看点：冲向算力新纪元！解读NVIDIA安培架构五大技术创新。芯东西5月28日报道，两周前，英伟达（NVIDIA）厨房里的发布会吸引了全球AI领域的目光。联合创始人兼CEO黄仁勋对着一张砧板，密集释放一系列硬核新品。最强GPU、最强AI系统、比肩世界最强超算的AI集群、从嵌入式到边缘服务器的边缘AI产品……不愧是“财大气粗”又“技多不压身”的AI芯片霸主，这么多重磅产品一次性全部抛出，换作是其他公司，估计够开十场发布会了。而这些性能彪悍的AI黑科技背后，核心功臣正是NVIDIA第八代GPU架构——安培（Ampere）。昨日，我们远程连线NVIDIAGPU工程高级副总裁JonahAlben、NVIDIA加速计算产品管理总监PareshKharya，进一步加深对NVIDIA全新安培GPU架构完整面貌的理解。在此，我们将基于83页的《NVIDIAATensorCoreGPUArchitecture》白皮书及采访信息，提炼安培GPU架构在计算和内存层次结构的关键创新与改进，深度解析这一全新架构怎样实现NVIDIA迄今为止最大的性能飞跃。▲A在计算和内存结构上的创新与提升三年一剑！“安培”出鞘从NVIDIA计算架构的进化历程来看，NVIDIA计算卡的迭代时间并没有很固定。▲NVIDIA计算卡进化历程M40GPU与K40间隔两年，P与M40间隔半年，V与P间隔一年，A又与V间隔三年。“憋”了三年的大招一出场，果然不同凡响，新AGPU、AI系统、AI超算均成绩斐然。A同时可提供训练、推理和数据分析，把AI训练和推理的算力提升到上一代V的20倍，把HPC性能提升到V的2.5倍。▲NVIDIAAGPUA由基于安培架构的GAGPU提供支持，具有高度可扩展的特性，支持在单GPU和多GPU工作站、服务器、集群、云数据中心、边缘系统和超级计算机中为GPU计算和深度学习应用提供超强加速能力。以多GPU配置的集成底板形式出现的服务器构建块HGXA最高可以组成拥有10PFLOPS算力的超大型8-GPU服务器。集成了8个A的AI系统DGXA单节点算力达5PFLOPS，售价19.9万美元。个DGXA系统组成的DGXSuperPOD集群，AI算力达PFLOPS，跻身世界上最快的20台AI超级计算机之列。NVIDIA自家的超算SATURNV在添加4个DGXSuperPOD后，总算力从1.8ExaFLOPS增至4.6ExaFLOPS，增涨%有余。这些奔着突破算力极限而去的性能参数，离不开以NVIDIA新一代安培架构为核心的五大关键技术的支持。（1）安培架构：全球最大7nm芯片，拥有亿个晶体管，采用40GB三星HBM2，内存带宽可达到1.6Tbps。高带宽的HBM2内存和更大、更快的缓存为增加的CUDACore和TensorCore提供数据。（2）第三代TensorCore：处理速度更快、更灵活，TF32精度可将AI性能提升20倍。（3）结构化稀疏：进一步将AI推理性能提升2倍。（4）多实例GPU：每个GPU可分成7个并发实例，优化GPU利用率。（5）第三代NVLink和NVSwitch：高效可扩展，带宽较上一代提升2倍有余。黄仁勋介绍说，这是第一次能在一个平台上实现加速工作负载的横向扩展（scaleout）和纵向扩展（scaleup）。NVIDIAAGPU架构不仅可以加速大型复杂的工作负载，还可以有效地加速许多较小的工作负载，既能支持构建数据中心，同时可提供细粒度工作负载供应、更高的GPU利用率和改进的TCO。GA架构：内存容量更大、带宽更快要在GPU上获得极致性能，对于CUDA人员来说可能更感兴趣的是GPU中的SM和内存子系统。我们可以从新一代GA架构图中看到硬件结构的变化。▲GA完整架构图中上方是PCIe4.0，带宽较PCIe3.0增加1倍，使得GPU与CPU的通信速度更快。下方是12个高速连接NVLink。中间是SM和L2Cache。可以看到，与V不同，A中L2Cache被分为两块，能提供的带宽也是V的两倍。中间其他部分为计算和调度单元，包含8个GPC，每个GPC内部有8个TPC，每个TPC含两个SM。因此一个完整的GA架构GPU有8x8x2=个SM。每个SM中含有4个第三代TensorCore，即完整GA架构GPU有个TensorCore。AGPU并不是完整版GA架构芯片，包含了个SM、个TensorCore。后期随着良品率的提升，我们或将看到更加完整的GA架构GPU。与Volta、Turing架构相比，安培架构中每SM的计算能力增加了2倍。▲GAStreamingMultiprocessor（SM）为了确保计算引擎得到充分利用，则需要更好的存储能力。GA架构图左右两侧有6个HBM2内存模块，每个HBM2内存模块对应两个-bit内存控制器。AGPU中有5个高速HBM2内存模块、10个内存控制器，容量达40GB，显存带宽达到1.TB/s，较上一代高出近70%。A的片上存储空间也变得更大，包括40MB的L2cache，较上一代大7倍。