Lec 23 加速器（一）（Accelerators I）

MIT 6.5900 Fall 2024 · Joel Emer "Compute has been the oxygen of deep learning." — Ilya Sutskever 主题：算力需求、技术趋势（Moore's / Dennard）、Einsum 表示、卷积与张量计算、数据流（dataflow）与 Roofline 模型

TL;DR

• 后摩尔时代的专用化转向：Dennard 缩放终结与功耗墙迫使计算范式从通用乱序超标量转向领域专用加速器（DSA），通过裁剪非必要硬件抽象换取数倍能效比提升。
• 张量形式化与关注点分离：Einsum 为多维张量代数与卷积提供了脱离底层硬件绑定的统一数学表达，确立了算法规约、循环变换与硬件映射三层解耦的分析基准。
• 数据流与访存能耗优化：访存功耗远超算术计算，空间架构通过权重固定（WS）、输出固定（OS）与行固定（RS）等数据流在本地寄存器复用数据，Roofline 模型定量刻画了带宽受限与计算受限的运行边界。

---

一、动机：深度学习的算力需求

• 深度学习的算力需求指数增长：从 AlexNet 到 AlphaGo Zero，算力增长约 300,000×；
• 业界呼声（Baidu SVAIL）：训练受算力限制，若处理器更快可训更大模型，希望提升 100× 或更多。

---

二、技术趋势

Moore's Law 的多种表述

"每两年（或 18 个月）翻倍/缩半"可指：CPU 性能、芯片性能、晶体管速度、晶体管尺寸、栅宽（按 $\sqrt 2$ 缩小）、每片晶体管数、芯片上器件数的经济最优点……

能耗与功耗

$E_{\text{energy}} = \alpha \cdot C \cdot V^2$

$P_{\text{power}} = \alpha \cdot C \cdot V^2 \cdot f$

其中 $\alpha$ 为开关活动因子（$0 \sim 1$），$C$ 为电容，$V$ 为电压，$f$ 为频率。

Dennard 缩放（理想化）

每代器件尺寸按 $0.7$ 缩小时（[Dennard et al., JSSC 1974]）：

量	Gen X	Gen X+1
栅宽	1.0	0.7
器件面积/电容	1.0	0.7
电压	1.0	0.7
能量	$\sim 1.0$	$\sim 2 \times 0.7 \times 0.7^2 = 0.65$
延迟	1.0	0.7
频率	1.0	$1/0.7 = 1.4$
功耗	$\sim 1.0$	$\sim 2 \times 0.7 \times 0.7^2 \times 1.4 = 1.0$

理想 Dennard 缩放下，功耗密度保持不变，频率随尺寸缩小而提升。

Moore + Dennard 时代之后

• 指令级并行（ILP）在 2000 年代初基本被挖尽；
• 电压（Dennard）缩放在 2005 年终结；
• 2005 年撞上功耗墙；
• 约 2007 年起，性能主要靠用更多晶体管做并行——但这也有极限。

体系结构指标

• 速度（Speed）：硬件完成任务的速率，受计算单元数与利用率限制；
• 能量（Energy）：完成任务消耗的总能量（焦耳），常受电池容量/碳足迹约束；
• 功率（Power）：能量消耗速率（瓦），常受供电/封装约束；
• 精度（Accuracy）：结果精度，由计算单元位宽决定；
• 灵活性（Flexibility）：可解决问题的范围，受架构限制约束。

---

三、深度学习平台谱系

平台	代表
CPU	Intel、ARM、AMD
GPU	NVIDIA、AMD
细粒度可重构（FPGA）	Xilinx、Altera（Microsoft BrainWave）
粗粒度可编程/可重构	Wave Computing、Graphcore、SambaNova
专用（ASIC）	Neuflow、DianNao、Eyeriss、TPU、Cnvlutin、SCNN

张量加速器层出不穷：Eyeriss、SCNN、ExTensor、Eyeriss V2、Gamma、RAELLA 等。

---

四、关注点分离（Separation of Concerns）与 Einsum

[TeAAL, Nayak et al., MICRO 2023] 提出把"算法/计算 — 映射 — 硬件"分离。Einsum 是这套分层金字塔的顶端表示。

Einsum 能带来什么

• 同时更精确且更简洁的表示；
• 把张量代数扩展到远超矩阵乘法的范围（AI、图、FFT、密码、点云……）；
• 是 GEMM 与完全可编程之间的中间点；
• 允许对计算与数据移动做界限分析（Speed-of-Light）；
• 可通过代数变换做优化。

