TPU (灵魂三问 WHAT? WHY? HOW?)
本文长度为 5986 字，45 图表截屏
建议阅读 30 分钟
从 2018 年 10 月到 2019 年 6 月，NLP 三大模型横空出世，分别是 Google 的 BERT，OpenAI 的 GPT-2 和 CMU 和 Google 联手的 XLNet。
除了模型强大，我们从新闻里看到最多的是就是训练时间长，而且费用惊人的贵。
BERT-large 模型在 16 个 Cloud TPU v3 下训练 4 天
GPT-2 模型在 32 个 Cloud TPU v3 下训练一周多
XLNet-large 模型在 128 个 Cloud TPU v3 下需要训练 2 天半
证据如下：
Training of BERT_LARGE was performed on 16 Cloud TPUs (64 TPU chips total). Each pretraining took 4 days to complete. -- BERT Paper
To clarity, it's 256 cores (8 cores per Cloud TPU). Training took a bit over a week. -- Open AI Author on Reddit
We train XLNet-Large on 512 TPU v3 chips for 500K steps with an Adam optimizer, linear learning rate decay and a batch size of 2048, which takes about 2.5 days. -- XLNet Paper
TPU v3 就是第三代 (2018) TPU，样子如下。
而第一代 (2015) 和第二代 (2017) 的 TPU 样子如下 。
查了下第三代 TPU 每个核心的价格是每小时 8 美元。
那么来计算一下 BERT, GPT-2 和 XLNet 的训练成本，它们分别用了 16、32、128 个 Pod，每个 Pod 含有 8 个核心 (core)，计算
BERT：16 × 8 × 24 × 4 = 12288 美元
GPT-2：32 × 8 × 24 × 7 = 43008 美元
XLNet：128 × 8 × 24 × 2.5 = 61440 美元
和新闻里面的报道吻合：
BERT-large 模型在 16 个 Cloud TPU v3 下训练 4 天，花费 1.2 万美元
GPT-2 模型在 32 个 Cloud TPU v3 下训练一周多，花费 4.3 万美元
XLNet-large 模型在 128 个 Cloud TPU v3 下需要训练 2 天半，花费 6.1 万美元
扯了这么多，本帖只想弄清楚下面 WHAT-WHY-HOW 灵魂三问：
WHAT：TPU 是什么？
WHY：为什么 TPU 在神经网络上有效？
HOW：怎么玩 TPU + Keras？
TPU 是什么？
张量处理器 (Tensor Processing Unit, TPU) 是 Google 为机器学习定制的人工智能加速器专用集成电路，专为 Google 的深度学习框架TensorFlow 而设计的。
那 TPU 和中心处理器 (Central Processing Unit, CPU) 和图形处理器 (Graphics Processing Unit, GPU) 有什么区别呢？在这里我们用「神经网络识别手写数字」的例子来讨论三者的不同。
1.1
神经网络
下图展示着神经网络来识别手写数字的过程
输入是一张 28×28 像素的图片
输出是一个 10×1 的向量 (数字有 10 个)
中间是一个极简的神经网络 (这不重要，牢记本帖目的是区分 CPU、GPU 和 TPU 在神经网络中的计算方法，因此网络越简单就越好懂)
整套计算大概分四个步骤：
提取黑白图像的像素矩阵 (28×28)，重塑 (reshape) 成向量 X
用权重 W 乘以 X
加上偏置 b
将 WX + b 用 softmax 转换成概率值
理想情况当神经网络训练得比较好时，数字 8 对应的概率会比较大 (至少大于其它数字对应的概率)，因此推断图片里的数字是 8。
让我们重新设计好问题，假设网络已经训练好了 (每个数字里的像素对应的权重已经计算出来了)，给定新的图片，我们对其分类。
为了简化展示，我们将图片分成 9 个像素 (3×3)。给定新图片 (含数字 8)，它的像素值和训练好的数字 7、8、9 对应的权重值如下。
然后分别计算 x 和 w7, w8 和 w9 的点积，如下面动图所示。最后找出点积最大的，如果 w8x 最大，那么该数字是 8。
下面三节分别讲解 CPU、GPU 和 TPU 是如何计算点积的 (或更通用的矩阵相乘)。
1.2
CPU
中央处理器 (Central Processing Unit, CPU) 是计算机的主要设备之一，功能主要是解释计算机指令以及处理计算机软件中的数据。
CPU 最大的特点就是通用，你可以用 CPU 做 PPT、网上银行转账，或运行神经网络识别数字。但通用的东西往往效率不高，因为电脑在没有读到软件下一个指令前不知道要计算什么。此外，CPU 会将每一步的计算结果存储在内存里，而 CPU 里的算术逻辑单元 (Arithmetic Logic Units, ALU) 会不停的访问存储器来读取和存储中间计算结果。深度神经网络会有大量计算，这时用 CPU 显然效率低下。
