OpenCL Caffe：一个可跨平台的快速机器学习框架

这篇2016年的论文阐述了深度学习框架Caffe的一个新分支。更具体的说，这是一个用支持开放工业标
准的OpenCL后端取代了基于CUDA（闭源）后端的分支。代码最初存放在
https://github.com/amd/OpenCL-caffe，成熟后合并到Caffe的官方地址下https://github.com/amd/OpenCL-
caffe。

在开发一个DNN（深度神经网络）模型的时候，我们总是希望很容易的就可以把这个模型部署到不同程
序里，然后运行在不同平台下，平台诸如服务器，NVIDIA GPU，AMD GPU， ARM GPU，甚至是智能
手机或平板电脑。 然而现实却是大部分的深度学习框架，包括Caffe，都集成了CUDA的类库， 而且只
能运行在NVIDIA的GPU上，这样就大大限制了平台之间的可移植性。

由于拥有各大商业芯片厂商（Altera，AMD，Apple，ARM Holdings，Creative Technology，IBM，
Imagination Technologies，Intel，Nvidia，Qualcomm，Samsung，Vivante，Xilinx，ZiiLABS）的支持
，OpenCL有助于异构计算实现跨平台移植。为了更好的兼容多平台，OpenCL采用了在运行过程中识别
具体设备以及编译的动态机制。

OpenCL最初由Apple开发，然后交由Khronos Group接管。它可以运行在Android，FreeBSD，Linux，
MacOS，Windows等不同操作系统上。

OpenCL后端的移植及优化

Caffe框架一开始由C++和CUDA编写而成，其CUDA层负责硬件资源分配以及使用的优化，例如 CPU-GPU
的任务调度，内存管理以及数据传输等。但是由于OpenCL在硬件抽象，缓存管理，同步以及数据传输上使
用了不同于CUDA的实现，所以它的后端移植并不是一个很简单的过程。

这篇论文将OpenCL的移植过程分成两个阶段。阶段一实现了一个包括三层的的逐层移植，这三层分别是C++
机器学习接口，OpenCL封装器，以及GPU核心。逐层移植是指我们一层层的进行移植，然后每移植一层就
用其它原来的CUDA层进行验证，这样很好的保证了DNN算法的正确性和收敛性。

当完成阶段一的三层移植后，阶段二集中于性能优化。通过结合AMD的分析工具CodeXL以及OpenCL的
event和printf，我们对阶段一移植的OpenCL进行了剖析，发现了一些比较大的瓶颈。首先是在构建GPU
核心时，OpenCL 的在线编译频繁调用了clBuildProgram：以一个迭代100次的Cifar训练为例，期间竟然产
生了63次clBuildProgram调用，并占据了68%的整体时间。另外一个瓶颈就是卷积层，它占据了绝大部分的
计算时间。由于在不同层间产生了大量长窄形的不规则矩阵，BLAS（基础线性代数程序集）测试性能遭
受了很大的损失。

为避免这些情形，这篇论文提出了三种主要的优化技术。首先，利用缓存GPU核心来防止OpenCL在线编译
的过载，其次重新排布批量数据来提高数据并行化，最后就是采用多命令队列来加速任务并行化。这些优化
技术非常有效的将DNN问题集的大小同当前的OpenCL数学库映射到一起，改善了硬件资源利用率，性能提
速高达4.5倍。

测评

测评采用了AlexNet DNN模型和ImageNet数据库，分别对OpenCL后端和CUDA后端的Caffe进行了性能对比
，类库分别采用了没有优化的clBLAS和cuBLAS，以及各自优化后的clBLAS（批量并行优化）和cuDNN v2，
CUDA后端运行在NVIDIA的TitanX显卡，OpenCL后端则在AMD的R9 Fury显卡，输入为大小100的小型批数
据。

通过图三所示，经过优化的clBLAS在性能上已经可以同cuBLAS相媲美。当然，跟同样经过优化的cuDNN v2
相比，OpenCL Caffe仍然落后了一倍。但是考虑到AMD R9 Fury约560美元同NVIDIA TitanX约1000美元的
市场售价，作者认为OpenCL Coffe仍然具有非常好的性价比。

跨平台能力分析

一个显而易见的问题是，论文一直在强调OpenCL后端的可移植优势，那么文中在AMD GPU上测试的
OpenCL代码能不能直接在ARM的MALI GPU上运行呢？这是一个很好的验证实验，但是作者并没有在文中
提及。
另外，作者还提醒了一些兼容性上的小问题，“有一些生产厂商采用了不同的扩展名和关键字。例如Caffe在
GPU核心中使用了很多模板来支持不同的浮点精度，可是不同厂商的这些模板关键字并不一样，这样我们就
必须要修改代码才能让它在不同平台上运行。”

OpenCL对深度学习框架的支持还不是很完善，但正如论文所讲，它会在未来中变得更好。

 

原文：http://muratbuffalo.blogspot.com/2017/09/paper-summary-opencl-caffe-accelerating.html