张量术语（Tensor Terminology）

• 秩（Rank，即维度）：每个 rank 的元素由其坐标（coordinate）标识，如 rank H 有坐标 0、1、2；
• 点（Point）：每个张量元素由各 rank 坐标组成的元组标识，如 $(1,2) \to f$；
• 形状（Shape）：如 $H$ 的形状为 3，记 $[0,3)$。

秩的层级：Rank-0 标量、Rank-1 向量、Rank-2 矩阵、Rank-3 立方体……

---

五、矩阵乘法的 Einsum 表示

计算定义：

A = Tensor(shape=[M, K])
B = Tensor(shape=[N, K])
Z = Tensor(shape=[M, N])
for n in [0..N):
    for m in [0..M):
        for k in [0..K):
            Z[m][n] += A[m][k] * B[n][k]

Einsum 写法：

$Z_{m,n} = A_{m,k} \times B_{n,k}$

Einsum 操作定义（ODE）：

• 遍历所有合法索引值空间中的点（迭代空间，iteration space）；
• 在每个点上：对每个操作数按指定索引取右端值；把值赋给左端指定索引的操作数；若该操作数已非零，则把值归约（reduce）进去。

来源致谢：[Einstein 相对论, 1916]、[Numpy/Einsum, ~2015]、[TACO, ASE 2017]、[Timeloop, ISPASS 2019]、[SAM, ASPLOS 2023]。

Einsum 记法补充

• 上标表示张量某 rank 的名字：$Z_{m,n}^{M,N}$；
• 上标中的等号表示该 rank 的形状：$Z_{m,n}^{M=3, N=3}$；默认形状与 rank 名同名。

M 个点积的特例：$Z_m^{M} = A_{m,k}^{M,K} \times B_{m,k}^{M,K}$。

---

六、卷积（Convolution, CONV）

CONV 各维度术语

• $N$：输入/输出特征图数（batch size）；$C$：输入特征图与滤波器的通道数；
• $H, W$：输入特征图的高、宽；$R, S$：滤波器的高、宽；
• $M$：输出特征图通道数；$P, Q$：输出特征图的高、宽；$U$：卷积步长。

朴素 7 层 for 循环实现

for n in [0..N):
 for m in [0..M):
  for q in [0..Q):
   for p in [0..P):
    O[n][m][p][q] = B[m];
    for r in [0..R):
     for s in [0..S):
      for c in [0..C):
       O[n][m][p][q] += I[n][c][U*p+r][U*q+s] * F[m][c][r][s];
    O[n][m][p][q] = Activation(O[n][m][p][q]);

CONV 的 Einsum

$O_{p,q,m} = I_{c,, p+r,, q+s} \times F_{m,c,r,s}$

CONV 变体（用约束特化 Einsum）

变体	条件
Depthwise	$M == C$ 且 $c \neq m$ 时 $F_{c,m,r,s} = 0$
Pointwise	$R == S == 1$
Matrix multiply	$R == S == H == 1$
Compress（pointwise）	$M < C$ 且 $R == S == 1$
Expand（pointwise）	$M > C$ 且 $R == S == 1$

Compress…Expand 的序列称为"瓶颈"（bottleneck）。

Toeplitz（IM2COL）级联

把卷积通过 im2col 重排成矩阵乘法：

$O_{p,q,m} = I_{c,,p+r,,q+s} \times F_{m,c,r,s} ;\Rightarrow; T_{c,p,q,r,s} = I_{c,,p+r,,q+s},\quad O_{p,q,m} = T_{c,p,q,r,s} \times F_{m,c,r,s}$

---

七、Transformer 与多头注意力

把 Transformer 看作多个 kernel 的组合。多头注意力（不含初始嵌入步）的 Einsum 级联（[Attention, Vaswani et al. 2017]）：

