森野慎也, シニア CUDA エンジニア,プラットフォームビジネス本部, エヌビディア合同会社

「NVIDIA Deep Learning SDK を利用した画像認識」

2

GPU INFERENCE ENGINE

高性能なフレームワークで、GPU上の推論エンジンを、容易に開発する。

ディープラーニングによる推論を用いた、製品展開のためのソリューション

トレーニング済みネットワーク、ターゲットGPUに対して、推論エンジンの性能を最適化

32-bit、16-bit 演算を用いた推論エンジン

Hyperscale, ADAS, Embedded 向け

HTTP (~10ms)

developer.nvidia.com/gpu-inference-engine

データセンターにおける GPU Inference Engine

画像分類 オブジェクト検知

音声認識 ---

ディープラーニングにおける最高の推論パフォーマンス

3

GPU INFERENCE ENGINEディープラーニングにおける最高の推論パフォーマンス

developer.nvidia.com/gpu-inference-engine

自動運転におけるGPU Inference Engine

歩行者検知 レーントラッキング

交通標識の認識

---

NVIDIA DRIVE PX 2

高性能なフレームワークで、GPU上の推論エンジンを、容易に開発する。

ディープラーニングによる推論を用いた、製品展開のためのソリューション

トレーニング済みネットワーク、ターゲットGPUに対して、推論エンジンの性能を最適化

32-bit、16-bit 演算を用いた推論エンジン

Hyperscale, ADAS, Embedded 向け

4

トレーニング と 推論(inference)

トレーニング 推論

モデル 種々のモデルを試す必要がある

モデルは決定済み

演算処理Back propagationによる

係数の最適化演算はForwardのみ係数も決定済み

バッチサイズ学習データが大量であり、バッチサイズは大きい

バッチサイズは、認識対象数。一般にトレーニングより小さい

プラットフォームマルチGPU、マルチノードを活用。

ストロングスケーリング

単一の端末で実行。メモリバンド幅の制約が強い混合精度演算が有効

要件の比較

5

ニューラルネットワークの実行性能最適化

参考:

S6136 - NVIDIA™ GIE: High-Performance GPU Inference EngineMichael Andersch GPU Architect, NVIDIA

6

最適なコンボリューションアルゴリズムは、コンボリューションレイヤの次元に依存する。

0.73

1.84 1.832.03 2.07

2.26

1.92 1.98

1.25

conv 1.1 conv 1.2 conv 2.1 conv 2.2 conv 3.1 conv 3.2 conv 4.1 conv 4.2 conv 5.0

Winogradによる実行性能向上 (GEMMを用いたコンボリューションと比較 VGG-E layers, N=1)

推論ソフトウエアの最適化課題 : 小さいバッチで、コンボリューションを高効率で演算する

7

推論ソフトウエアの最適化課題 : グラフ最適化

tensor

concat

1x1 conv.3x3 conv. 5x5 conv. 1x1 conv.

1x1 conv. 1x1 conv. max pool

input

8

推論ソフトウエアの最適化課題 : グラフ最適化

concat

max pool

input

next input

3x3 conv.

relu

bias

1x1 conv.

relu

bias

3x3 conv.

relu

bias

3x3 conv.

relu

bias

concat

1x1 conv.

relu

bias3x3 conv.

relu

bias

9

推論ソフトウエアの最適化グラフ最適化 : 縦方向に処理を融合

concat

max pool

input

next input

concat

1x1 CBR 3x3 CBR 5x5 CBR 1x1 CBR

1x1 CBR 1x1 CBR

10

推論ソフトウエアの最適化グラフ最適化: 横方向に処理を融合

concat

max pool

input

next input

concat

3x3 CBR 5x5 CBR 1x1 CBR

1x1 CBR

11

推論ソフトウエアの最適化グラフ最適化: Concatenationを除去

max pool

input

next input

3x3 CBR 5x5 CBR 1x1 CBR

1x1 CBR

12

推論ソフトウエアの最適化グラフ最適化: 並行実行(コンカレンシ)

max pool

input

next input

3x3 CBR 5x5 CBR 1x1 CBR

1x1 CBR

13

データレイアウト・テクスチャ

- GEMMによる行列演算で、事前に係数行列を転置

- NN/NT GEMMの利用( NT > NN > TN )

- テンソルレイアウト

- 例) NHalf2

- テクスチャメモリをコンボリューションに使用

- 13% 推論性能向上 (GoogLeNet, バッチサイズ 1)

メタパラメータ

4/26/2

016

14

テンソルフォーマット

• テンソルの内部表現では、隣り合ったイメージの値を交互に配置するレイアウトを用いる。

• 推論を16 bit演算で行った場合、NCHW レイアウトより、 非常に高速。

NHalf2

15

推論ソフトウエアの最適化課題: cuBLAS関数をより効率的に活用

GEMVをGEMMの代わりに使う

バッチサイズが小さいと、B行列が狭くなる

代わりにGEMVをバッチ実行する

16

PASCAL世代での推論の高速化高速な混合精度演算のサポート

推論向けのGPU製品では、新しいベクタ演算命令をサポートしていく。

複数要素の内積演算 : 8-bit 整数入力、32-bit 加算

等価なFP32演算と比べ、4倍のスループット

高い精度が必要なレイヤでは、フルスピードのFP32演算処理を利用

17

だけど、誰が実装してくれるの？

4/26/2016

18

GPU INFERENCE ENGINEニューラルネットワークの最適化

• ネットワークレイヤの融合

• Concatenationレイヤの除去

• カーネル特殊化

• ターゲットプラットフォームに対する

オートチューニング

• 最適なテンソルレイアウトの選択

• バッチサイズのチューニング

トレーニング済みのニューラルネットワーク

最適化された推論エンジン

developer.nvidia.com/gpu-inference-engine

19

GPU Inference Engine ワークフロー

DIGITS TRAINING TOOLS

OPTIMIZATION ENGINE

EXECUTION ENGINE

STRATEGY

20

GPU INFERENCE ENGINEパフォーマンス

バッチサイズ パフォーマンス 電力効率

Tesla M4 128 1153 images/s 20 images/s/W

Jetson TX1 2 133 images/s 24 images/s/W

developer.nvidia.com/gpu-inference-engine