AI規模化落地，英特爾至強的七重助力
2019-08-19 16:07:47 機器之心盡管有人津津樂道于承載 AI 應用的一些專用架構平臺，但實際情況是：僅采用專用加速芯片或優化單一框架，已經無法滿足運行不同工作負載和適應不同應用場景所需。這是因為，AI 的應用需求是多種多樣的，不同的應用也決定了從數據中心到邊緣再到設備所需的硬件能力都會有所差別。而且，解決企業 AI 規模化落地，需要充分利用以數據為中心的基礎架構，考慮芯片處理器、核心算法和軟件工具等平臺解決方案的選擇。
無論是算法工程師、AI 開發者還是數據科學家，他們在選擇 AI 技術架構和平臺時會有多方面的考量。一個共識是，基于既有的 IT 基礎設施，統一大數據和人工智能平臺，可以更加高效釋放數據價值，實現 AI 業務目標。人們正在發現，更加通用的英特爾架構具有重要的先發優勢。由英特爾計算架構和至強平臺的助力，人工智能技術可以幫助企業從既有的平臺起步，加速「破局」AI 產業實踐。
英特爾 AI 架構帶來的優勢可以從七個方面說起，其中包括性能、數據預處理、可擴展性、內存、模型部署、大數據分析，以及跨平臺部署應用。
第一重助力：性能
今天，CPU 性能優化已有數量級的提升，VNNI 和框架優化等大幅提升了 CPU 架構運行深度學習推理的速度。
很多人可能都認為 AI 這種新出現的技術，或者說應用負載，也應該用新的架構來支撐，其實不然。實際上隨著 CPU 性能的數量級提升，以及在軟硬件層面針對 AI 應用的不斷優化，CPU 平臺也能很好地承載 AI 應用。現在 CPU 能兼容幾乎所有的 AI 主流技術，深度學習的應用任務，特別是推理，完全可以用 CPU 來搞定。而且 CPU 還有一個特定的優勢，就是當用戶混合使用機器學習和深度學習方法時，CPU 更適合承載這樣的任務。
不斷更新換代的英特爾 CPU 平臺，已經在眾多 AI 應用，特別是推理上提供了強大的算力。以第二代英特爾至強可擴展處理器為例，它集成了加速人工智能深度學習推理的英特爾深度學習加速（英特爾 DL Boost）技術，將人工智能性能提升到一個全新的水平，可加速數據中心、企業和智能邊緣計算環境中的人工智能推理工作負載。以常見的 Caffe Resnet-50 模型為例來看性能變化，第二代英特爾至強鉑金 8280 處理器借助英特爾 DL Boost 技術，圖像識別的速度可比上一代英特爾至強可擴展處理器提升 14 倍。
另外，英特爾 CPU 平臺還與各類主流深度學習框架（包括 TensorFlow、PyTorch、caffe 、MXNet、PaddlePaddle、BigDL 等）合作，針對 CPU 的 AI 訓練和 AI 推理功能進行全面優化，Xeon 處理器訓練性能因此得到不斷提升，客戶也可以選擇使用適合自身需求的深度學習框架做模型訓練，而無需購買或者設置不同的硬件基礎設施。
隨著軟件工具的不斷更新及面向主流框架的深度優化，CPU 平臺不論是支持基于單一 AI 技術的應用，還是在運行融合了多種 AI 技術的應用時，其性能表現都更為突出。
對于全新硬件架構的每一個數量級的性能提升潛力，軟件能帶來超過兩個數量級的性能提升。以第二代英特爾至強可擴展處理器上的 VNNI 深度學習加速指令為例，過去卷積神經需要三條指令，而現在的話一條指令就可以了，通過在底層的軟硬件協同優化，可根據不同深度學習框架將推理性能加速 2-3 倍甚至更多。
第二重助力：數據預處理
數據的處理分析和之后的 AI 應用如果在一個平臺上，可以給用戶帶來更大的便利性，也能節省成本和降低風險。
盡管當前市場對于 AI 技術抱有很大興趣，但實施水平仍然相當低下。我們需要根據應用需求構建起完整的數據分析/AI 流水線，從高質量數據源整理、數據預處理與清洗、適當特征數據的選擇與構建等前期工作開始，這就要求數據工程師、算法工程師等協同工作。
算法工程師往往要花很多時間，來處理用于深度學習模型訓練和測試的龐大數據，數據預處理會涉及很多很零碎的事情，比如校對數據的標注是否符合某種邏輯。在進行數據預處理時，所寫的代碼不一定是執行起來效率最高的，因為有可能這些零碎的校驗數據功能只用一次，而不是反復使用。在這種情況下，可以使用方便快速實現功能的 Python 語言調用 CPU 來實現，而且基于 CPU 有很多現成的包和工具，具有更快數據預處理的優勢。CPU 還可以通過使用更多內存、減少 I/O 操作來提升 AI 運行效率。
