FPGA芯片用于神经网络算法优化的设计实现方案

前言

AI芯片（这里只谈FPGA芯片用于神经网络加速）的优化主要有三个方面：算法优化，编译器优化以及硬件优化。算法优化减少的是神经网络的算力，它确定了神经网络部署实现效率的上限。编译器优化和硬件优化在确定了算力的基础上，尽量最大化硬件的计算和带宽性能。经历了一年多的理论学习，开始第一次神经网络算法优化的尝试。之所以从一个FPGA开发者转向算法的学习，有几个原因：

第一是神经网络在AI芯片上的部署离不开算法的优化。一个浮点数的计算（加法或者乘法）和定点数的计算消耗的资源差距很大，对于FPGA这样逻辑资源有限的芯片而言，定点计算更加友好，而且能够提升几倍于浮点计算的性能。

第二是神经网络量化压缩需要密切的结合FPGA硬件的特点，需要考虑到FPGA的存储资源，计算符号是否能够被FPGA友好的实现等。在AI加速器项目中，算法和FPGA都有各自的开发者，FPGA会对算法组提出要求，比如激活函数量化，normalization如何做等，然后算法组在这些特定要求下去进行算法优化。如果一个人对FPGA和算法都比较熟悉的话，那么就会更容易发现算法优化的点。

第三是FPGA开发方式的趋势是多样化。使用RTL语言仍然是主要的开发方法，需要一个人有一定的数字电路基础。这种开发方式最底层，所以最灵活，可以更好的去调优。但是同时，FPGA一直渴望去突破固有的开发方式，让一个不懂得硬件的软件开发人员也可以很容易的上手，同时能够缩短开发周期，比如HLS。我相信，随着HLS的发展和FPGA芯片的演进，使用这种方式的开发者会越来越多。在那些算法复杂，更新较快的项目中，HLS更有优势，而在一些对资源，时序，功耗要求更高的项目中，RTL更有优势。当硬件平台逐渐软件化后，必然会对FPGA开发者的算法能力提出更高的要求。

Transformer网络结构

Google在《Attention is all your need》的文章中，提出了使用全attention结构替代LSTM的transformer模型，在翻译任务上取得了更好的成绩。这个网络结构计算量大，计算符号相对简单，有一定的应用，所以适合用于网络加速的展示。结构整体模型如下：

1 embedding

包含了input和output的embedding层，完成词汇到网络输入向量的转化，embedding的矩阵大小取决于词汇量的多少，对于翻译来讲，通常都是巨大的，所以其不适合放在FPGA上进行加速，没有量化的必要。Input和output以及softmax前的linear层都共享相同的参数，这样做的目的，是因为共享input和output权重能够降低word level perplexity，当然也降低了参数存储量。最后的linear使用embedding的权重是为了将网络向量转化为词语出现的logits。

2 positional encoding

Transformer是没有循环网络，为了获取词汇位置关系信息，对词汇进行位置编码。其实就是给每个词汇加上位置偏移，位置偏移函数选择了sin和cos函数：

Pos是词汇位置，i是词汇向量的维度位置。

3 encoder

由多层的multi-head attention和linear组成，multi-headattention和linear之间由norm和add，add是一个residual连接。

Multi-head attention结构如下：

Q，K，V分别是query，key和value，这是attention机制中抽象出来的三个重要变量，通过计算q和k的相似度，得到每个k对应的v的权重系数，然后对value进行加权求和就得到了attention值。这个是attention机制的本质思想。Transformer中使用softmax函数来描述相似度，当然还有很多其它方法来描述。

这里添加了一个scale1/squart(dk)，这其实是一个参数的调节，防止矩阵乘法得到结果太大而导致softmax函数的梯度太小。

这里还要注意transformer网络没有对Q，K，V直接进行单一的attention计算，而是对这三个变量进行了拆分，平行计算拆分后的变量，得到的attention值最后在拼接在一起。

4 decoder

Decoder和encoder也有类似的结构，不同的是，在decoder中由三层：mask-multi-head attention，multi-head attention以及FC构成。带mask的multi-head是为了屏蔽target句子词之后的词，因为对句子的翻译应该是由前向后进行的，后边的词语不应该出现在前边词语的预测之中。

