成本、推理延遲以及推理成本。

作為人工智能最重要的基礎(chǔ)技術(shù)之一,近年來深度學(xué)習(xí)也逐步延伸到更多的應(yīng)用場景。隨著深度學(xué)習(xí)模型越來越大,所需數(shù)據(jù)量越來越多,深度學(xué)習(xí)的訓(xùn)練和推理性能將是重中之重。華為云ModelArts將結(jié)合華為在AI芯片、硬件、云設(shè)施、軟件和算法的全棧優(yōu)勢(shì),打造更快的普惠的AI開發(fā)平臺(tái)。

下文將深入分析,華為云ModelArts如何做到性能極致——128塊GPU,ImageNet訓(xùn)練時(shí)間10分鐘。

1. 深度學(xué)習(xí)已廣泛應(yīng)用,模型增大、數(shù)據(jù)增長,深度學(xué)習(xí)訓(xùn)練加速的需求日益劇增

近年來,深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺、語音識(shí)別、自然語言處理、視頻分析等領(lǐng)域,可服務(wù)于視頻監(jiān)控、自動(dòng)駕駛、搜索推薦、對(duì)話機(jī)器人等場景,具有廣闊的商業(yè)價(jià)值。

為了達(dá)到更高的精度,通常深度學(xué)習(xí)所需數(shù)據(jù)量和模型都很大,訓(xùn)練非常耗時(shí)。例如,在計(jì)算機(jī)視覺中,如果我們?cè)贗mageNet[1]數(shù)據(jù)集上用1塊V100 GPU訓(xùn)練一個(gè)ResNet-50模型, 則需要耗時(shí)將近1周。這嚴(yán)重阻礙了深度學(xué)習(xí)應(yīng)用的開發(fā)進(jìn)度。因此,深度學(xué)習(xí)訓(xùn)練加速一直是學(xué)術(shù)界和工業(yè)界所關(guān)注的重要問題,也是深度學(xué)習(xí)應(yīng)主要用的痛點(diǎn)。

Jeremy Howard等幾位教授領(lǐng)銜的fast.ai當(dāng)前專注于深度學(xué)習(xí)加速,在ImageNet數(shù)據(jù)集上用128塊V100 GPU訓(xùn)練 ResNet-50模型的最短時(shí)間為18分鐘。

然而,最近BigGAN、NASNet、BERT等模型的出現(xiàn),預(yù)示著訓(xùn)練更好精度的模型需要更強(qiáng)大的計(jì)算資源?？梢灶A(yù)見,在未來隨著模型的增大、數(shù)據(jù)量的增加,深度學(xué)習(xí)訓(xùn)練加速將變得會(huì)更加重要。只有擁有端到端全棧的優(yōu)化能力,才能使得深度學(xué)習(xí)的訓(xùn)練性能做到極致。

[1] 文中所指的ImageNet數(shù)據(jù)集包含1000類個(gè)類別,共128萬張圖片,是最常用、最經(jīng)典的圖像分類數(shù)據(jù)集,是原始的ImageNet數(shù)據(jù)的一個(gè)子集。

2. 華為云ModelArts創(chuàng)造新紀(jì)錄,“極致”的訓(xùn)練速度

華為云ModelArts是一站式的AI開發(fā)平臺(tái),已經(jīng)服務(wù)于華為公司內(nèi)部各大產(chǎn)品線的AI模型開發(fā),幾年下來已經(jīng)積累了跨場景、軟硬協(xié)同、端云一體等多方位的優(yōu)化經(jīng)驗(yàn)。ModelArts提供了自動(dòng)學(xué)習(xí)、數(shù)據(jù)管理、開發(fā)管理、訓(xùn)練管理、模型管理、推理服務(wù)管理、市場等多個(gè)模塊化的服務(wù),使得不同層級(jí)的用戶都能夠很快地開發(fā)出自己的AI模型。

在模型訓(xùn)練部分,ModelArts通過硬件、軟件和算法協(xié)同優(yōu)化來實(shí)現(xiàn)訓(xùn)練加速。尤其在深度學(xué)習(xí)模型訓(xùn)練方面,華為將分布式加速層抽象出來,形成一套通用框架——MoXing(“模型”的拼音,意味著一切優(yōu)化都圍繞模型展開)。采用與fast.ai一樣的硬件、模型和訓(xùn)練數(shù)據(jù),ModelArts可將訓(xùn)練時(shí)長可縮短到10分鐘,創(chuàng)造了新的紀(jì)錄,為用戶節(jié)省44%的時(shí)間。

3.分布式加速框架MoXing

MoXing是華為云ModelArts團(tuán)隊(duì)自研的分布式訓(xùn)練加速框架,它構(gòu)建于開源的深度學(xué)習(xí)引擎TensorFlow、MXNet、PyTorch、Keras之上,使得這些計(jì)算引擎分布式性能更高,同時(shí)易用性更好。

高性能

MoXing內(nèi)置了多種模型參數(shù)切分和聚合策略、分布式SGD優(yōu)化算法、級(jí)聯(lián)式混合并行技術(shù)、超參數(shù)自動(dòng)調(diào)優(yōu)算法,并且在分布式訓(xùn)練數(shù)據(jù)切分策略、數(shù)據(jù)讀取和預(yù)處理、分布式通信等多個(gè)方面做了優(yōu)化,結(jié)合華為云Atlas高性能服務(wù)器,實(shí)現(xiàn)了硬件、軟件和算法協(xié)同優(yōu)化的分布式深度學(xué)習(xí)加速。

