現(xiàn)如今，深度神經(jīng)網(wǎng)絡(luò)正在以越來(lái)越大的規(guī)模部署，橫跨了從云端，自動(dòng)駕駛到IoT等平臺(tái)。比如用于圖像識(shí)別，語(yǔ)音識(shí)別及翻譯，癌癥檢測(cè)以及自動(dòng)駕駛中對(duì)感知層海量數(shù)據(jù)的處理等。在很多領(lǐng)域，深度神經(jīng)網(wǎng)絡(luò)的精度已經(jīng)超越人類(lèi)，它的優(yōu)越性來(lái)源于它對(duì)原始數(shù)據(jù)的特征提取，并通過(guò)對(duì)大量數(shù)據(jù)的學(xué)習(xí)來(lái)獲取輸入空間的有效表征，但是它的高精度是以超高計(jì)算復(fù)雜度為代價(jià)。因此很多廠商都在追逐NPU的算力來(lái)解決這些復(fù)雜問(wèn)題，但是隨著算力的提高，NPU設(shè)計(jì)也越來(lái)越復(fù)雜，將伴隨著面積和功耗的增加，這對(duì)于那些面積和功耗有很大限制的設(shè)備帶來(lái)了挑戰(zhàn)，因此如何提升NPU的能效比就成了亟待解決的問(wèn)題。

NPU通過(guò)數(shù)據(jù)分區(qū)和有效調(diào)度，利用數(shù)據(jù)的重用以及執(zhí)行分段來(lái)提高能效比和硬件利用率，而實(shí)現(xiàn)高利用率，數(shù)據(jù)重用將直接依賴(lài)于如何調(diào)度深度神經(jīng)網(wǎng)絡(luò)的計(jì)算和如何將這些計(jì)算有效的映射到NPU的硬件單元上。以CNN為例，數(shù)據(jù)流無(wú)非包含三個(gè)方面filter(Weight)，ifmap和ofmap，如下圖。

因此在設(shè)計(jì)NPU時(shí)需要考慮如利用內(nèi)存的層次結(jié)構(gòu)，決定哪些數(shù)據(jù)要讀到那一層的內(nèi)存中以及什么時(shí)候被處理，如何可以重用filter,ifmap和ofmap，將他們存放在本地內(nèi)存中，從而大大減少DRAM的訪(fǎng)問(wèn)次數(shù)，這將在很大程度上提高NPU的硬件利用率及性能，并減少由于DRAM訪(fǎng)問(wèn)帶了的額外功耗。根據(jù)數(shù)據(jù)處理特征可以將數(shù)據(jù)流分為以下幾類(lèi)：

1)、靜態(tài)weight

weight靜態(tài)數(shù)據(jù)流的設(shè)計(jì)是通過(guò)在PE的RF(Register File)中存取weight，來(lái)減少讀取weight產(chǎn)生的功耗。weight從DRAM讀取到RF并保持靜態(tài)以供進(jìn)一步訪(fǎng)問(wèn)，NPU在計(jì)算時(shí)盡可能多的利用RF中的weight以達(dá)到最大程度的重用。通常的實(shí)現(xiàn)是將ifmap廣播給所有的PE，部分和(Psum)將穿過(guò)所有的PE來(lái)完成空間上的累加。

2)、靜態(tài)輸出

輸出靜態(tài)數(shù)據(jù)流的設(shè)計(jì)是通過(guò)將accumulator產(chǎn)生的Psum存放到本地的RF中，以避免將Psum剛寫(xiě)入DRAM再讀回，從而減少因Psum讀寫(xiě)產(chǎn)生的功耗。通常的實(shí)現(xiàn)是流式輸入Activation，并將weight廣播給所有的PE。

3)、無(wú)本地重用

如果考慮到RF會(huì)增大面積，可以將所有的數(shù)據(jù)都存放到Global Buffer中，這樣沒(méi)有任何數(shù)據(jù)會(huì)留在PE的RF，也不會(huì)增設(shè)RF單元來(lái)減小面積，但是增加了PE和Global Buffer的數(shù)據(jù)交互。具體來(lái)說(shuō)是通過(guò)多廣播Activation，單廣播Weight以及Psum穿過(guò)所有的PE進(jìn)行累加來(lái)實(shí)現(xiàn)的。

4)、靜態(tài)行

靜態(tài)行數(shù)據(jù)流的目標(biāo)是將所有的數(shù)據(jù)類(lèi)型(Activation,weight, psum)的重用和計(jì)算都在RF中完成，來(lái)提升總體的能效。它區(qū)別于上面的靜態(tài)weight和靜態(tài)輸出，只是分別對(duì)weight和psum進(jìn)行優(yōu)化。

具體選用哪種數(shù)據(jù)流方式要結(jié)合NPU微架構(gòu)的設(shè)計(jì)。下面總結(jié)了來(lái)自于幾個(gè)廠家的NPU，它們分別利用了不同數(shù)據(jù)流類(lèi)型來(lái)提高能效比。

參考文獻(xiàn)：

【1】Vivienne S. Yu-Hsin C.and etc., “Ef?cient Processing of Deep Neural Networks: A Tutorial and Survey”

關(guān)于復(fù)睿微電子：

復(fù)睿微電子是世界500強(qiáng)企業(yè)復(fù)星集團(tuán)出資設(shè)立的先進(jìn)科技型企業(yè)。復(fù)睿微電子植根于創(chuàng)新驅(qū)動(dòng)的文化，通過(guò)技術(shù)創(chuàng)新改變?nèi)藗兊纳?、工作、學(xué)習(xí)和娛樂(lè)方式。公司成立于2022年1月，目標(biāo)成為世界領(lǐng)先的智能出行時(shí)代的大算力方案提供商，致力于為汽車(chē)電子、人工智能、通用計(jì)算等領(lǐng)域提供以高性能芯片為基礎(chǔ)的解決方案。

目前主要從事汽車(chē)智能座艙、ADS/ADAS芯片研發(fā)，以領(lǐng)先的芯片設(shè)計(jì)能力和人工智能算法，通過(guò)底層技術(shù)賦能，推動(dòng)汽車(chē)產(chǎn)業(yè)的創(chuàng)新發(fā)展，提升人們的出行體驗(yàn)。在智能出行的時(shí)代，芯片是汽車(chē)的大腦。復(fù)星智能出行集團(tuán)已經(jīng)構(gòu)建了完善的智能出行生態(tài)，復(fù)睿微是整個(gè)生態(tài)的通用大算力和人工智能大算力的基礎(chǔ)平臺(tái)。復(fù)睿微以提升客戶(hù)體驗(yàn)為使命，在后摩爾定律時(shí)代持續(xù)通過(guò)先進(jìn)封裝、先進(jìn)制程和解決方案提升算力，與合作伙伴共同面對(duì)汽車(chē)智能化的新時(shí)代。

審核編輯 ：李倩