接着上面的识别手写数字的例子，当计算 y = Wx + b 时，其中
W 是 3×9 的矩阵，x 是 9×1 的向量，b 是标量，因此 y 是 3×1 的向量，即「含数字 8 的图片中的像素」和「数字 7, 8, 9 的权重」的 3 个内积。
看下面动图，在点积里的乘法操作中，x 里面的 9 个元素先和 w7 里面的 9 个元素两两相乘；再和 w8 里面的 9 个元素两两相乘；最后和 w9 里面的 9 个元素两两相乘。
如果图片是高清彩色的，像素为 192×192×3 ≈ 1000000；如果训练集很大，有几百万张；如果网络是深层的，有几十层，即权重 W 有很多元素；那么像 CPU 这样按顺序一步步计算点积会非常慢，而且内存也会溢出。
接着看看能并行计算的 GPU？
1.3
GPU
图形处理器 (Graphics Processing Unit, GPU) 是一种专门在个人计算机、工作站、游戏机和一些移动设备上运行绘图运算工作的微处理器。
和 CPU 相比为了能获得更大的吞吐量 (throughput)，GPU 包含更多的 ALU，通常是 2500-5000 个。这样一个处理器可以同时执行上千的加法和乘法操作。
下面动图基本上就是把 CPU 那一个单元复制了很多，并行计算了「含数字 8 的图片中的像素」和「数字 1 到 9 的权重」的 9 个内积。
GPU 计算虽然比 CPU 快很多，但基本上就是并行带来的优势，GPU 仍然是一个通用处理器，即可以支持不同的应用程序和软件。
和 CPU 一样，在每一次计算中 GPU 需要访问寄存器 (register) 或共享存储器 (memory) 来读取和存储中间计算结果。由于 GPU 在其数千个 ALU 上执行更多并行计算，因此它也会按比例增加访问内存的能量。
最后看看专门为矩阵计算设计的 TPU？
1.4
TPU
TPU 是 google 专门为大型神经网络里面的大型矩阵运算而设计的，因此不是通用处理器。
TPU 不能做 PPT，不能网上银行转账，但它们可以以极快的速度处理神经网络的大量乘法和加法，同时消耗更少功率和占用更小的内存。它是如何做到的呢？三个特点
16 位大脑浮点格式
脉动数组
Ring AllReduce
先卖个关子，看看下图 TPU 怎么计算内积的。
看不懂不要紧，下节「脉动数组」会娓娓道来。
为什么 TPU 在矩阵运算上高效？
TPU 核心由矩阵乘法单元 (Matrix Mutiply Unit, MXU) 和向量处理单元 (Vector Processing Unit, VPU) 组成的。MXU 负责矩阵乘法，VPU 负责向量转换向量，比如 relu 和 softmax。
但在神经网络中矩阵乘法还是计算量最大的部分，因此我们注意力放在 MXU 上。
2.1
大脑浮点
根据研究发现，神经网络的预测不需要 32 位浮点 (float32) 或 16 位浮点 (float16) 的计算精度。基于此，Google 自定义了一个 16 位大脑浮点 (bfloat16)，并发现许多模型在使用 bfloat16 时，实现了与使用 float32 数值时相同的准确性。
bfloat16 格式为 [1:8:7]，包含 1 个符号位、8 个指数位和 7 个尾数位，还有 1 个隐式尾数位。相比之下，float16 格式为 [1:5:10]。
抛开细节不谈，从上图可看出，bfloat16 比 float16 具有更大的动态范围，和 float32 的动态范围相当。
TPU 支持以 bfloat16 格式存储激活和梯度等值。这可减少内存中的数据大小，使较大模型适用于相同的内存量。此外某些操作受内存带宽限制，按 bfloat16 格式存储受内存带宽限制的操作的输入和输出可减少必须传输的数据量从而提速。
下图展示了用 bfloat16 格式各种模型的提速比例，最高提速的 Resnet 达到了 32%，而最低提速的 Transformer 也有 5%。
2.2
脉动数组
和传统 CPU、GPU 相比，TPU 中的 MXU 有个特殊的架构，称为脉动数组 (systolic array)。之所以叫「脉动」，是因为在此结构中，数据一波一波地流过芯片，与心脏跳动供血的方式类似。
让我们看看一个脉动数组如何执行神经网络计算，即执行 Y = WX + b 的计算，其中
脉动数组的操作总共分三步，输入的是 X 和 W，一次性输出的是 Y。
将权重 W (红点) 从左向右的流入数组。
将像素 X (灰点) 从下向上的流入数组。
每个单元在每个间隔中从左和从下只接受一个数据，将它们相乘并累加到之前的结果中，直到没有数据流入。
当「脉动」过程结束后，Y 也计算出来了。
看不太懂？我来画个用脉动数组计算矩阵相乘的分解图。在实际问题中，数字有 10 类，数据有 m 个，像素有 784 个，下面公式列出每个矩阵的大小。
在解释脉动数组计算时，我们简化问题，假设数字只有 3 类，数据只有 3 个，像素只有 3 个，那么上面公式简化成
下面用 7 幅图开始脉动数组的表演，一图胜千言，无需额外的文字来解释 (花了 1 个多小时画这些图，我已经完成了困难的部分，理解它变得很简单)。