$\begin{aligned} K_{b,h,m,e} &= I_{b,m,d} \times WK_{d,h,e} \ Q_{b,h,m,e} &= I_{b,m,d} \times WQ_{d,h,e} \ QK_{b,h,m,p} &= Q_{b,h,p,e} \times K_{b,h,m,e} \ SN_{b,h,m,p} &= \exp(QK_{b,h,m,p}) \ SD_{b,h,p} &= \textstyle\sum_m SN_{b,h,m,p} \ A_{b,h,m,p} &= SN_{b,h,m,p} / SD_{b,h,p} \ V_{b,h,m,f} &= I_{b,m,d} \times WV_{d,h,f} \ AV_{b,h,p,f} &= A_{b,h,m,p} \times V_{b,h,m,f} \ C_{b,p,,h\times F + f} &= AV_{b,h,p,f} \ Z_{b,p,d} &= C_{b,p,f} \times WZ_{g,d} \end{aligned}$

Einsum 表示的精炼度：如《Attention Is All You Need》15 页论文对应 14 个 Einsum；FlashAttention 34 页对应 24 个（3 个改动）；说明 Einsum 既精确又简洁。 稀疏注意力的诸多思路：SpAtten、Sanger、EdgeBERT、DOTA 等。

---

八、数据移动的高昂代价

取操作数比对其计算更昂贵（图源 Bill Daly）。如今的关键是如何最有效地使用晶体管——尽量减少数据移动。

DNN 的空间架构（Spatial Architecture）

本地存储层级：

• 全局缓冲（Global Buffer，100–500 kB）；
• PE 间直连网络（direct inter-PE network）；
• PE 本地存储（寄存器文件 RF，0.5–1.0 kB）。

由处理单元（PE）阵列 + 全局缓冲 + DRAM 组成。

DNN 中的数据复用类型

复用类型	适用层	复用对象
卷积复用（Convolutional Reuse）	仅 CONV（滑动窗口）	滤波器权重 + 激活
特征图复用（Fmap Reuse）	CONV 与 FC	激活（多个滤波器复用同一输入）
滤波器复用（Filter Reuse）	CONV 与 FC（batch>1）	滤波器权重（多张输入图复用同一滤波器）

---

九、数据流（Dataflow）

1-D 卷积与输出固定（Output Stationary）

int i[W];   // 输入激活
int f[S];   // 滤波器权重
int o[Q];   // 输出激活
for q in [0, Q):
    for s in [0, S):
        w = q + s;
        o[q] += i[w] * f[s];

**输出固定（OS）**思想：

• 最小化部分和（partial sum）的读写能耗 → 最大化本地累加；
• 在 PE 阵列上广播/多播滤波器权重，并在空间上复用激活。

OS 实例：ShiDianNao（输入流过阵列、权重广播、部分和在 PE 内累加后流出，[Du et al., ISCA 2015]）；KU Leuven（[Moons et al., VLSI 2016 / ISSCC 2017]）。

多种数据流

数据流	代表
输出固定（OS）	ShiDianNao, Moons, Thinker
权重固定（WS）	NeuFlow, ISAAC, PRIME, TPU (ISCA 2017)
输入固定（IS）	SCNN (ISCA 2017)
行固定（RS）	Eyeriss (ISCA 2016), Tetris, Eyeriss2

多种映射选项（Mapping Options）

每个存储层级上是以下维度的叉积：数据流、时间上的分块（tiling in time）、空间上的分块（tiling in space）、旁路（bypassing）、拆分/共享存储。不同映射会导致流量（traffic）显著不同。

---

十、Roofline 模型

横轴为计算强度（Compute Intensity，MACs/read），纵轴为 MACs/cycle：

• 左侧斜线区：MACs/cycle 受操作数供给限制（带宽受限）；
• 右侧水平区：MACs/cycle 受 lane 数目限制（计算受限）。

示例：8 条 MAC lane、1 read/MAC，则平顶为 8 MACs/cycle。 [Williams, Waterman, Patterson, "Roofline", CACM 2009]

---

领域专用加速器与数据流架构总结

• 算力需求指数增长，而 Dennard 缩放终结、撞上功耗墙，迫使转向并行 + 专门化的加速器；
• Einsum 提供精确简洁的张量算法表示，是"关注点分离"金字塔的顶端，并支持界限分析与代数优化；
• 加速器设计核心是减少数据移动：通过空间架构、数据复用、数据流（OS/WS/IS/RS）与映射选择来优化；
• Roofline 模型刻画性能受计算还是受带宽限制。

下一讲：Accelerators (II)