cuDNN 5对RNN模型的性能优化

原文：Optimizing Recurrent Neural Networks in cuDNN 5
作者：Jeremy Appleyard
翻译：赵屹华 审校：刘翔宇
责编：周建丁（zhoujd@csdn.net）

在GTC2016大会上，NVIDIA发布了最新版本的深度学习开发包，其中包括了cuDNN 5。第五代cuDNN引入了新的特性，提升了性能，并且支持最新一代的NVIDIA Tesla P100 GPU。cuDNN的新特性包括：

• 使用Winograd卷积算法，计算前向、后向卷积速度更快；
• 支持3D FFT Tiling；
• 支持空间转移网络；
• 更优的性能，在Pascal GPU上使用半精度函数节省了内存空间；

• 支持用于序列学习的LSTM递归神经网络，速度提升6倍。

  
  

  图1：cuDNN 5 + Torch speedup vs. Torch-rnn ，M40, Intel:emoji: Xeon:emoji: Processor E5-2698。网络模型A：RNN维度2560，输出维度2560，1层，序列长度200，批大小为64。网络模型B：RNN维度256，输入维度64，3层，批大小为64。网络模型C：RNN维度256，输入维度256，1层，批大小为32，序列长度1000。

cuDNN 5的新特性之一就是它可以支持递归神经网络（Recurrent Neural Networks）。RNN是各个领域用于序列学习的强大工具，从语音识别到图像配字。若想简单了解RNNs，LSTM和序列学习的内容，我推荐阅读Tim Dettmers最近的文章Deep Learning in a Nutshell: Sequence Learning ，更深入的理解可以阅读Soumith Chintala的文章Understanding Natural Language with Deep Neural Networks Using Torch。

我对cuDNN 5支持RNN的能力感到非常激动；我们投入了大量的精力来优化它们在NVIDIA GPU上的性能，我在本文中将会介绍这些优化的一部分细节。

cuDNN 5支持四种RNN模式：ReLU激活函数模式，tanh激活函数模式，门控递归单元（Gated Recurrent Units）和长短期记忆（LSTM）。在这类，我将以LSTM网络的性能为例，但大多数的优化可以用在任意RNN模型。

第一步：优化单次迭代

下列方程组表示了数据如何在LSTM单元正向传播。图2展示了LSTM单元的示意图。

图2：LSTM单元的示意图

从计算的角度来看，这里需要8次矩阵的乘法运算（GEMM）—— 有四次对输入i，有四次对输入h —— 以及大量逐点运算。

这个案例分析的出发点是LSTM的逐步实现。对于每次迭代的每一层计算，系统调用cuBLAS sgemm分别来完成那8次GEMM运算。人工编写的CUDA内核调用每个逐点运算。这种方法的伪代码如下所示：

for layer in layers:
  for iteration in iterations:
     perform 4 SGEMMs on input from last layer
     perform 4 SGEMMs on input from last iteration
     perform point-wise operations

我在Tesla M40 GPU上逐步、逐层地记录了运行耗时，作为对照数据。我的对照LSTM模型有512个隐藏单元，每批次的样本数为64.对照组的性能很一般，在M40上只达到了大约350 GFLOPs。这个GPU的峰值性能是6000 GFLOPs，因此还有很大的优化空间。我们开始吧。

优化1：组合GEMM操作

GPU有非常高的浮点数吞吐量峰值，但是需要大量的并行化才能达到这个峰值。你设计的任务越是并行化，能达到的性能越好。测试这段LSTM代码后发现，GEMM操作所用的CUDA thread block个数远远少于GPU的SM个数，也就是说GPU远未被充分利用。

GEMM往往在输出矩阵维度上做并行化，每个线程计算很多输出元素。在这里，8个输出矩阵的每一个都有512x64个元素，只用到4个thread block。理想情况下block的运行个数可以远大于GPU的SM个数，需要最大化这个内核的理论占用值，至少达到每个SM有4个block（或者总共96个）。（参见 CUDA Best Practices guide for more on occupancy）

如果n个独立的矩阵乘法共用同一份输入数据，那么它们可以被合并为一个大的矩阵乘法，输出结果扩大n倍。因此，第一个优化方法就是把递归阶段的四次W矩阵操作合并为一次，并且把输入数据的四次W矩阵操作也做合并。我们剩下了两个矩阵乘法，而不是原来的八个，但是每次结果扩大了四倍，并行能力扩大四倍（每个GMM有16个block）。这种优化在大部分框架中都很常见：很简单的变化确带来了显著的性能提升：代码运行速度大约翻倍。