如今的深度學習和 AI 領域，優秀的算法和框架數不勝數，但英特爾開源的 BigDL 和采用了這一技術的 Analytics Zoo 平臺選擇了一個頗具獨特性的切入點，那就是專為已有大數據集群的場景設計。目前，來自零售業、金融服務行業、醫療保健業、制造業及電信業等領域的企業客戶都已經開始在英特爾至強服務器上利用 Analytics Zoo、或基于 BigDL 構建更為平滑無縫的數據分析-AI 應用流水線。
第三重助力：可擴展性
作為普遍使用的基礎設施，CPU 平臺就是為可擴展性而搭建的，它們不僅易于在更多節點上進行擴展，還能按核實現彈性擴展和調配。
在深度學習和機器學習領域，不管是模型訓練還是推理，為了分配和部署計算能力，常常需要基于現有的 IT 基礎設施或者云平臺進行硬件擴展。目前一些專有的 AI 架構平臺只能以卡或芯片為單位來管理和擴展，而英特爾至強平臺不僅更容易在更多節點上擴展，還能按核實現彈性的擴展和調配，能真正做到精細化的資源管理和調配。這使得 AI 平臺可以盡可能通過云化來提高靈活性，提升自動化管理水平，并充分利用到每個計算核心的價值等。
比如有開發者指出，在新一代 Skylake-SP 微構架芯片設計上，英特爾首次開始采用了全新網格互連構架（Mesh Interconnect Architecture）設計方式，從傳統的利用環形連接，到了新設計則全面改采用網格互連的方式，來進行資料存取與控制指令的傳送。因為最小單位可以是以每行、每列來連接，所以每顆 Skylake-SP 核心、緩存、內存控制器及 I/O 控制器之間的路徑選擇變得更多元，還可以跨不同的節點互連，以尋找最短的數據傳遞捷徑，即使是加大核心數量，也能夠維持很快存取數據，并支持更高內存頻寬，以及更高速的 I/O 傳輸。
第四重助力：內存
CPU 易擴展緩存，而英特爾傲騰 DC 持久內存 Apache Pass 更是集大容量、經濟性和持久性于一身，性能接近 DRAM。
不論是 AI 訓練還是推理，靠近計算單元的內存或者說較高速的數據緩存都非常重要。在 AI 分析中，它們對訓練中的神經網絡構建，并通過該網絡進行推理比較都有著重要的影響。因此我們希望在靠近計算單元的地方盡可能緩存更多數據。其容量的增加，會很大程度上提高 AI 的整體性能、準確性、響應速度。
訓練深度學習模型時，占用 CPU 內存比較大，一般來說單臺刀片可以輕松做到 256GB 以上的內存，做分布式訓練時還可以把數據分配到不同機器上進行計算，而且可以盡量把數據預存到 CPU。此外，CPU 大內存的優勢不僅體現在訓練上，更主要的是推理，比如對尺寸很大的醫療影像模型進行推理處理。
即使沒有英特爾傲騰數據中心級持久內存的出現，英特爾至強處理器平臺也很容易擴展內存的容量。但有了這種全新類型的產品后，內存的存儲密度/價格比可能會更理想，其性能也接近 DRAM，讓更大量的數據可以更接近 CPU 進行移動和處理，極大地降低從系統存儲獲取數據的延遲。相比之下，專有架構平臺要擴展緩存，還是很不方便的。
第五重助力：模型部署
英特爾技術產品從端到端是有統一的應用兼容性的，這樣可以保證我們在后端訓練迭代算法，前端部署推理。
在深度學習實踐中，是否應該去搭建一套新的專用平臺？持否定意見的開發者認為，目前主要用于 AI 模型推理的平臺都是基于 CPU 架構的，應該利用現有的數據中心基礎設施，利用現有的、熟悉的處理器平臺，以最低的成本部署人工智能，這相比另起爐灶、尋找其他計算平臺的方法，用時更短 、風險更低、性價比更高。
有開發者據此總結了三條理由：首先，現如今標準 CPU 平臺完全能夠勝任 AI 所有應用；其次，現在 AI 屬于「試錯階段「，同時技術也在快速演變和迭代，利用現有的 CPU 平臺，可以最小成本做最大的事，無需大量額外投資，但如果另起爐灶可能得不償失；最后，用多年熟悉且信任的 CPU 平臺，構建「激進」的 AI 項目，本身就是一個絕好的平衡，讓技術風險變得可控。
在現有英特爾架構支持的數據應用基礎上構建 AI 應用，生產環境非常成熟，易于部署，運維人員學習難度低。英特爾從云到端都有硬件平臺就緒，不論是通用計算還是專用芯片（如 Movidius），而且還有相關的軟件支持，如眾多優化庫、框架和工具。另外，英特爾為 AI 應用的開發者們提供了 OpenVINO 等工具包，可以方便實現模型部署，優勢顯著。