这样看最终是不是一次性的计算出来矩阵 Y。
再看看上面的动图，是不是可以理解了？
其实脉动架构就是用了一个很简单的方法，让数据尽量在处理单元中多流动一会儿。第一个数据首先进入第一个单元，经过处理以后被传递到下一个单元，同时第二个数据进入第一个单元。以此类推，当第一个数据到达最后一个单元，它已经被处理了多次。所以，脉动架构实际上是多次重用了输入数据。因此，它可以在消耗较小的内存带宽的情况下实现较高的运算吞吐率。
2.3
环形 Reduce
对于含有庞大参数的神经网络，我们在反向传播计算梯度时用于随机梯度下降算法 (Stochastic Gradient Descent, SGD) 时，一定要用分布式算法，假设有 P 个处理器：
在 P-1 个处理器上分配不同批 (batch) 的数据，分别计算的梯度。
将所有梯度同步到剩下一个处理器，求平均后再发到其他 P-1 个处理器上。
以上描述的就是分布式训练的参数服务器 (Parameter Server, PS) 方法。在这种方法之下，每个进程都有一到两个角色：工作线程 (worker) 或参数服务器。工作线程处理训练数据，计算梯度，并把它们传递到参数服务器上进行平均。
但 PS 方法有两个问题：
每一轮训练迭代都需要 P-1 个处理器都将数据同步完再求平均才算结束，这样计算快的会等计算慢的，造成资源浪费。
只有一个处理器来和所有 P-1 个处理器通信数据，当 P 很大时，通信开销也很大。
为了解决这样的问题，百度提出了一种 Ring AllReduce 的算法。PS (左图) 和 Ring AllReduce (右图) 的通信方式对比如下：
Ring AllReduce 的特点就是每个处理器就有一个左邻右舍，即左邻居和右邻居。每个处理器都可以从左邻居接受数据，向右邻居传送数据，形成一个环路 (ring)，示例如下。
看不太懂？我来举个具体例子，假设有 3 个处理器，6 个数据点 (梯度值)，每个处理器将其分成 3 块 (blocks)。Ring AllReduce 起始状态如下。
Ring AllReduce 分两个阶段：
Scatter Reduce：每一个处理器下一个处理器发送数据，下一个处理器接收并累加到自己的数据上。
All Gather：当每个处理器某一块的数据已经结束累加操作，就继续把下一个处理器的某一块的数据替代。
听起来很晦涩，看下面 4 幅图就懂了，2 幅关于 Scatter Reduce，2 幅关于 All Gather。
因为只有三个处理器，累加两次就够了，这是线程 1, 2, 3 的第 2, 3, 1 块已经存好了累加结果 (灰色框)，剩余的操作就是将它们以环形的方式把「为累加好的结果」替代，即 All Gather 过程。
最终结果就是所有线程的所有块里都计算好了累加结果。
让我们分析一下总通信量，6 个数据 N = 6，3 个处理器 P = 3，每次传送N/P = 2 个数据，那么在 Scatter Reduce 阶段通信量为 (P-1) × (N/P)，在 All Gather 阶段通信量也为 (P-1) × (N/P)，总通信量为
2(P-1) × (N/P) = 8
如果按 PS 方法，总通信量为
2(P-1) × N = 24
即使在这么小的数据量的情况下，Ring AllReduce 和 PS 的优劣已经很明显了。再仔细分析 Ring AllReduce 的总通信量公式
2(P-1) × (N/P) = 2N×(P-1)/P
它是和 P (处理器的个数) 无关的。
如何用 TPU 跑 Keras 模型？
本节我们就简单展示如何在 Colab 里带 TPU 光环的 Keras 模型，这也是为〖Python 系列〗Keras 一章埋下伏笔。
首先在 Colab 里面 Edit 项下选 Notebook settings，在 Hardware accelerator 下选 TPU，点击 SAVE。如下图所示。
以下程序在 Tensorflow version 1.13.1 下运行。
用一个 3 层卷积层加 2 层全连接层的模型来识别手写数字，大家不用纠结用 Keras 怎么创建这个模型。但第一感觉是不是觉得 Keras 很漂亮，创建模型像拼乐高积木一样没有那么难。
你说对了，Keras 就是这么简单。
下面这一段代码最重要了。
try block 里面分别检测出 TPU，并创建 TPU 分布式策略，然后用 keras_to_tpu_model 来将 model 装成 tpu_model。
之后就可以愉快的训练模型了。速度很快，验证误差 99.38%。
CPU 和 GPU 都是适用于通用问题，GPU 可以并行。
但在各种神经网络架构中，矩阵乘法，更严谨来讲是张量乘法是计算量最大的部分，而 TPU 就为此而设计。专业人士解决专业问题，说的就是这个意思。
明确 TPU 就是为了处理张量乘法后，工程师便可
设计 bfloat16 数据格式可以在不影响精度的情况减少内存
用脉动数组的方式来计算矩阵乘法从而提高吞吐量
用 Ring AllReduce 算法来平均梯度值从而减少通信量
各方面都做精才能达到最好效果。另外 Google 真是一家伟大的公司，在 Colab 里面可以免费使用 TPU 玩模型。大家也可以去试试吧。
Stay Tuned！
机器学习、金融工程、量化投资的干货营；快乐硬核的终生学习者。