AL2cache可提供的读取带宽是V的2.3倍，因而能以比从HBM2内存读写高得多的速度缓存和重复访问更大的数据集和模型。L2cacheresidencycontrol被用于优化容量利用率，可以管理数据以保存或从缓存中删除数据。为了提高效率和增强可扩展性，A增加了计算数据压缩，可节省高达4倍的DRAM读/写带宽、4倍的L2读带宽和2倍的L2容量。此外，NVIDIA通过将L1cache和sharedmemory单元结合到一个内存块的方式来提高内存访问的性能，同时简化了编程和调优步骤，并降低软件的复杂性。每个SM中的L1cache和sharedmemory单元总容量达KB，是此前V的1.5倍。CUDA11中还包含一个新的异步复制指令，可选择绕过L1cache和寄存器文件（RF），直接将数据从globalmemory异步复制加载到sharedmemory中，从而显著提高内存复制性能，有效利用内存带宽并降低功耗。AI算力提升20倍是怎么实现的？AI和HPC算力提升，主要归功于安培架构中采用的第三代TensorCore。NVIDIA第三代TensorCore除了支持FP32和FP16外，通过引入新的精度TF32和FP64以加速AI及HPC应用，并支持混合精度BF16/FP16以及INT8、INT4、Binary。借由第三代TensorCore的三类新特性，AGPU的单精度AI训练和AI推理峰值算力均为上一代的20倍，HPC峰值算力为上一代的2.5倍。▲AvsV峰值性能1、TF32和混合精度BF16/FP16TensorFloat-32（TF32）是NVIDIAA中用于处理矩阵数学（即张量运算）的新数值格式，矩阵数学在AI及部分HPC运算中很常用。随着AI网络和数据集持续扩张，算力需求与日俱增，研究人员尝试用较低精度的数学计算来提升性能，但此前这样做需要调整一些代码，而新精度TF32既做到性能提升，同时又无需更改任务代码。新精度TF32与FP32一样都拥有8个指数位，能支持相同的数字范围；尾数位和FP16一样是10个，精度水平高于AI工作负载要求。FP32是当前深度学习训练和推理中最常用的格式，而TF32的工作方式与FP32相似，TF32TensorCore根据FP32数据的输入转换成TF32格式后进行运算，最后输出FP32格式的结果。借助于NVIDIA库，使用TF32TensorCore将A单精度训练峰值算力提升至TFLOPS，即VFP32的10倍。为了获得更好的性能，A还可使用FP16/BF16自动混合精度（AMP）训练，只需修改几行代码，就能将TF32性能再提高2倍，达到TFLOPS。NVIDIA正与开发AI框架的开源社区合作，致力于使TF32成为AGPU上的默认训练模式。今年6月份，开发人员将可以在NGC的NVIDIAGPU加速软件列表中获取支持TF32的PyTorch版本和TensorFlow版本。2、结构化稀疏要实现ATF32运行速度提升20倍，还需用到第三代TensorCore的另一个关键特性——结构化稀疏。稀疏方法对于算法工程师来说不算陌生，通过从神经网络中提取尽可能多不需要的参数，来压缩神经网络计算量。其难点在于如何兼顾更快的速度和足够的准确率。而安培架构中利用稀疏TensorCore，即做到了提供高达2倍的峰值吞吐量，同时不会牺牲深度学习核心矩阵乘法累加作业的准确率。这是少有的通过硬件对密集计算进行稀疏优化的方法。该方法首先使用密集的权重训练网络，然后引入2:4细粒度结构稀疏模式进行剪枝，最后重新训练，然后重复训练步骤，采用和之前训练相同的超参数、初始化权重和零模式。具体压缩方式是限定只做50%稀疏，要求每相邻4个元素中最多有两个非零值，有index数据结构指示哪两个数据不被置零。权重经压缩后，可有效将数学运算速度提高2倍。为什么理想性能上限可以提升2倍呢？如下图所示，矩阵A是一个16x16稀疏矩阵，稀疏性为50%，遵循2:4稀疏结构，而矩阵B是一个只有A一半大小的16x8密集矩阵。标准的矩阵乘积累加（MMA）操作不会跳过零值，而是计算整个16x8x16矩阵乘N个周期的结果。而使用稀疏MMA指令，矩阵A中每一行只有非零值的元素与矩阵B相应元素匹配，这将计算转换成一个更小的密集矩阵乘法，实现2倍的加速。在跨视觉、目标检测、分割、自然语言建模和翻译等数十种神经网络的评估中，该方法的推理准确率几乎没有损失。经结构化稀疏的ATF32TensorCore深度学习训练算力最高达到TFLOPS，是VINT8峰值训练速度15.7TFLOPS的20倍。经结构化稀疏的AINT8TensorCore执行深度学习推理速度最高达到TOPS，是VINT8峰值推理速度62TOPS的20倍。3、双精度FP64DMMATF32主要用于加速AI运算，而HPC吞吐量的提升主要源自引入对经过IEEE认证的FP64精度的支持。