AI 技術(shù)需要開源、開放。就在剛剛結(jié)束的中關(guān)村論壇曠視平行論壇中，曠視正式發(fā)布了天元 1.0 預(yù)覽版。
9 月 18 日，中關(guān)村論壇曠視平行論壇中，曠視研究院院長、首席科學(xué)家孫劍正式發(fā)布了開源深度學(xué)習(xí)框架天元 1.0 預(yù)覽版，并對天元的技術(shù)特性與發(fā)展方向進行了深入解讀。
曠視 2014 年開始研發(fā)深度學(xué)習(xí)框架天元。目前，曠視 1400 多名研發(fā)人員全員使用天元 MegEngine，曠視所有算法均通過天元 MegEngine 進行訓(xùn)練和推理。
曠視天元 1.0 預(yù)覽版，歷經(jīng) 8 次迭代 5 大升級
2020 年 3 月，曠視正式將天元開源，提供給全球開發(fā)者使用。開源以來，天元從 3 月的 Alpha 版本升級到 6 月的 Beta 版本、到 9 月的 1.0 版本，期間實現(xiàn)了 8 次迭代。
此次天元 1.0 預(yù)覽版，相比之前的版本，實現(xiàn)了 5 項重要的技術(shù)升級。
首先，天元 1.0 預(yù)覽版提供了全新的 Imperative Runtime。天元通過重寫動態(tài)執(zhí)行引擎，打破過去幾個版本中動態(tài)圖的限制，解決了一系列資源釋放的問題，并大幅提升了動態(tài)自由度，讓使用 GPU 計算像 NumPy 一樣方便自如。
其次，天元 1.0 預(yù)覽版新增自動代碼裁剪功能。在實際的 AI 應(yīng)用開發(fā)中，用戶經(jīng)常面臨模型大小的問題。自動代碼裁剪功能讓用戶可以全自動的針對自己網(wǎng)絡(luò)使用的算子進行代碼裁剪，不用手工配置就能最小化推理時的代碼體積，極大提升端側(cè)推理的競爭力。
此外，天元 1.0 預(yù)覽版進行了 10 余項推理側(cè)性能優(yōu)化，進一步提升了端側(cè)推理性能。同時，天元支持了更多的國產(chǎn)硬件。天元對于主流的一些國產(chǎn)硬件進行了接入，方便在國產(chǎn) NPU 芯片上進行推理工作。
最后，天元實驗性的開發(fā)了一套基于 MLIR 的 JIT 引擎，嘗試利用 MLIR 這一項非常有前景的方案進行計算圖的進一步融合、優(yōu)化來整體提升深度學(xué)習(xí)訓(xùn)練和推理的速度。
經(jīng)過了半年的開源工作，現(xiàn)在天元擁有了完整的功能體系。天元希望能依靠訓(xùn)推一體這一特性，讓產(chǎn)業(yè)應(yīng)用可以更快、更高效的落地。讓深度學(xué)習(xí)也可以簡單開發(fā)。
天元三大核心優(yōu)勢，實現(xiàn)簡單開發(fā)
從開源到現(xiàn)在經(jīng)過半年的技術(shù)迭代，天元擁有了三大核心優(yōu)勢：訓(xùn)練推理一體、全平臺高效支持、動靜結(jié)合的訓(xùn)練能力。
核心優(yōu)勢 1：訓(xùn)練推理一體
所謂訓(xùn)練推理一體，就是讓訓(xùn)練與推理不再是完全孤立的兩個步驟。為什么訓(xùn)推一體如此重要？在傳統(tǒng)深度學(xué)習(xí)模型開發(fā)流程中，從訓(xùn)練到推理，開發(fā)者需要經(jīng)過一系列格式轉(zhuǎn)換。但隨之而來的也會有種種復(fù)雜難題，比如推理框架對算子不支持、作為中間轉(zhuǎn)換格式的 ONNX 版本不一致，轉(zhuǎn)換成 Caffe 過程中存在一些層的中間形狀變化導(dǎo)致無法轉(zhuǎn)換，涉及到量化模型時量化參數(shù)的定義不一致等，都會增大轉(zhuǎn)換的難度。
除了轉(zhuǎn)換難外，由于各個平臺的差異性和預(yù)處理邏輯的復(fù)雜性，訓(xùn)練側(cè)提供的預(yù)處理邏輯很有可能與推理側(cè)實現(xiàn)的結(jié)果不一致，推理和訓(xùn)練的精度對齊變得非常困難。
