阿里云震旦异构计算加速平台基于NVIDIA Tensor Core GPU

　　阿里云震旦异构计算加速平台基于NVIDIA Tensor Core GPU，通过机器学习模型的自动优化技术，大幅提升了算子的执行效率，刷新了NVIDIA A100、A10、T4的GPU单卡性能。并基于8张NVIDIA A100 GPU和开放规则，以离线场景下每秒处理107.8万张图片的成绩，打破MLPerf 1.0推理性能测试纪录。

　　阿里云自研震旦异构计算加速平台，适配GPU、ASIC等多种异构AI芯片，优化编译代码，深挖和释放异构芯片算力，支持TensorFlow、Caffe、PAI等多种深度学习框架，可实现AI框架及算法的无缝迁移适配，支持云变端多场景快速部署，大幅提升AI应用开发效率。

　　在MLPerf推理性能测试结果1.0版中，震旦异构计算加速平台，基于8卡NVIDIA A100 GPU配置上性能夺魁，在开放规则的离线场景下取得每秒处理107.8万张图片的成绩。

　　首先在顶层算法模型上，使用基于自动机器学习（AutoML）的模型设计方式，这种方式可以获得比人工设计更高效的模型。震旦基于MIT的先进的神经网络架构搜索算法Once-For-All。

　　使用了基于强化学习的自研搜索算法获得了高性能子网络；之后通过INT8量化获得硬件加速继续提高性能，并在量化前进行深度重训练，以保证量化后的精度能够达到测试的精度要求。

　　IRB即反转残差块（Inverted Residual Block），是用于网络架构搜索的基本模块。每个反转残差块包括三层卷积算子，图上反转残差块的长度代表了该块的输出channel数量。

　　一般机器学习框架的算子实现专注于优化主流的神经网络架构，而对于NAS的反转残差块则效率不佳，震旦使用了基于自动调优的大规模算子融合技术，大幅提高了推理时算子对GPU的利用率，并且可根据不同的架构自动调优到最佳算子实现。

　　因此能快速发掘全新GPU架构的潜力，例如对于A100上通过MIG（多实例GPU）技术产生的具有不同计算资源的GPU实例，震旦算子优化技术可以通过自动调优来进一步提升计算资源利用率。

　　打破纪录的背后，在硬件平台上也得益于NVIDIA A100 GPU 强大的算力支持，近5倍于上一代的INT8性能使得超越百万级性能成为可能。另外，NVIDIA GPU的通用性，即通过CUDA直接对硬件编程，使得用户可以针对其特有的神经网络模型进行定制优化，这让震旦基于GPU的自动算子调优技术成为了现实。

　　最终获得的调优算子可以更高效地利用A100最新的Tensor Core硬件指令以及更大的共享内存，从而交出了软硬件协同优化的满意答卷。

　　在MLPerf推理性能测试结果1.0版本图像分类性能测试中，阿里云震旦异构计算加速平台，基于NVIDIA A100 GPU平台和开放规则，在离线场景下以每秒处理107.8万张图片的成绩，打破了此前谷歌保持的绝对性能榜单的世界纪录。这也是阿里在通用GPU平台第一次取得100万+这样的成绩。

　　此次阿里云震旦异构计算加速平台基于NVIDIA通用GPU硬件，通过机器学习模型的自动优化技术，大幅提升了算子的执行效率，刷新了NVIDIA GPU单卡性能。无论是新推出的A100和A10，还是已面市3年的T4，都带来了单卡性能的大幅提升。

　　编辑：jq