A上的双精度矩阵乘法加法指令取代了V上的8条DFMA指令，减少了指令取用、调度开销、寄存器读取、数据路径功率和sharedmemory读取带宽。支持IEEEFP64精度后，ATensorCore峰值算力可达19.5TFLOPS，是VFP64DFMA的2.5倍。多实例GPU：将A一分为七A是第一个内置弹性计算技术的多实例GPU（MIG，Multi-InstanceGPU）。MIG可以把GPU做物理切割，由于A上有7个GPU，加之考虑到资源调度情况，A最多可分割成7个独立的GPU实例。如果将A分成7个GPU实例，1个GPU实例的算力约等同于一颗V，也就是说A能提供相当于V的7倍的计算资源。MIG的核心价值是可以为不同类型的工作负载灵活提供规模适配的GPU资源。如果不使用MIG，同一GPU上运行的不同任务可能会争用相同的资源，挤占其他任务的资源，导致多项任务无法并行完成。而使用MIG后，不同任务可以在不同的GPU实例上并行运行，每个实例都拥有各自专用的SM、内存、L2缓存和带宽，从而实现可预测的性能，并尽可能提升GPU利用率。这为工作负载提供稳定可靠的服务质量和有效的故障隔离，假设某一实例上运行的应用出现故障，不会影响到其他实例上运行的任务。管理人员还可动态地重新配置MIG实例，比如白天用7个MIG实例做低吞吐量推理，夜间将其重新配置成一个大型MIG实例做AI训练。这对拥有多租户用例的云服务提供商尤其有益，资源调度更加灵活，运行任务不会彼此影响，进一步增强安全性。此外，CUDA编程模式没有变化，容器中的AI模型和HPC应用可通过NVIDIAContainerRuntime直接在MIG实例上运行。第三代互联技术：让GPU互联再提速MIG是scale-out的主要驱动力，而实现scale-up则需要更好的通信技术，即GPU与GPU之间的“高速公路”——NVLink和NVSwitch。标准PCIe连接因带宽有限，在多GPU系统中通常会造成瓶颈，高速、直接的GPU到GPU互联技术NVLink应运而生。NVLink可将多个NVIDIAGPU连成一个巨型GPU来运行，从而在服务器上提供高效的性能扩展，A使用NVLink的GPU到GPU带宽比PCIe快得多。A中有12个第三代NVLink连接，每个差分信号线的速率可达到50Gb/s，几乎是V的2倍。每个NVLink链路在每个方向上有4对差分信号线，因此单向通信能力是50x4÷8=25GB/s，双向即50GB/s。12个第三代NVLink的总带宽则可达到GB/s，即V的两倍。相比之下，上一代V中有6个NVLink，每个NVLink每个方向上有8对差分信号线，总带宽为GB/s。每个GPU上的NVLink可高速连接到其他GPU和交换机，为了扩展到更大的系统，则需要NVIDIANVSwitch将多个NVLink加以整合。NVIDIANVSwitch是以NVLink先进的通信能力为基础的节点交换架构，可在单个服务器节点中支持8到16个全互联GPU，使得AI性能足以更高效地扩展到多个GPU。第三代NVSwitch是一颗7nm芯片，包含60亿晶体管，有36个端口，是V端口数目的2倍；总聚合带宽达9.6TB/s，是V总聚合带宽的2倍。NVLink和NVSwitch技术可提供更高带宽、更多链路，并提升多GPU系统配置的可扩展性，在搭载NVIDIAGPU的一系列板卡、服务器、超算产品中功绩斐然。新NVIDIADGX、HGX和EGX系统中的多个AGPU间均由第三代NVIDIANVLink和NVSwitch实现高速通信。以DGXA为例，该设备中采用AMDRomeCPU、8颗AGPU、6颗NVSwitch芯片，9个MellanoxConnectX-Gb/s网络接口。通过NVIDIANVLink、NVSwitch及Mellanox最新InfiniBand和以太网解决方案连接，基于A的系统可以扩展到数十、数百或数千个A，用于计算集群、云实例或超大型超级计算机，从而满足多种类型的应用程序和工作负载的加速需求。结语：走向计算的下一纪元从上一代被誉为“地表最强AI芯片”的V，到新发布的安培架构GPU，我们可以看到NVIDIAAI硬件思维逐渐向专用化方向倾斜。尤其是GA架构中的计算单元结构优化，包括支持新精度和结构化稀疏，本质上是在围绕AI和HPC的特性在做文章。正如NVIDIA近年来所强调的，它已从一家纯粹的显卡公司进化为一系列AI与HPC计算解决方案的提供商。无论是计算与内存结构的升级，还是互联技术的迭代进化，都与NVIDIA积累的强大研究和工程能力密不可分。这些技术进步所带来的更强算力，将催化AI、5G、数据科学、机器人、基因组学、金融分析等诸多领域的创新研究与应用进程。当许多公司还以超越NVIDIAV算力为目标时，NVIDIA已经冲向计算的下一个纪元。附NVIDIA历代数据中心GPU规格比较：
（本账号系网易新闻·网易号“各有态度”签约帐号）
公开课预告
预览时标签不可点收录于话题#个上一篇下一篇