diff options
author | Leonard Kugis <leonard@kug.is> | 2023-01-08 04:14:09 +0100 |
---|---|---|
committer | Leonard Kugis <leonard@kug.is> | 2023-01-08 04:14:09 +0100 |
commit | 2f104b9618cf88c9694986da19c4dbb455b3baf2 (patch) | |
tree | 3cb045503aafc607fc142d1e94cc43225580a423 /Presentation | |
parent | e998d619580614ccfcde568985e54b20995943c9 (diff) |
Added basics and compression to transcript
Diffstat (limited to 'Presentation')
-rw-r--r-- | Presentation/transcript.md | 180 |
1 files changed, 180 insertions, 0 deletions
diff --git a/Presentation/transcript.md b/Presentation/transcript.md new file mode 100644 index 0000000..a6d87bf --- /dev/null +++ b/Presentation/transcript.md @@ -0,0 +1,180 @@ +# EIE: Efficient Inference Engine on Compressed Deep Neural Network + +## Vorstellung + +- Titel +- Vorstellung der Person + +*nächste Folie* + +## Inhaltsangabe + +- Recap über wichtige Teile der DNN, die für effiziente Inferenz und Kompression wichtig sind +- Motivation: Warum ist effiziente Inferenz wichtig und was heißt überhaupt effizient +- Kompression: Verschiedene Komprimierungsmethoden für neuronale Netze +- Implementation: Eigentliche Implementation der EIE +- Evaluation: Vergleich der EIE mit anderen Hardware-Acceleratoren +- Ausblick: Optmierungsmöglichkeiten und mögliche Implementation anderer Komprimierungsmethoden + +*nächste Folie* + +## Deep Neural Networks + +- Recap +- Beispiel: LeNet +- Convolutional Layer (Faltungsoperationen mit Filtern) +- Fully Connected Layer (Alle Neuronen verbunden, für Klassifizierung) +- FC benötigt in den meisten Netzen 90-95% des Speichers +- Jede Schicht: Input vector $a$, Gewichtsmatrix $W$, Multiplikation und Addition, Aktivierungsfunktion in jedem Neuron, Output vector $b$ + +*nächste Folie* + +- Formal: Berechnung von $b_i = f(\sum\limits_{j=0}^{n} W_{ij} a_j)$ für jedes Element im Output-Vektor +- $W_{ij}$ Eintrag in der Gewichtsmatrix +- $a_j$ Element im Input-Vektor +- Multiplikation und Summation (Multiply-Accumulate MAC) über die Elemente im Input-Vektor bzw. Zeile in der Gewichtsmatrix +- $f$ Aktivierungsfunktion +- Matrix $W$ kann spärlich besetzt sein (englisch: sparse) + +*nächste Folie* + +## Motivation + +- Metriken: Was bedeutet Effizienz? +- Durchsatz (Throughput): Wie viel Daten können pro Zeiteinheit verarbeitet werden? +- Latenz (Latency): Wie lange dauert es, einen einzelnen Datensatz zu verarbeiten? +- Modellgröße: Wie viel Speicher wird zum Speichern des Modells benötigt (hauptsächlich Gewichte, bei komplexeren Modellen auch Parameter für Aktivierungsfunktion) +- Energieverbrauch: Wie viel Energie wird benötigt, um eine bestimmte Anzahl an Daten zu verarbeiten + +*nächste Folie* + +## Memory access + +- Klassischer Aufbau eines Hardware-Accelerators +- Energieverbrauch der einzelnen Speichertypen in der Hierarchie +- Energieverbrauch korrelliert mit Zugriffszeiten und somit mit Latenz und Durchsatz, da so bei Abfragen aus dem Speicher jedes Mal gewartet werden muss +- DRAM ist bei Acceleratoren der Stand der Technik, um große DNN zu speichern (bisher ohne Komprimierung) +- DRAM hat 200x Energieverbrauch im Vergleich zu Registerzugriffen +- DRAM hat 33x Energieverbrauch im Vergleich zu SRAM-Buffer + +*nächste Folie* + +- Art und Anzahl der Speicherzugriffe variieren je nach Datenfluss-Modell +- Acceleratoren können nicht immer eindeutig einem Modell zugeordnet werden, EIE ist eine Mischung aus a) und b) +- Im Detail werden die einzelnen Modelle nicht vorgestellt + +*nächste Folie* + +- Hier sind die einzelnen Speicherzugriffe markiert +- Jeder einzelne Speicherzugriff kostet Zeit und Energie, es ist also eines der Hauptmerkmale zur Optimierung + +*nächste Folie* + +## Komprimierung + +- Welche verschiedenen Speicherarten haben wir in einem Accelerator? +- Dynamisch: Eingabedaten +- Statisch: Gewichte, Parameter für Aktivierungsfunktionen + +*nächste Folie* + +## AlexNet + +- Um sich die Größenordnung des benötigten Speichers zu vergegenwärtigen +- Populäres neuronales Netz, benannt nach designer Alex Krizhevsky +- 5 convolutional layers +- 3 fully connected layers +- $\sim 62$ million parameters +- $\sim 240$ MB with 32-bit float representation +- Häufig für Benchmarking von Acceleratoren verwendet + +*nächste Folie* + +## Basis projection + +- Standardmäßig sind die kanonischen Einheitsvektoren die Basisvektoren für die Gewichtsmatrizen +- Meistens produzieren jedoch andere Basisvektoren, auf die die Zeilenvektoren der Gewichtsmatrizen projiziert werden, bessere Werte +- Besser = Geringere Werte (ungefähr 0 oder gleich 0) +- Genau das wird hier gemacht +- Gewichte als Linearkombination der Basisvektoren darstellbar +- Beispiel: Von 7% Nullen auf 56% Nullen + +*nächste Folie* + +## Pruning + +- Entferne unwichtige Gewichte, die kaum Einfluss auf die Genauigkeit des neuronalen Netzes haben +- 3-Schritt-Verfahren: Training, Pruning (Gewichte werden auf 0 gesetzt oder ganze Output-Neuronen in einer Schicht weggelassen), Retraining (ohne die entfernten Gewichte) +- Wiederholung so lange, bis je nach Verfahren nichts mehr entfernt werden kann oder ein unterer Grenzwert der Genauigkeit unterschritten worden ist + +*nächste Folie* + +- Mehrere Pruning-Verfahren möglich +- Betrags-Grenzwert-Verfahren (englisch: magnitude threshold based pruning): + Entferne Gewichte, deren Betrag unter einem bestimmten Grenzwert liegen +- Optimal Brain Damage / Optimal Brain Surgeon (ja, so heißen die Verfahren wirklich): + - Entfernt Gewichte basierend auf ihrem Einfluss auf die Zielfunktion (Fehlerfunktion, z.B. Quadratische Fehlerfunktion) + - Gewichte mit geringem Einfluss werden entfernt + - Optimal Brain Damage berechnet die Sensitivitätswerte basierend auf dem Gradienten, Optimal Brain Surgeon basierend auf der Hesse-Matrix +- Biased weight decay + - Entfernen von Gewichten durch Hinzufügen eines Terms im Update-Schritt beim Backpropagation-Algorithmus + - Große Gewichte bleiben länger, kleine Gewichte konvergieren zu Null + - Während des Trainings, Details außerhalb des Scopes, hier geht es nur um Inferenz, bei der bereits ein vollständig trainiertes NN vorliegt + +*nächste Folie* + +## Weight quantization + +- Gewichtsquantisierung +- Grob: Floating point Gewichte werden als Ganzzahl-Werte kodiert +- Wird durch Clustering gelöst +- Ähnliche Gewichte werden in Clustern gruppiert +- Jeder Cluster hat einen Mittelwert (centroid), durch den dann jedes Gewicht des Clusters ersetzt wird +- Am Ende gespeichert werden nur die Cluster indices und die Mittelwerte der Cluster in einem extra Array, welche mit den indizes indiziert werden +- Durch den Gradienten der Gewichtsmatrix lassen sich die Werte der centroids fine-tunen + +*nächste Folie* + +- Wie weise ich die Gewichte den Clustern zu? +- Minimierung der Varianz innerhalb aller Cluster +- k-means clustering: 1. Initialisiere k cluster centroids, 2. Für alle Gewichte: Füge Gewicht dem Cluster hinzu, dessen Mittelwert am nächsten dran ist, berechne Mittelwerte aller Cluster neu (weil sich der Mittelwert durch das Hinzufügen ja ändert) + +*nächste Folie* + +- Die Initialisierung der Mittelwerte macht einen entscheidenden Unterschied bezüglich der Genauigkeit der Quantisierung und damit der Genauigkeit des gesamten NN +- In vielen Anwendungen des k-means clusterings wird die CDF (kumulative Verteilungsfunktion) betrachtet, die Anzahl der Vorkommnisse (y-Achse) äquidistant abgetastet, und die dazugehörigen Werte als Mittelwerte genommen +- Das führt allgemein dazu, dass die durchschnittliche Abweichung von den eigentlichen Werten am geringsten ist +- Im Kontext NN: Höhere Werte haben größere Auswirkung auf Ergebnis als niedrige, sind aber selten und somit im CDF-Verfahren unterrepräsentiert, wodurch hohe Abweichungen in solchen Werten entstehen +- Daher: Lineare Initialisierung + +*nächste Folie* + +## Huffman encoding + +- Zählung und Sortierung der vorkommenden Gewichtswerte +- Erstellen des Huffman-Baumes: Am seltendsten vorkommende Gewichte unten, je häufiger, desto weiter oben am Wurzelknoten +- Binärbaum: Kodierung über Kanten 1 und 0 +- Gespeichert werden muss nur der Baum, die Daten können somit z.B. von 1,58 Megabits auf 1,17 Megabits reduziert werden + +*nächste Folie* + +## HashNets + +- Idee: Es müssen keine Indexwerte in der Matrix gespeichert werden +- Stattdessen: Es existiert eine sog. Hashfunktion $h^{\ell}(i, j)$: Einweg-Funktion, welche den Matrix-Koordinaten $(i,j)$ einen Indexwert für das Lookup-Array $w^{\ell}$ zuweist +- Somit existiert keine tatsächliche Matrix, sondern sie ist nur virtuell, gespeichert werden muss nur die größe der Matrix, die Hashfunktion und das Lookup-Array + +*nächste Folie* + +## Speicherformat + +- Etabliert hat sich das Compressed Sparse Column (CSC) / Compressed Sparse Row (CSR) Format +- Je nach dem, ob man PEs des Accelerators nach Spalten oder Zeilen segmentieren und input oder output lokal bleiben möchte +- EIE nutzt das CSC Format +- Jede Spalte wird als Vektoren $v$ und $z$ kodiert +- $v$ enthält alle Gewichte, die nicht null sind +- $z$ enthält die Anzahl der Nullen vor dem jeweiligen Eintrag in $v$ +- Beispiel: $W_j = [0, 0, 1, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 3]$ wird zu $v = [1, 2, 0, 3]$, $z = [2, 0, 15, 2]$ +- EIE: $v$'s und $z$'s aller Spalten werden zusammen als ein großes Array-Paar gespeichert, zusammen mit Vektor $p$, wobei $p_j$ ein Zeiger auf das erste Element der Spalte $W_j$ ist + +*nächste Folie*
\ No newline at end of file |