本文主要是介绍AI芯片:Edge TPU(谷歌出品)【在边缘(edge)设备上运行的“专用集成芯片”】【量化操作:Edge TPU使用8 位权重进行计算,而通常使用32位权重。所以我们应该将权重从32位转换为8位】,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
谷歌Edge TPU的价格不足1000人民币,远低于TPU。实际上,Edge TPU基本上就是机器学习的树莓派,它是一个用TPU在边缘进行推理的设备。
一、云vs边缘
1、边缘运行没有网络延迟
Edge TPU显然是在边缘(edge)运行的,但边缘是什么呢?为什么我们不选择在云上运行所有东西呢?
在云中运行代码意味着使用的CPU、GPU和TPU都是通过浏览器提供的。边缘与云相反,即在本地运行代码。在边缘运行代码的主要优点是没有网络延迟,由于物联网设备通常要频繁地生成数据,因此运行在边缘上的代码非常适合基于物联网的解决方案。
二、对比CPU、GPU,深度剖析TPU
TPU直接提供传递信息,减少延迟
TPU是类似于CPU或GPU的一种处理器。不过,它们之间存在很大的差异。
最大的区别是TPU是 ASIC(专用集成芯片)。ASIC经过优化,可以执行特定类型的应用程序。
对于TPU来说,它的特定任务就是执行神经网络中常用的乘积累加运算。
CPU和GPU并未针对特定类型的应用程序进行优化,因此它们不是ASIC。
下面我们分别看看 CPU、GPU和TPU如何使用各自的架构执行累积乘加运算:
1、在CPU上进行累积乘加运算
CPU通过从内存中读取每个输入和权重,将它们与其ALU (上图中的计算器) 相乘,然后将它们写回内存中,最后将所有相乘的值相加,从而执行乘积累加运算。
现代CPU通过其每个内核上的大量缓存、分支预测和高时钟频率得到增强。这些都有助于降低CPU的延迟。
2、GPU上的乘积累加运算(通过并行计算来大幅提高吞吐量,代价是延迟增加)
GPU的原理类似,但它有成千上万的ALU来执行计算。计算可以在所有ALU上并行进行,这被称为 SIMD (单指令流多数据流)。
一个很好的例子就是神经网络中的多重加法运算。
然而,GPU 并不使用上述那些能够降低延迟的功能。它还需要协调它的数千个 ALU,这进一步减少了延迟。
简而言之,GPU 通过并行计算来大幅提高吞吐量,代价是延迟增加。
或者换句话说:CPU是一个强大而训练有素的斯巴达战士,而GPU就像一支庞大的农民大军,但农民大军可以打败斯巴达战士,因为他们人多。
3、读取TPU上的乘加操作的权重
TPU的运作方式非常不同,它的ALU是直接相互连接的,不需要使用内存。
它们可以直接提供传递信息,从而大大减少延迟。
从上图中可以看出,神经网络的所有权重都被加载到ALU中。完成此操作后,神经网络的输入将加载到这些ALU中以执行乘积累加操作。
神经网络的所有输入并不是同时插入ALU的,而是从左到右逐步地插入,这样做是为了防止内存访问。因为ALU的输出将传播到下一个ALU,这都是通过脉动阵列 (systolic array) 的方式完成的,如下图所示。
使用脉动阵列执行乘加操作:
上图中的每个灰色单元表示TPU中的一个ALU (其中包含一个权重),在ALU 中,乘加操作是通过将ALU从顶部得到的输入乘以它的权重,然后将它与从左边得到的值相加。此操作的结果将传播到右侧,继续完成乘加操作。ALU从顶部得到的输入被传播到底部,用于为神经网络层中的下一个神经元执行乘加操作。
在每一行的末尾,可以找到层中每个神经元的乘加运算的结果,而不需要在运算之间使用内存,使用这种脉动阵列显著提高了Edge TPU的性能。
三、Edge TPU 推理速度超过其他处理器架构
1、使用量化和更少的内存操作,高速且环保
TPU 还有一个重要步骤是量化 (quantization)。
由于谷歌的Edge TPU使用8 位权重进行计算,而通常使用32位权重。所以我们应该将权重从32位转换为8位,这个过程叫做量化。
量化基本上是将更精确的32位数字近似到8位数字。量化过程如下图所示:
四舍五入会降低精度,然而,神经网络具有很好的泛化能力 (例如dropout)。因此在使用量化时不会受到很大的影响,如下图所示。
非量化模型与量化模型的精度:
量化的优势更为显著,它减少了计算量和内存需求,从而提高了计算的能源效率。
Edge TPU执行推理的速度比任何其他处理器架构都要快。它不仅速度更快,而且通过使用量化和更少的内存操作,从而更加环保。
参考资料:
从云到端,进阶的谷歌AI芯片Edge TPU到底有多快?
这篇关于AI芯片:Edge TPU(谷歌出品)【在边缘(edge)设备上运行的“专用集成芯片”】【量化操作:Edge TPU使用8 位权重进行计算,而通常使用32位权重。所以我们应该将权重从32位转换为8位】的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!