优化2：流式GEMMS

尽管GEMMs被合并了，性能仍旧收到缺少并行的限制：尽管从4个提升到16个，但是我们的目标是至少96个。剩余的两个GEMM相互独立，因此它们可以用CUDA stream并行计算。这又将并行的block个数翻倍，达到了32个。

优化3：融合逐点运算

图3显示目前大部分的时间消耗在了逐点运算上。没必要在独立的内核中进行这些；将它们融合到同一个内核可以减少数据在全局内存中的传递，并且大大减少了内核加载的开销。

图3

至此，我非常欣慰地看到单次迭代的性能改善：大部分的计算量在于GEMM，并且尽可能地做了并行计算。这种实现方法比对照组快了5倍，但是仍有提升的余地。

for layer in layers:
  for iteration in iterations:
     perform sgemm on input from last layer in stream A
     perform sgemm on input from last iteration in stream B
     wait for stream A and stream B
     perform point-wise operations in one kernel

第二步：优化多次迭代

在RNN模型中，单次迭代的操作会被重复很多次。这也意味着很有必要让这些重复操作有效率地执行，即使需要先增加一部分开销。

优化4：预转置权重矩阵

在进行一次GEMM计算时，标准的BLAS接口允许我们对两个输入矩阵的任意一个做转置。两个矩阵是否转置的四种组合中，其中某几种组合会比其它几种算得更快或者更慢。这取决于方程组到计算过程的映射方式，可能使用了较慢版本的GEMM。通过预先对权重矩阵的转置操作，每一次迭代会略微快一些。尽管多了一步转置操作的开销，但是开销也不大，所以如果在多次迭代中用到了转置矩阵，也是值得的。

优化5：合并输入GEMMs

许多情况下，在RNN计算开始之时所有的输入就已经就绪。也就是说对这些输入的矩阵运算操作可以立即开始。这也意味着它们能够被合并为更大的GEMMs。尽管起初这似乎是件好事（合并的GEMMs有更好的并行化），递归GEMM的传递依赖于输入GEMMs的完成度。因此需要我们做出取舍：合并输入GEMMs使得操作的并行化程度更高，但也阻止了递归GEMMs的过程重叠。这里的最佳策略往往取决于RNN的超参数。在我们的例子里，合并两个输入GEMM是最合适的。

for layer in layers:
  transpose weight matrices
  for iteration in iterations / combination size:
     perform sgemm on combined input from last layer in stream A
     for sub-iteration in combination size:
        perform sgemm on input from last iteration in stream B
        wait for stream A 
     wait for stream B
     for sub-iteration in combination size;
        perform pointwise operations in one kernel

第三步：优化多个层次

最后一步是考虑层与层的优化。这里仍然有大量的并行化空间。图4显示了RNN的依赖关系图。某一层的第n次迭代仅依赖于该层的第n-1次迭代和前一层的第n次迭代，因此有可能在前一层结束之前开始下一层的计算。这相当有用；如果网络有两层，则并行能力提升一倍。

图4：依赖关系在网络中如波浪一般推进。

从一层网络到四层网络，吞吐量大约提升了1.7倍：从2.3TFLOPs到3.9TFLOPs。此时，并行化所带来的收益已经有限了。相比最初只有4个block的实现方法，这种方法可以同时运行128个block。这足以充分利用M40的资源，达到近70%的峰值浮点性能，运行速度比原来的快10倍。

下面的表格显示了我所描述的每一次优化之后的性能，以及相比于对照代码的效率提升。

Optimization	GFLOPS	Speedup
Baseline	349	(1.0x)
Combined GEMMs	724	2.1x
GEMM Streaming	994	2.8x
Fused point-wise operations	1942	5.5x
Matrix pre-transposition	2199	6.3x
Combining Inputs	2290	6.5x
Four layers	3898	11.1x

反向传播

反向传播梯度与值的正向传播非常相似。一旦梯度被传播，权重值将会被更新：不再有任何递归性的依赖。这使我们得到了一个非常大、非常高效的矩阵乘法。

总结

为了得到最好的性能，你需要经常要更多地提高并行性，而不是直截了当地实现方程。在cuDNN，我们将这些优化用在四种常见的RNN模型。因此如果你正在序列学习中用到这些RNN模型，我强烈推荐你使用cuDNN 5。

---

由CSDN重磅打造的2016中国云计算技术大会（CCTC 2016）将于5月13日-15日在北京举办，大会特设“中国Spark技术峰会”、“Container技术峰会”、“OpenStack技术峰会”、“大数据核心技术与应用实战峰会”等四大技术主题峰会，以及“云计算核心技术架构”、“云计算平台构建与实践”等专场技术论坛。80+位一线互联网公司的技术专家将到场分享他们在云计算、大数据领域的技术实践，目前大会剩票不多，欲购从速。详情请点击CCTC 2016大会官网。