傳統(tǒng)深度學(xué)習(xí)模型開發(fā)環(huán)境下，在不斷地對分配、適配和微調(diào)的過程中，一個模型的落地工作往往需要數(shù)天到數(shù)周時間。如果還涉及到多平臺的部署，則以上問題復(fù)雜度和難度會成倍增加，讓模型交付變得非常困難。
為了解決傳統(tǒng)模型開發(fā)的一系列痛點，天元在訓(xùn)練和推理側(cè)均是一套底層框架提供支持，對算子的支持、量化參數(shù)的理解均高度一致。同時，天元支持各類常用的 CV 算子操作，便于開發(fā)者將預(yù)處理的代碼邏輯直接寫入模型結(jié)構(gòu)當中，從而讓訓(xùn)練和推理間的差距大幅度縮小，開發(fā)者不再需要為了模型轉(zhuǎn)換而頭疼。
經(jīng)過各方用戶一段時間的實際驗證，使用天元整個模型，可以將從訓(xùn)練到推理的交付時長縮短至傳統(tǒng)方案的十分之一以下，真正做到天級交付。
另外，由于訓(xùn)推一體化，模型在訓(xùn)練階段與推理階段可以高度對齊，這使得量化感知訓(xùn)練產(chǎn)生的模型可以無風險的在端側(cè)應(yīng)用。同時天元擁有精心設(shè)計的量化訓(xùn)練模塊，大大降低了量化感知訓(xùn)練模型的使用門檻。
以上表格中，在各類模型上，通過應(yīng)用量化感知訓(xùn)練，可以在極小的精度下降前提下，使用 int8 推理。量化感知訓(xùn)練產(chǎn)生的高精度模型，配合上天元經(jīng)過高度優(yōu)化的 int8 算子，可以將各個常見網(wǎng)絡(luò)的推理耗時降至浮點模型的 30%~50% 以內(nèi)，有效帶來性能加速。
核心優(yōu)勢 2：全平臺高效支持
廣泛而高效的平臺支持，是實現(xiàn)訓(xùn)推一體的前提。只有在各個平臺上都提供足夠高效便捷的推理能力，才能真正的免除模型轉(zhuǎn)換工作。
對于開發(fā)者常用的各類 CPU、GPU 和 NPU，天元均提供了全面而高效的支持，讓用戶無需為每個平臺重新學(xué)習(xí)重新開發(fā)，可以讓用戶一套模型、一套代碼走天下。
天元支持的設(shè)備包括 NVIDIA GPU、ARM、X86 和 AMD GPU 平臺以及各類國產(chǎn) NPU 芯片。同時，測試表明，相比其他一些框架，天元在 CUDA、ARM、X86 平臺上都具備性能優(yōu)勢。
深度學(xué)習(xí)應(yīng)用中，運行時的內(nèi)存占用是一個重要的指標。由于天元的自動內(nèi)存優(yōu)化策略在訓(xùn)練側(cè)得到了充分的打磨，天元可以在內(nèi)存占用和推理性能之間取得良好的平衡。
僅依靠通用的優(yōu)化策略，天元對于任意的模型結(jié)構(gòu)都有足夠良好的優(yōu)化表現(xiàn)，框架無需針對網(wǎng)絡(luò)結(jié)構(gòu)特殊優(yōu)化。這保證了天元可以在開發(fā)者自己的模型結(jié)構(gòu)也保持較低的內(nèi)存占用，讓天元可以幫助各個領(lǐng)域的開發(fā)者降低內(nèi)存占用量，提高競爭力。
端側(cè)推理時，推理程序的二進制體積同樣是一項非常重要的指標，對于端側(cè)的 SDK 競爭力非常重要。
對此，天元提供了自動代碼裁剪機制，根據(jù)模型的結(jié)構(gòu)，將不需要的 kernel 實現(xiàn)和代碼片段裁減掉的過程全自動，從而將代碼體積大幅度縮小，大幅度提升端側(cè) SDK 的競爭力。
核心優(yōu)勢 3：動靜結(jié)合的訓(xùn)練能力
