這些數字重要嗎？它們中的大多數都是在實驗室類型的環(huán)境中生產的，其中理想的條件和工作負載允許被測設備（SUT）產生用于營銷目的的最高分數。另一方面，大多數工程師可能不太關心這些理論可能性。他們更關心的是技術如何影響其推理設備的準確性、吞吐量和/或延遲。

將計算元素與特定工作負載進行比較的行業(yè)標準基準測試更有用。例如，圖像分類工程師可以確定滿足其性能要求的多個選項，然后根據功耗、成本等對其進行縮減。語音識別設計人員可以使用基準測試結果來分析各種處理器和內存組合，然后決定是在本地還是在云中合成語音。

但是，AI和ML模型，開發(fā)框架和工具的快速引入使這種比較復雜化。如圖 1 所示，AI 技術堆棧中越來越多的選項也意味著可用于判斷推理性能的排列呈指數級增長。這是在考慮模型和算法可以針對給定系統(tǒng)架構進行優(yōu)化的所有方法之前。

圖 1.AI開發(fā)堆棧中越來越多的選項使行業(yè)標準基準測試變得復雜。

毋庸置疑，制定這樣一個全面的基準超出了大多數公司的能力或愿望。即使有人能夠完成這一壯舉，工程界真的會接受它作為“標準基準”嗎？

機器學習成果：人工智能推理的更好基準

更廣泛地說，在過去幾年中，工業(yè)界和學術界已經開發(fā)了幾個推理基準，但他們傾向于關注新興人工智能市場的更多利基領域。一些例子包括EEMBC用于嵌入式圖像分類和對象檢測的MLMark，蘇黎世聯邦理工學院的AI基準測試，針對Android智能手機上的計算機視覺，以及哈佛的Fathom基準測試，強調各種神經網絡的吞吐量，但不是準確性。

對 AI 推理格局的更完整評估可以在 MLPerf 最近發(fā)布的推理 v0.5 基準測試中找到。MLPerf 推理是社區(qū)開發(fā)的測試套件，可用于測量 AI 硬件、軟件、系統(tǒng)和服務的推理性能。這是來自30多家公司的200多名工程師合作的結果。

正如您對任何基準測試所期望的那樣，MLPerf 推理定義了一套標準化工作負載，這些工作負載被組織成圖像分類、對象檢測和機器翻譯用例的“任務”。每個任務都由與正在執(zhí)行的功能相關的 AI 模型和數據集組成，其中圖像分類任務支持 ResNet-50 和 MobileNet-v1 模型，對象檢測任務利用具有 ResNet34 或 MobileNet-v1 主干的 SSD 模型，以及使用 GNMT 模型的機器轉換任務。

除了這些任務之外，MLPerf 推理開始偏離傳統(tǒng)基準測試的規(guī)范。由于準確性、延遲、吞吐量和成本的重要性在不同用例中具有不同的權重，因此 MLPerf 推理通過在移動設備、自動駕駛汽車、機器人和云這四個關鍵應用領域中根據質量目標對推理性能進行分級來權衡。

為了在盡可能接近在這些應用領域中運行的真實系統(tǒng)的上下文中有效地對任務進行分級，MLPerf 推理引入了一個負載生成器工具，該工具根據四種不同的方案生成查詢流量：

樣本大小為 1 的連續(xù)單流查詢，在移動設備中很常見

連續(xù)的多流查詢，每個流有多個樣本，就像在延遲至關重要的自動駕駛汽車中發(fā)現的那樣

請求隨機到達的服務器查詢，例如在延遲也很重要的 Web 服務中

執(zhí)行批處理且吞吐量是一個突出考慮因素的脫機查詢

負載生成器在測試準確性和吞吐量（性能）的模式下提供這些方案。圖 2 描述了 SUT 如何從負載生成器接收請求，相應地將數據集中的樣本加載到內存中，運行基準測試并將結果返回到負載生成器。然后，準確性腳本將驗證結果。

圖 2. MLPerf 推理基準測試依賴于負載生成器，該負載生成器根據許多實際方案查詢被測系統(tǒng) （SUT）。

作為基準測試的一部分，每個 SUT 必須執(zhí)行最少數量的查詢，以確保統(tǒng)計置信度。

提高靈活性

如前所述，人工智能技術市場中使用的各種框架和工具是任何推理基準測試的關鍵挑戰(zhàn)。前面提到的另一個考慮因素是調整模型和算法，以從AI推理系統(tǒng)中擠出最高的準確性，吞吐量或最低延遲。就后者而言，量化和圖像重塑等技術現在是常見的做法。

MLPerf 推理是一種語義級基準測試，這意味著，雖然基準測試提供了特定的工作負載（或一組工作負載）以及執(zhí)行它的一般規(guī)則，但實際實現取決于執(zhí)行基準測試的公司。公司可以優(yōu)化提供的參考模型，使用他們想要的工具鏈，并在他們選擇的硬件目標上運行基準測試，只要它們保持在特定的指導方針之內。

但是，重要的是要注意，這并不意味著提交公司可以對MLPerf模型或數據集采取任何和所有自由，并且仍然有資格獲得主要基準。MLPerf 推理基準分為兩個部分 - 封閉式和開放式 - 封閉式部門對可以使用哪些類型的優(yōu)化技術以及其他禁止的優(yōu)化技術有更嚴格的要求。

要獲得封閉分區(qū)的資格，提交者必須使用提供的模型和數據集，但允許量化。為了確保兼容性，封閉部門的參賽者不能使用重新訓練或修剪的模型，也不能使用緩存或已調整為基準或數據集感知的網絡。

另一方面，開放式劃分旨在促進AI模型和算法的創(chuàng)新。仍需要向開放分區(qū)提交以執(zhí)行相同的任務，但可以更改模型類型、重新訓練和修剪其模型、使用緩存等。

盡管封閉式劃分可能聽起來很嚴格，但超過 150 個條目成功獲得了 MLPerf 推理 v0.5 發(fā)布資格。圖3和圖4展示了參賽者使用的AI技術堆棧的多樣性，這些堆棧幾乎涵蓋了從ONNX和PyTorch到TensorFlow，OpenVINO和Arm NN的各種處理器架構和軟件框架。

圖 3.數字信號處理器、FPGA、CPU、ASIC 和 GPU 都成功完成了 MLPerf 推理封閉式除法要求。

圖 4. 人工智能軟件開發(fā)框架，如 ONNX、畢拓、張量流、OpenVINO、Arm NN 等，被用于開發(fā)符合封閉分區(qū)基準測試的 MLPerf 推理系統(tǒng)。

消除評估中的猜測

雖然 MLPerf 推理的初始版本包含一組有限的模型和用例，但基準測試套件是以模塊化、可擴展的方式構建的。這將使MLPerf能夠隨著技術和行業(yè)的發(fā)展而擴展任務，模型和應用領域，并且組織已經計劃這樣做。

最新的AI推理基準顯然是目前可用的最接近真實世界AI推理性能的衡量標準。但隨著它的成熟并吸引更多的提交，它也將成為成功部署的技術堆棧的晴雨表，以及新實施的試驗場。

審核編輯：郭婷