伊瓢 发自 凹非寺
量子位 报道 | 公众号 QbitAI
不久前,Julia Computing官方放出了一篇论文,展示将Julia代码和机器学习模型编译到谷歌云TPU的方法,可以实现在0.23秒内完成100张图片VGG19正向传递。
Jeff Dean看到这个方法后,开心的转了一作的Twitter,并且评价:真是又快又容易呀!
该方法应用的正是谷歌上个月给TPU开放权限的XLA(Accelerated Linear Algebra)编译器。
XLA嵌入
首先,需要定义动态语义和静态嵌入,定义一个运行时结构来嵌入XLA值
1const AA{T, N} = AbstractArray{T, N}
2struct XRTArray{T, Shp, N} <: AA{T, N}
3storage::XRTAllocation
4# XRTArrays are constructable by
5# conversion from regular arrays
6function XRTArray(
7a::Array{T, N}) where {T, N}
8new{T, size(A), N}(transfer(a))
9end
10# XRTArrays are constructable from a
11# remote memory allocation if
12# (T, Dims, N) are specified
13function XRTArray{T, Dims, N}(
14a::XRTAllocation) where {T, Dims, N}
15new{T, Dims, N}(a)
16end
17end
△ XRTArray的定义
假设我们有一个示例XLA操作’Foo’采用一个静态操作数(例如一个整数)和两个动态操作数。 我们将声明此嵌入如下:
1struct HloFoo <: HloOp{:foo}
2static_operand::Int
3end
4
5function (hlo::HloFoo)(dop1::XRTArray,
6dop2::XRTArray)
7execute(hlo, dynamic_op1, dynamic_op2)
8end
手动构建XLA嵌入:
1# An HLO operand that generates a random
2# uniform random number of the specificed
3# shape and element type:
4struct HloRng <: HloOp{:rng}
5Type
6Shape
7end
8
9"""A function that adds random numbers to
10each entry of a 1000x1000 matrix"""
11@eval function add_rand_1000x1000(
12A::XRTArray{Float32, (1000, 1000), 2}
13random = $(HloRng(Float32,
14(1000, 1000)))()
15result = $(HloAdd())(random, A)
16return result
17end
18
将Julia映射到XLA
现在,可以将Julia代码编译到XLA,不过Julia不是用HLO运行的,而是根据Julia库提供的功能编写的。
好在,Julia使用多个调度可以很容易地表达如何用HLO实现标准库抽象。下面是一个简单的例子:
1# Matrix-Matrix and Matrix-Vector product
2function Base.:*(A::XRTMatrix,
3B::Union{XRTMatrix, XRTArray})
4ddots = DimNums((1,), (0,), (), ())
5HloDot(ddots)(A, B)
6end
7Base.transpose(A::XRTArray) =
8HloTranspose((1,0))(A)
9# Scalar addition
10Base.:+(A::XRTArray{T, (), 0},
11B::XRTArray{T, (), 0})
12where {T<:XLAScalar} =
13GenericHloOp{:add}(T, ())(A, B)
结果比对
论文中举了VGG19正向传递和反向传递的例子。
VGG19正向传递使用Metalhead软件包Mike Innes&Contributors(2018)中的VGG19实现,它利用了Flux Innes&Contributors(2017)框架将熟悉的机器学习层(卷积层,密集层)转换为线性代数运算。
但是,重要的是,Flux框架中的每一层都只是一个常规函数,而这些函数又调用常规线性代数运算。因此用Flux表达的机器学习模型只需要简单的Julia函数,适用于本文所述的方法。
VGG反向传递则使用基于Zygote.jl编译器的AD框架Innes(2018)。Zygote对Julia代码进行操作,其输出也是Julia函数,适合重新引入Zygote以获得更高阶导数,但也适合编译到TPU。
这张表格展示编译到XLA后,Metalhead.jl VGG19正向传递和反后传递的指令计数细分。
传送门
Automatic Full Compilation of Julia Programs and ML Models to Cloud TPUs
作者:Keno Fischer, Elliot Saba
https://arxiv.org/abs/1810.09868
— 完 —
加入社群
量子位AI社群开始招募啦,欢迎对AI感兴趣的同学,在量子位公众号(QbitAI)对话界面回复关键字“交流群”,获取入群方式;
此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。
进专业群请在量子位公众号(QbitAI)对话界面回复关键字“专业群”,获取入群方式。(专业群审核较严,敬请谅解)
活动策划招聘
量子位正在招聘活动策划,将负责不同领域维度的线上线下相关活动策划、执行。欢迎聪明靠谱的小伙伴加入,并希望你能有一些活动策划或运营的相关经验。相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
![640?wx_fmt=jpeg](https://i-blog.csdnimg.cn/blog_migrate/e5e226b9580959864a4cae3b97e7dbac.jpeg)
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态