動態(tài)圖訓(xùn)練對程序員友好，可以隨時停下來 Debug；而靜態(tài)圖的訓(xùn)練好處是可以讓訓(xùn)練的精度、內(nèi)存消耗和訓(xùn)練速度達到最優(yōu)。如何兼得動態(tài)圖訓(xùn)練和靜態(tài)圖訓(xùn)練的好處？天元通過動靜結(jié)合支持快速模型設(shè)計。動態(tài)模式下，天元可以方便的排查模型問題，在遇到錯誤后及時停下，便于分析模型結(jié)構(gòu)上的異常問題。通過添加一行 trace，模型可以被直接轉(zhuǎn)換為靜態(tài)圖模式，獲得靜態(tài)圖所獨有的圖優(yōu)化，一方面可以更好的對顯存進行復(fù)用，提高顯存利用率，另一方面可以優(yōu)化計算順序，提升模型的訓(xùn)練性能。
在 Beta 版天元推出了亞線性內(nèi)存優(yōu)化技術(shù)。目前天元是唯一一個支持全自動亞線性內(nèi)存優(yōu)化技術(shù)的框架。靜態(tài)模式下，在靜態(tài)圖的基礎(chǔ)上，額外添加一個配置項，則可以便捷的啟用亞線性內(nèi)存優(yōu)化。天元內(nèi)置的 Sublinear 亞線性內(nèi)存優(yōu)化功能，可以對任意的模型結(jié)構(gòu)進行內(nèi)存優(yōu)化，在相同的顯卡下，可以訓(xùn)練出更大更準確的模型。
亞線性內(nèi)存優(yōu)化的特點是參數(shù)量越大，從而節(jié)省下的顯存量越多。因此越龐大的模型，從中獲得的收益就越大。由于算法的普適性，無論是任何的模型結(jié)構(gòu)，都可以全自動的被亞線性內(nèi)存優(yōu)化機制處理。
共同推進開源生態(tài)建設(shè)
在使用上，天元模型中心 Model Hub 提供了豐富的預(yù)訓(xùn)練模型，包括圖像分類、目標檢測、圖像分割等模型，并且每個模型都提供了 SOTA 級別準確率，讓使用者可以便捷的上手天元，站在巨人的肩膀上開始自己的科研工作。
此外，天元已經(jīng)與小米 MACE、OpenAI Lab Tengine 進行了深度的集成，用戶可以將 MegEngine 的模型直接轉(zhuǎn)換到 MACE 或 Tengine 中執(zhí)行，從而獲取在各類異構(gòu)設(shè)備上執(zhí)行深度學(xué)習(xí)模型的能力。
深度學(xué)習(xí)框架的未來路線
天元 1.0 預(yù)覽版的發(fā)布意味著天元已經(jīng)迭代成為一個完備的深度學(xué)習(xí)框架。未來天元將如何迭代發(fā)展？曠視天元技術(shù)團隊認為深度學(xué)習(xí)未來會繼續(xù)蓬勃發(fā)展，在不斷涌現(xiàn)新技術(shù)新方案的同時，現(xiàn)有的方案和技術(shù)會進一步的范式化，簡化整個流程，像傳統(tǒng)軟件開發(fā)一樣精確分工、快速迭代。因此天元會持續(xù)在易用性和整個深度學(xué)習(xí)落地的流程化上努力，讓深度學(xué)習(xí)應(yīng)用的流程更加清晰易懂，從而大幅提高 AI 的生產(chǎn)力。
此外，在過去的一段時間中，深度學(xué)習(xí)框架從編譯器中借鑒了相當一部分的內(nèi)容，曠視天元技術(shù)團隊認為隨著 MLIR 等新興技術(shù)的產(chǎn)生，框架將會進一步向編譯器化發(fā)展，從而獲得更大幅度的性能提升。
最后，隨著大量云、端上的 AI 芯片的衍生以及各類神經(jīng)網(wǎng)絡(luò)加速器應(yīng)用的愈加廣泛，每家芯片自身的推理框架越來越強大。訓(xùn)推一體的核心是在訓(xùn)練階段對芯片的充分了解和兼容，因此如何讓用戶能從一開始就訓(xùn)練出一個適用于最終要用到的芯片的模型，才是讓整個落地流程最高效的重點。天元希望能夠與芯片協(xié)同演進，協(xié)同發(fā)展，讓整個生態(tài)能夠更加健康蓬勃的發(fā)展。
AI 產(chǎn)業(yè)落地浪潮中，開發(fā)者只有在友好、開放、創(chuàng)新的開發(fā)環(huán)境中，才能更好地進行 AI 的價值設(shè)計與開發(fā)，為全球輸送 AI 動能。歡迎全球開發(fā)者，加入天元社區(qū)，一起讓深度學(xué)習(xí)也可以簡單開發(fā)。