易用:讓開發(fā)者聚焦業(yè)務(wù)模型,無憂其他

在易用性方面,上層開發(fā)者僅需關(guān)注業(yè)務(wù)模型,無需關(guān)注下層分布式相關(guān)的API,僅需根據(jù)實(shí)際業(yè)務(wù)定義輸入數(shù)據(jù)、模型以及相應(yīng)的優(yōu)化器即可,訓(xùn)練腳本與運(yùn)行環(huán)境(單機(jī)或者分布式)無關(guān),上層業(yè)務(wù)代碼和分布式訓(xùn)練引擎可以做到完全解耦。

4.從兩大指標(biāo)看MoXing分布式加速關(guān)鍵技術(shù)

在衡量分布式深度學(xué)習(xí)的加速性能時(shí),主要有如下2個(gè)重要指標(biāo):

1)吞吐量,即單位時(shí)間內(nèi)處理的數(shù)據(jù)量;

2)收斂時(shí)間,即達(dá)到一定的收斂精度所需的時(shí)間。

吞吐量一般取決于服務(wù)器硬件(如更多、更大FLOPS處理能力的AI加速芯片,更大的通信帶寬等)、數(shù)據(jù)讀取和緩存、數(shù)據(jù)預(yù)處理、模型計(jì)算(如卷積算法選擇等)、通信拓?fù)涞确矫娴膬?yōu)化,除了低bit計(jì)算和梯度(或參數(shù))壓縮等,大部分技術(shù)在提升吞吐量的同時(shí),不會(huì)造成對(duì)模型精度的影響。為了達(dá)到最短的收斂時(shí)間,需要在優(yōu)化吞吐量的同時(shí),在調(diào)參方面也做調(diào)優(yōu)。如果調(diào)參調(diào)的不好,那么吞吐量有時(shí)也很難優(yōu)化上去,例如batch size這個(gè)超參不足夠大時(shí),模型訓(xùn)練的并行度就會(huì)較差,吞吐量難以通過增加計(jì)算節(jié)點(diǎn)個(gè)數(shù)而提升。

對(duì)用戶而言,最終關(guān)心的指標(biāo)是收斂時(shí)間,因此MoXing和ModelArts實(shí)現(xiàn)了全棧優(yōu)化,極大縮短了訓(xùn)練收斂時(shí)間。在數(shù)據(jù)讀取和預(yù)處理方面,MoXing通過利用多級(jí)并發(fā)輸入流水線使得數(shù)據(jù)IO不會(huì)成為瓶頸;在模型計(jì)算方面,MoXing對(duì)上層模型提供半精度和單精度組成的混合精度計(jì)算,通過自適應(yīng)的尺度縮放減小由于精度計(jì)算帶來的損失;在超參調(diào)優(yōu)方面,采用動(dòng)態(tài)超參策略(如momentum、batch size等)使得模型收斂所需epoch個(gè)數(shù)降到最低;在底層優(yōu)化方面,MoXing與底層華為自研服務(wù)器和通信計(jì)算庫相結(jié)合,使得分布式加速進(jìn)一步提升。

5.測試結(jié)果對(duì)比,用數(shù)據(jù)說話

一般在ImageNet數(shù)據(jù)集上訓(xùn)練ResNet-50模型,當(dāng)Top-5精度≥93%或者Top-1 精度≥75%時(shí)即可認(rèn)為模型收斂。

我們測試的模型訓(xùn)練收斂曲線如下圖所示。此處Top-1和Top-5精度為訓(xùn)練集上的精度,為了達(dá)到極致的訓(xùn)練速度,訓(xùn)練過程中采用了額外進(jìn)程對(duì)模型進(jìn)行驗(yàn)證,最終驗(yàn)證精度如表1所示(包含與fast.ai的對(duì)比)。圖4(a)所對(duì)應(yīng)的模型在驗(yàn)證集上Top-1 精度≥75%,訓(xùn)練耗時(shí)為10分06秒;圖4(b)所對(duì)應(yīng)的模型在驗(yàn)證集上Top-5 精度≥93%,訓(xùn)練耗時(shí)為10分28秒。

6. 未來展望——更快的普惠AI開發(fā)平臺(tái)

華為云ModelArts致力于為用戶提供更快的普惠AI開發(fā)體驗(yàn),尤其在模型訓(xùn)練這方面,內(nèi)置的MoXing框架使得深度學(xué)習(xí)模型訓(xùn)練速度有了很大的提升。正如前所述,深度學(xué)習(xí)加速屬于一個(gè)從底層硬件到上層計(jì)算引擎、再到更上層的分布式訓(xùn)練框架及其優(yōu)化算法多方面協(xié)同優(yōu)化的結(jié)果,具備全棧優(yōu)化能力才能將用戶訓(xùn)練成本降到最低。

后續(xù),華為云ModelArts將進(jìn)一步整合軟硬一體化的優(yōu)勢(shì),提供從芯片(Ascend)、服務(wù)器(Atlas Server)、計(jì)算通信庫(CANN)到深度學(xué)習(xí)引擎(MindSpore)和分布式優(yōu)化框架(MoXing)全棧優(yōu)化的深度學(xué)習(xí)訓(xùn)練平臺(tái)。并且,ModelArts會(huì)逐步集成更多的數(shù)據(jù)標(biāo)注工具,擴(kuò)大應(yīng)用范圍,將繼續(xù)服務(wù)于智慧城市、智能制造、自動(dòng)駕駛及其它新興業(yè)務(wù)場景,在公有云上為用戶提供更普惠的AI服務(wù)。

目前華為云ModelArts已經(jīng)在公測中,歡迎大家前往官網(wǎng)試用。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。