英特尔IDF PPT揭秘： 高性能计算和深度学习发展的趋势（上）

进行深度学习的训练向来不被认为是CPU的强项，但是以CPU研发见长的英特尔并不甘心屈服于这个定位，在过去的几年里，英特尔及其合作伙伴一直在探索用CPU来进行快速有效的深度学习开发的方法。代号KNL的Xeon Phi至强芯片是英特尔的努力尝试之一，同时在深度学习算法的改进上，英特尔也做了一些努力。

近日，在美国旧金山举行的IDF16大会上，与英特尔联合宣布启动了KNL试用体验计划的浪潮集团副总裁、技术总监胡雷钧做了基于英特尔至强融合处理器KNL和FPGA上的深度学习的试用体验报告。报告介绍了高性能计算和深度学习发展的趋势、深度学习在高性能计算平台上的挑战和解决办法、大规模深度学习平台的系统设计、多核设备和机群系统的算法设计（包括KNL和FPGA各自的技术分析) 4部分的内容。下面我们从摩尔定律的演变开始，看企业在实践过程中，如何基于英特尔至强融合处理器KNL和FPGA，搭建最佳的深度学习算法。

摩尔定律的革命

1965年摩尔定律提出后，我们开始依次进入1965-2005年的单核CPU时代；2006至如今的多核CPU时代；2012至如今的多核英特尔MIC时代。

而现在，深度学习正在成为高性能计算的全新驱动力

高性能计算设备联手大数据提升深度学习的发展的同时，深度学习也在促进新的高性能计算模型的发展。归根结底，我们把深度学习现在的成功归功于三方面：1）大量标签数据样本的出现：图片（10亿级）/语音（10万小时以上）。2）好的算法，模型，软件的出现： 算法：DNN/CNN/RNN  软件：Caffe/TensorFlow/MXNet 3）高性能计算样本的激励：AlphaGo可视为典型例子。

不可避免地，深度学习在高性能计算上遇到了挑战  

具体表现为两方面，其一，大规模深度学习平台的系统设计。比如离线训练要求的：高性能；在线识别要求的：低功耗。其二，多核设备和机群系统的算法设计问题。比如，多核设备异构细粒度并行算法；机群系统的分布式以及粗粒度并行算法。这些都是不容易解决的问题。

上述的挑战之一，大规模深度学习平台的系统设计问题，具体分为两种：

离线训练平台特点：计算机密集型/交流密集型——使用KNL平台最合适。

在线识别平台特点：高吞吐量，低功耗——使用FPGA平台最合适。

最终呈现出来的完整深度学习平台，就是KNL+FPGA 机群+OPA网络+Lustre存储 (由Linux和Clusters演化而来, 可以看做一个解决海量存储问题而设计的全新文件系统)的全新结合体。

上述的挑战之二，多核设备和机群系统的算法设计问题

在我们的浪潮—Intel中国并行计算实验室里，KNL/FPGA技术研究；HPC/深度学习应用；第一代 Xeon Phi Book三个方向的探索正如火如荼地进行着。

下面详细介绍具体应用实践中（SKA【平方公里阵列望远镜】的数据处理软件Gridding、大规模线性方程组求解器GMRES和开源深度学习并行计算框架Caffe-MPI的KNL版本）的高性能计算平台和其算法表现。

先谈谈KNL技术本身

它是英特尔第二代MIC架构，基于X86 架构的多核计算：拥有最多72核，总计288线程。目前有3个产品模型：包括处理器；协处理器；KNL-F。支持大规模记忆和高速宽带：DDR4：384 GB，90+GB/s。MCDRAM: 16GB, 500GB/s。

KNL技术的优势：高性能、高应用可适性、高可扩展性、可编程。

关于KNL测试结果

性能：1KNL/2 CPU=6.88X 。（叠加）扩展效率：95%

以浪潮全球首发基于KNL平台的深度学习计算框架Caffe-MPI举例

Caffe有许多用户，在中国非常流行。在数据规模很大的情况下，一个节点通常需要很长的时间去训练。这就要求，Caffe的前馈计算，权重计算，网络更新可在并行机群环境中处理。

雷锋网原创文章，未经授权禁止转载。详情见转载须知。