第六重助力：大數據分析
英特爾至強處理器和 BigDL 軟硬搭配，在 Hadoop 和 Spark 等主流大數據框架上，可以簡化訓練（數據獲取+處理）過程。
Hadoop 和 Spark 是目前非常流行的大數據管理和處理框架，想利用它們承載的數據進行深度學習訓練，通常需要把這些數據導出，然后進行處理，這個過程不僅耗時而且投資較大，所以在這些大數據平臺上進行深度學習訓練顯得尤為重要。
有開發者認為，可以針對各種不同來源的數據，首先根據目標算法需要的數據格式，進行數據整合。得到目標數據之后，再根據業務需要，按照對應的比例，將最原始的數據分成訓練數據和測試數據，通過算法對數據不斷進行訓練，后期進行相應的測試。
其實更好的方式是打通數據流水線。英特爾的 Analytics Zoo（內含 BigDL）打通端到端數據流水線，在 Hadoop 和 Spark 等主流的大數據框架上，把數據的收集、存儲、傳輸、預處理、后期處理等環節，與 AI 的訓練和預測等部分有機結合起來，就可以讓企業的數據分析流水線變得高效而統一。例如，英特爾協助美的公司基于 Analytics Zoo 構建了一套端到端的產品缺陷檢測方案，準確率優于人工檢查方法，并避免了檢查工作給生產線帶來侵入性影響。
Analytics Zoo 將 Spark、TensorFlow 以及 BigDL 程序整合至同一流水線當中，整個流水線能夠在 Spark 集群之上以透明方式實現擴展，從而進行分布式訓練與推理。最終使美的的圖像預處理時長由 200 毫秒降低至 50 毫秒，并將延遲影響由 2,000 毫秒縮短至 124 毫秒。
第七重助力：跨平臺部署應用
英特爾至強處理器、Analytics Zoo 以及 OpenVINO 工具包，能夠簡化深度學習流水線，實現一站式端到端的 AI 應用部署。
深度學習應用的開發周期很長，而且往往會涉及多個工具和平臺，如何將新技術、新創新應用到非常大規模、大數據的生產系統中，目前在軟硬件架構上有非常大的斷層。這提升了技術開發門檻，開發者十分期待從云端到終端能跨平臺部署深度學習應用。
2018 年，英特爾開源了 Analytics Zoo，構建了端到端的大數據分析+AI 平臺，無論是用 TensorFlow 還是 Keras，都能將這些不同模塊的程序無縫運行在端到端流水線上，大大提升了開發效率。
并且，Analytics Zoo 也兼容 OpenVINO在 AI 應用上的加速特性。基于英特爾硬件平臺、專注于加速深度學習的 OpenVINO工具套件，是一個快速開發高性能計算機視覺和深度學習視覺應用的工具包。
英特爾 OpenVINO 工具套件不僅適用于開發可模擬人類視覺的應用和解決方案，它還可以通過英特爾 FPGA 深度學習加速套件支持 FPGA，旨在通過優化廣泛使用的 Caffe 和 TensorFlow 框架來簡化采用英特爾 FPGA 的推理工作負載，并用于包括圖像分類、機器視覺、自動駕駛、軍事以及醫療診斷等應用。
OpenVINO工具包基于卷積神經網絡（CNN），可擴展英特爾硬件（包括加速器）的工作負載，并最大限度地提高性能。
具體來說，OpenVINO 具有面向 OpenCV 和 OpenVx 的優化計算機視覺庫，并支持跨計算機視覺加速器的異構執行，可通過基于英特爾架構的處理器（CPU）及核顯（Integrated GPU）和深度學習加速器（FPGA、Movidius VPU）的深度學習加速芯片，增強視覺系統功能和性能。它支持 在邊緣端進行深度學習推理，并加速高性能計算機視覺應用，幫助開發人員和數據科學家提高計算機視覺應用性能，簡化深度學習部署過程。
AI 應用落地的實際選擇
經過上述分析我們可以發現，在七個方面中，每個維度都支持 CPU 架構和平臺的優勢。一方面，CPU 的計算能力通過軟硬件協同優化不斷提升，可以更好地適應 AI 場景需求，企業漸漸意識到用 CPU 做 AI 已經「足夠好」；另一方面，通過收購和探索不同芯片架構，英特爾的 AI 軟硬件產品組合正在不斷完善，這使得英特爾能夠建立一個完整的 AI 基礎架構，非常豐富的產品組合是英特爾與其他公司實現差異化的最大亮點。
免責聲明：本文由作者原創。文章內容系作者個人觀點，轉載目的在于傳遞更多信息，并不代表EETOP贊同其觀點和對其真實性負責。如涉及作品內容、版權和其它問題，請及時聯系我們，我們將在第一時間刪除！
