1、Scalar、Vector、Marix、Tensor，點(diǎn)線面體一個(gè)都不少

我們先從點(diǎn)線面體的視角形象理解一下。點(diǎn)，標(biāo)量（scalar）；線，向量（vector）；面，矩陣（matrix）；體，張量（tensor）。我們再詳細(xì)看一下他們的定義

Scalar定義：標(biāo)量是只有大小、沒有方向的“量”。一個(gè)具體的數(shù)值就能表征，如重量、溫度、長度等。

Vector定義：向量是即有大小、又有方向的“量”。由大小和方向共同決定，如力、速度等。

Matrix定義：矩陣是一個(gè)“按照長方陣列排列”的數(shù)組，而行數(shù)與列數(shù)都等于N的矩陣稱為N階矩陣，在卷積核中我們常用3x3或5x5矩陣。

Tensor定義：張量是一個(gè)“維度很多”的數(shù)組，它創(chuàng)造出了更高維度的矩陣、向量，在深度學(xué)習(xí)知識域的術(shù)語中張量也可解釋為數(shù)學(xué)意義的標(biāo)量、向量和矩陣等的抽象。即標(biāo)量定義為0級張量，向量定義為1級張量，矩陣定義為2級張量，將在三維堆疊的矩陣定義為3級張量，參考下圖。

2、深度學(xué)習(xí)依賴Tensor運(yùn)算，GPU解決了算力瓶頸（1）卷積網(wǎng)絡(luò)神經(jīng)中有海量的矩陣運(yùn)算，包括矩陣乘法和矩陣加法 參考機(jī)器學(xué)習(xí)中的函數(shù)（4） - 全連接限制發(fā)展，卷積網(wǎng)絡(luò)閃亮登場卷積神經(jīng)網(wǎng)絡(luò)（CNN）作為是實(shí)現(xiàn)深度學(xué)習(xí)的重要方法之一，整個(gè)網(wǎng)絡(luò)第一步就是應(yīng)用卷積進(jìn)行特征提取，通過幾輪反復(fù)后獲得優(yōu)質(zhì)數(shù)據(jù)，達(dá)成改善數(shù)據(jù)品質(zhì)的目標(biāo)，我們一起復(fù)習(xí)一下卷積層工作的這兩個(gè)關(guān)鍵步驟。

首先，進(jìn)行圖像轉(zhuǎn)換：先把我們眼中的“圖像”變成計(jì)算機(jī)眼中的“圖像”。

下一步，選擇一個(gè)卷積核進(jìn)行“濾波”：假設(shè)以一個(gè)2×2的小型矩陣作為卷積核，這樣的矩陣也被稱為“濾波器”。如果把卷積核分別應(yīng)用到輸入的圖像數(shù)據(jù)矩陣上（如上圖計(jì)算機(jī)眼中的貓），執(zhí)行卷積運(yùn)算得到這個(gè)圖像的特征圖譜（Feature Map）。從下圖體現(xiàn)看到，圖像的特性提取本質(zhì)上就是一個(gè)線性運(yùn)算，這樣的卷積操作也被稱為線性濾波。

2012年，辛頓（Hinton）和他的博士生（Alex Krizhevsky）等提出了經(jīng)典的Alexnet，它強(qiáng)化了典型CNN的架構(gòu)，這個(gè)網(wǎng)絡(luò)中卷積層更深更寬，通過大量的”卷積層->激活層->池化層”的執(zhí)行過程提純數(shù)據(jù)，因此在這個(gè)網(wǎng)絡(luò)中有海量的矩陣運(yùn)算，包括矩陣乘法和矩陣加法。

（2）應(yīng)用GPU解決算力瓶頸，Tensor是最基礎(chǔ)的運(yùn)算單元

Alexnet之所以是經(jīng)典中的經(jīng)典，除了它強(qiáng)化了典型CNN的架構(gòu)外，還有其它創(chuàng)新點(diǎn)，如首次在CNN中應(yīng)用了ReLU激活函數(shù)、Dropout機(jī)制，最大池化（Max pooling）等技術(shù)等。還有一點(diǎn)特別重要，Alexnet成功使用GPU加速訓(xùn)練過程（還開源了CUDA代碼），上世紀(jì)90年代限制Yann LeCun等人工智能科學(xué)家的計(jì)算機(jī)硬件“算力瓶頸”被逐步打開。

深度學(xué)習(xí)為什么需要GPU呢？因?yàn)橹挥蠫PU能夠提供“暴力計(jì)算”能力，降低訓(xùn)練時(shí)間。大家都知道，GPU處理器擁有豐富的計(jì)算單元ALU，它相對于CPU處理器架構(gòu)的優(yōu)勢就在于能執(zhí)行“并行運(yùn)算”，參考下圖中的一個(gè)簡單的矩陣乘法就是矩陣某一行的每一個(gè)數(shù)字，分別和向量的每一個(gè)數(shù)字相乘之后再相加，這就是并行運(yùn)算。