量化方法

量化实际是一个仿射变换：

其中s是scale，q是量化后的数据，z是偏移，如果采用对称变换，令z为0，那么就有：

去除中心z，可以消除矩阵计算中的交叉项。接下来就是如何获得q和s。q和s通过如下方式获得：

Clip操作是在最小值n和最大值p之间获得x/s的向下整数值，如果x/s向下整数值超过n或者p就取n和p。

S的值通过训练获得，为了保证能够很好的在FPGA上计算，s的值最好可以取得2的幂次。

由于s和x都是需要训练的参数，所以我们需要求得他们的梯度值，梯度值比较简单，对q(x, s)的x和x进行求导，有：

对x的梯度使用的是hinton提出的strait-through estimator，这样做是因为可以消除量化引入的噪声，更快的训练。

实践

transformer中有dense，matmul等操作，需要量化的数据有dense中的权重，matmul中的Q，V，K变量。第一次没有什么经验，还是一点点来。首先选择其中一个dense进行量化。从github上下载了一个transformer的实现源码https://github.com/Kyubyong/transformer，这个代码写的很简洁，容易看懂。官方的实现代码比较复杂，需要安装的库较多，曾经也尝试过，因为某些库无法安装成功，所以放弃了。在使用Kyubyong的transformer的时候，也遇到了一个问题，训练可以完成，但是在eval的时候，报了维度的错误，后来找到是在positional encoding的embedding中，经过查找，源码中存在一个bug，就是eval的数据集的maxlen是设置了10000，但是在embedding中传入的查找表维度是从hparams传入的，两者不相同。不知道作者为什么会有这个bug。经过改正可以正常完成eval了。

量化第一步是需要将量化插入到tensorflow的图结构中，即在要量化的权重数据之后。这需要重新定义op和梯度，tensorflow中提供了tf.custom_gradient装饰函数来对梯度和op进行定义，所以我定义了如下梯度：

其中STE_clip中的y计算了对x的量化值，grad函数是对x和s进行梯度计算。X和s分别是传入的(d, d)权重和scale。dy是传入的上一个节点的梯度，所以完成和STE_cllip节点梯度的乘积，这是由函数梯度计算的传递性质决定的。这里需要注意的是，s是一个标量，q(x,s)对s梯度是一个矩阵向量，需要和dy进行点积和。

在tensorflow图构建中，将这个节点插入如下：

这里还添加了tf.print用于打印量化后的数据。

语法错误修正：

1 定义的custom_gradient函数中报NoneType object is not iterable，因为函数没有返回值，默认返回none。

2 TypeError: Input 'e' of 'Select' Op has type float32 that does not match type int32 of argument 't'. 因为使用tf.greater(x, y)x和y应该有相同数据类型。

3 ValueError: Shapes must be equal rank，tf.greater中数据必须具有相同的rank，即维度。

4 ValueError: Shape must be rank 1 but is rank 2，tf.tile(x, axis)中x必须是具有维度的，不能够是0维。

5 ValueError: Shape must be rank 2 but is rank 3，tf.matmul中两个矩阵维度必须相同。

6 TypeError: Failed to convert object of type to Tensor. Contents: [None]. Consider casting elements to a supported type。使用tf.tile的时候，shape必须为tensor量。

7 TypeError: Expected int32, got None of type '_Message' instead. 这是因为输入为[N, T, d_model]，其中N开始是none的，所以当使用tf.constant([N,1,1])的时候就会出现错误，因为N是none类型。

8 Incompatible shapes between op input and calculated input gradient。输入的数据和对该输入数据的梯度维度不一致。

9 使用tf.print无法打印出数据。这是因为print是tensorflow中的一个节点，需要将这个节点加入图中，然后才能输出。而且只有计算流经这个print节点，其才会发挥作用。形象的描述应该是：

功能问题：

1 首先就是发现在训练过程中scale和量化数据都没有更新，一直保持不变，而且量化值和权重数据以及scale计算的数据不相同。目前还在查找当中。

引用文献

1 Learning Accurate Integer Transformer Machine-Translation Models，Ephrem Wu

2 Trained uniform quantization for accurate and efficient neural network inference on fixedpoint hardware，Sambhav R. Jain, Albert Gural, Michael Wu, and Chris Dick

3 Attention Is All You Need，Ashish Vaswani，Noam Shazeer，Niki Parmar

4 Quantized Neural Networks: Training Neural Networks with Low Precision Weights and Activations，Itay Hubara，Matthieu Courbariaux，Daniel Soudry