而如剛才討論的深度學(xué)習(xí)中的運(yùn)算大部分都是矩陣運(yùn)算，讓計(jì)算從“單個(gè)的”變成“批處理的”，充分利用GPU的資源。而Tensor是專門針對GPU來設(shè)計(jì)的，Tensor作為一個(gè)可以運(yùn)行在GPU上的多維數(shù)據(jù)，加速運(yùn)算速度，提升運(yùn)算效率。參考深度學(xué)習(xí)靠框架，期待國產(chǎn)展雄風(fēng)中的討論，在一個(gè)框架中，必須有“張量對象”和“對張量的計(jì)算”作基礎(chǔ)，TensorFlow、PyTorch等等主流框架中，張量Tensor都是最基礎(chǔ)的運(yùn)算單元。

3、提升Tensor效率，大家各顯神通 現(xiàn)在主要的GPU廠家為了能夠提高芯片在AI、HPC等應(yīng)用場景下的加速能力，都在芯片計(jì)算單元的設(shè)計(jì)上花大力氣，不斷創(chuàng)新優(yōu)化。比如AMD的CDNA架構(gòu)中計(jì)算是通過Compute Unit來實(shí)現(xiàn)的，在Compute unit中就有Scalar、Vector、Matrix等不同的計(jì)算功能模塊，針對不同的計(jì)算需求各司其職。Nvidia的計(jì)算是通過SM來實(shí)現(xiàn)的，SM中計(jì)算從Cuda Core發(fā)展到Tensor Core，針對Tensor的計(jì)算效率越來越高，到今年三月份發(fā)布的H100系列中，Tensor Core已經(jīng)發(fā)展到了第四代。而Google干脆就把自己的芯片定義為TPU（Tensor processing Unit），充分發(fā)揮Tensor加速能力，其中主要的模塊就是海量的矩陣乘法單元。（1）英偉達(dá)的Tensor Core 今年3月份黃教主穿著皮衣發(fā)布了H100（Hopper系列），Nvidia每一代GPU都是用一個(gè)大神的名字命名，這個(gè)系列是向Grace Hopper致敬，她被譽(yù)為計(jì)算機(jī)軟件工程***、編譯語言COBOL之母。她也被譽(yù)為是計(jì)算機(jī)史上第一個(gè)發(fā)現(xiàn)Bug的人，有這樣一個(gè)故事，1947年9月9日當(dāng)人們測試Mark II計(jì)算機(jī)時(shí)，它突然發(fā)生了故障。經(jīng)過幾個(gè)小時(shí)的檢查后，工作人員發(fā)現(xiàn)了一只飛蛾被打死在面板F的第70號繼電器中，飛蛾取出后，機(jī)器便恢復(fù)了正常。當(dāng)時(shí)為Mark II計(jì)算機(jī)工作的女計(jì)算機(jī)科學(xué)家Hopper將這只飛蛾粘帖到當(dāng)天的工作手冊中，并在上面加了一行注釋，時(shí)間是15：45。隨著這個(gè)故事傳開，更多的人開始使用Bug一詞來指代計(jì)算機(jī)中的設(shè)計(jì)錯(cuò)誤，而Hopper登記的那只飛蛾看作是計(jì)算機(jī)里上第一個(gè)被記錄在文檔中的Bug，以后debug（除蟲）變成了排除故障的計(jì)算機(jī)術(shù)語。

讓我們回到英偉達(dá)GPU的計(jì)算單元設(shè)計(jì)，Nvidia的9代GPU中計(jì)算單元架構(gòu)演進(jìn)過程如下，Tesla2.0（初代）-> Fermi（Cuda core提升算力）-> Kepler（core數(shù)量大量增長）-> Maxwell（Cuda core結(jié)構(gòu)優(yōu)化）-> Pascal（算力提升）-> Volta(第一代Tensor core提出，優(yōu)化對深度學(xué)習(xí)的能力) -> Turning（第二代Tensor core）-> Ampere（第三代Tensor core）-> Hopper（第四代Tensor core），其中從Volta開始，每一代Tensor Core的升級都能帶來算力X倍的提升。Tensor core專門為深度學(xué)習(xí)矩陣運(yùn)算設(shè)計(jì)，和前幾代的“全能型”的浮點(diǎn)運(yùn)算單元CUDA core相比，Tensor core運(yùn)算場景更有針對性，算力能力更強(qiáng)，下圖就是NV一個(gè)計(jì)算單元SM中各種模塊的組成，各種類型的計(jì)算模塊配置齊全。

再詳細(xì)討論一下Tensor Core，Tensor Core是專為執(zhí)行張量或矩陣運(yùn)算而設(shè)計(jì)的專用執(zhí)行單元，每個(gè)時(shí)鐘執(zhí)行一次矩陣乘法，包含批次的混合精度乘法操作（區(qū)別于Cuda core每個(gè)時(shí)鐘執(zhí)行單次混合精度的乘加操作），矩陣乘法（GEMM）運(yùn)算是神經(jīng)網(wǎng)絡(luò)訓(xùn)練和推理的核心，Tenore Core更加高效。參考下圖（藍(lán)色和紫色為輸入，綠色是計(jì)算結(jié)果，中心的灰色部分就是計(jì)算單元），第一代Tencor Core加入Votal后，以4x4 矩陣乘法運(yùn)算時(shí)為例，參考英偉達(dá)白皮書上的數(shù)據(jù)，優(yōu)化后與前一代的Pascal相比，用于訓(xùn)練的算力峰值提升了 12 倍，用于推理的算力峰值提升了6 倍。

（2）Google的TPU

2013年，Google意識到數(shù)據(jù)中心快速增長的算力需求方向，從神經(jīng)網(wǎng)絡(luò)興起開始矩陣乘加成為重要的計(jì)算loading，同時(shí)商用GPU很貴，也為了降低成本，Google選擇了擼起袖子自己干，定制了Tensor Processing Unit（TPU）專用芯片，發(fā)展到現(xiàn)在已經(jīng)經(jīng)歷了4代了。

TPU V1：2014年推出，主要用于推理，第一代TPU指令很少，能夠支持矩陣乘法（MatrixMultiple / Convole） 和特定的激活功能（activation）。

TPU V2：2017年推出，可用于訓(xùn)練，這一代芯片指令集豐富了；提升計(jì)算能力，可以支持反向傳播了；內(nèi)存應(yīng)用了高帶寬的HBM；針對集群方案提供了芯片擴(kuò)展能力。

TPU V3：2018年推出，在V2的結(jié)構(gòu)上進(jìn)一步優(yōu)化，對各個(gè)功能模塊的性能都做了提升。

TPU V4：2022年推出，算力繼續(xù)大幅度提升，尤其是集群能力不斷優(yōu)化后，TPU成為谷歌云平臺上很關(guān)鍵的一環(huán)。

相信Google會在Tensor processing unit的路徑上繼續(xù)加速，對于云大廠來說，這是業(yè)務(wù)底座。

4、只有硬件是不夠的，TensorFlow讓Tenor流動(dòng)起來 我們看到了各個(gè)廠家在硬件上的不懈努力和快速進(jìn)步，當(dāng)然，只有硬件是遠(yuǎn)遠(yuǎn)不夠的，一個(gè)好的Deep Learning Framework才能發(fā)揮這些硬件的能力，我們還是從最出名的框架TensorFlow說起。

2011年，Google公司開發(fā)了它的第一代分布式機(jī)器學(xué)習(xí)系統(tǒng)DistBelief。著名計(jì)算機(jī)科學(xué)家杰夫·迪恩（Jeff Dean）和深度學(xué)習(xí)專家吳恩達(dá)（Andrew ）都是這個(gè)項(xiàng)目的成員。通過杰夫·迪恩等人設(shè)計(jì)的DistBelief，Google可利用它自己數(shù)據(jù)中心數(shù)以萬計(jì)的CPU核，建立深度神經(jīng)網(wǎng)絡(luò)。借助DistBelief，Google的語音識別正確率比之前提升了25%。除此之外，DistBelief在圖像識別上也大顯神威。2012年6月，《紐約時(shí)報(bào)》報(bào)道了Google通過向DistBelief提供數(shù)百萬份YouTube視頻，來讓該系統(tǒng)學(xué)習(xí)貓的關(guān)鍵特征，DistBelief展示了他的自學(xué)習(xí)能力。DistBelief作為谷歌X-實(shí)驗(yàn)室的“黑科技”開始是是閉源的，Google在2015年11月，Google將它的升級版實(shí)現(xiàn)正式開源（遵循Apache 2.0）。而這個(gè)升級版的DistBelief，也有了一個(gè)我們熟悉的名字，它就是未來深度學(xué)習(xí)框架的主角“TensorFlow”。

TensorFlow命名源于其運(yùn)行原理，即“讓張量（Tensor）流動(dòng)起來（Flow）”，這是深度學(xué)習(xí)處理數(shù)據(jù)的核心特征。TensorFlow顯示了張量從數(shù)據(jù)流圖的一端流動(dòng)到另一端的整個(gè)計(jì)算過程，生動(dòng)形象地描述了復(fù)雜數(shù)據(jù)結(jié)構(gòu)在人工神經(jīng)網(wǎng)絡(luò)中的流動(dòng)、傳輸、分析和處理模式。

Google的深度學(xué)習(xí)框架TensorFlow的有三大優(yōu)點(diǎn)

形象直觀：TensorFlow有一個(gè)非常直觀的構(gòu)架，它有一個(gè)“張量流”，用戶可以借助它的工具（如TensorBoard）很容易地、可視化地看到張量流動(dòng)的每一個(gè)環(huán)節(jié)。

部署簡單：TensorFlow可輕松地在各種處理器上部署，進(jìn)行分布式計(jì)算，為大數(shù)據(jù)分析提供計(jì)算能力的支撐。

平臺兼容：TensorFlow跨平臺性好，不僅可在Linux、Mac和Windows系統(tǒng)中運(yùn)行，還可在移動(dòng)終端下工作。

審核編輯：郭婷