AI性能基準測試從此有了「中國標準」！英偉達、谷歌可以試試這套算力卷
（原標題：AI性能基準測試從此有了「中國標準」！英偉達、谷歌可以試試這套算力卷）
在秀算力這件事上，近幾年一個叫MLPerf的AI性能基準測試，經常躍入人們的視線。
爲了拿這個標準證明實力，英偉達、谷歌等「算力」大廠的表現，可謂是賺足了眼球。
早在2018年12月，也就是MLPerf首次出爐之際，英偉達便基於自家Tesla V100，在包括圖像分類、物體分割、推薦系統等六項測試中均取得優秀成績，拿下全場最佳。
而此後，英偉達更是頻頻刷榜，就在剛剛過去不久的最新性能測試中，英偉達又憑藉A100 GPU打破了八項AI性能紀錄。
谷歌方面也是毫不示弱，憑藉4096塊TPU V3將BERT的訓練時間縮短到了23秒。
對此，谷歌AI掌門人Jeff Dean還在社交平臺發文表示：
很高興看到MLPerf 0.7的結果，谷歌TPU在八項基準測試中，創造了六項紀錄。
我們需要（換）更大的標準了，因爲我們現在在30秒內，就可以訓練ResNet-50、BERT、Transformer、SSD 等模型。
那麼問題來了，令這些「算力」大廠們競相追逐的MLPerf這套「考題」，真的是「AI性能基準測試的唯一標準」嗎？
不見得。
要達到理想的AI或者高性能計算（HPC）基準測試，具有三方面的挑戰：
· 首先，基準工作負載（workload）需要表示關於硬件利用率、設置成本和計算模式等的實際問題。
· 最後，使用簡單、較少的指標，就可以衡量AI應用上的整個系統性能。
反觀MLPerf，正如Jeff Dean所言，它具有固定的工作負載大小，這本身或許就是個錯誤。
因爲增加的算力，應當被用來解決更大規模的問題，而不是用更少的時間去解決相同的問題。
而像LINPACK這樣的基準測試，在沒有代表性工作負載的情況下，又無法反映AI的跨棧性能。
針對上述問題，清華大學、鵬城實驗室、中科院計算所聯合推出了一套「中國AI試卷」——AIPerf。
簡單來說，AIPerf的特點如下：
· 基於的是自動化機器學習（AutoML）算法，能夠實現深度學習模型的實時生成，對不同規模機器有自適應擴展性，並可檢驗系統對通用AI模型的效果。
· 通過全新的解析方式計算浮點數運算量，可快速準確的預測AI任務中需要的浮點數運算，以此計算浮點數運算速率並作爲評測分數。
那麼，中國的這套「AI試卷」具體難度幾何？科學與否？
還請各位看官繼續品讀。
中國的這套「AI試卷」長什麼樣？
攤開這套「AI試卷」，全貌如下：
△ AIPerf基準測試工作流程圖
剛纔也提到，AIPerf是基於AutoML算法來實現，在框架方面，研究人員選擇的是一款較爲用戶友好的AutoML框架——NNI （Neural Network Intelligence）。
但在此基礎上，研究人員針對「AI加速器閒置」、「模型生成耗時」等問題，對NNI框架進行了修改。
AIPerf的工作流程如下：
· 通過SSH訪問主節點，收集從屬節點的信息，並創建SLURM配置腳本。
· 主節點通過SLURM，將工作負載並行和異步地分配給對應請求和可用資源的從屬節點。
· 從屬節點接收到工作負載後，並行地進行架構搜索和模型訓練。
· 從屬節點上的CPU，據當前歷史模型列表搜索新的架構（該列表中包含了測試數據集上詳細的模型信息和精度），然後將架構存儲在緩衝區（如網絡文件系統）中，以便後期訓練。
· 從屬節點上的AI加速器加載「候選架構」和「數據」，利用數據並行性與HPO一起訓練後，將結果存儲在歷史模型列表中。
· 一旦滿足條件（如達到用戶定義的時間），運行就會終止。根據記錄的指標計算出最終結果，然後上報。
做完這套「AI試卷」，得到的分數又該如何來衡量和排名呢？
我們知道，FLOPS是當前最常用來反映高性能計算整體計算能力的性能指標。
在這套「試卷」中，研究人員還是用FLOPS作爲主要的指標，直接描述AI加速器的計算能力。
在AIPerf中，浮點數運算速率被當作一個數學問題來求解。通過對深度神經網絡的分解，對每個部分的運算量進行解析的分析，得到浮點數運算量。
結合任務運行時間，即可得到浮點數運算速率並作爲benchmark分數。
理論到位了，實驗就要跟上。
硬件規格方面如下：
最後，公佈性能結果！
研究人員在各種規模的機器上運行了AIPerf這項基準測試，主要對兩方面特性做了評估，分別是穩定性和可擴展性。
從10個節點到50個節點，最多有400個GPU。所有的中間結果，包括生成的架構、超參數配置、每個時間點的精度和時間戳，都記錄在日誌文件中。
下圖展示了用不同規模的機器進行評估的「基準分數」和「規範分數」（單位均爲FLOPS），隨時間產生的變化。
結果表明，AIPerf基準測試具有魯棒性和線性可擴展性。
接下來，是在不同規模機器下，GPU及其內存利用率的相關評估。
從圖中可以發現，AI訓練卡整體的計算和內存利用率很高（均大於90%）。在不同模型之間的過渡階段，由於數據的加載和計算圖的編譯等原因，利用率會有所下降。
爲什麼要出這套「試卷」？
「瀏覽試卷」後，就需要思考一個問題：
爲什麼要出AIPerf這套AI基準測試？
這個問題就需要「由表及裡」地來看待。
首先，從表象來看，類似MLPerf和LINPACK基準測試程序，自身存在一些漏洞和問題：
· 要麼工作負載大小是固定的，而算力的增加，應當用來解決更大規模的問題，限制了可擴展性。
· 要麼在沒有代表性工作負載的情況下，無法反映系統對AI的跨棧計算性能。
雖然諸如此類的評測標準，目前來看是具有一定的價值和意義，但客觀存在的不足也是不容忽視。
畢竟在當前人工智能飛速發展的大環境下，算力顯得格外重要，而完備及更加科學的「基準測試」，將有助於算力的發展。
由此看來，「基準測試」和「算力」更像一對作用力和反作用力。
其次，從深層意義來看，發展算力，是非常必要的。
對於高性能計算來說，早在1993年便誕生了「TOP500」榜單，從一開始的美國、日本霸榜，到中國算力的崛起，不難看出國家在這項建設中的投入。
原因很簡單，高性能計算對於各個國家發展航天事業、石油勘探、水利工程，再到新興的高科技產業，都起到至關重要的作用。
但伴隨着AI的興起，改變了一往傳統高性能計算的「求解方法」——AI+HPC纔是未來算力的發展趨勢。
近年來TOP500榜單，便能體現這一點：
· 首臺登頂榜首的ARM架構HPC，是基於富士通48/52核A64FX ARM。
· 排名第二的SUMMIT，採用IBM Power+NVIDIA V100。
· ……
榜單中近30%系統擁有加速卡/協處理器，也就是說，越來越多的系統配有大量低精度算術邏輯單元，用來支撐人工智能計算能力需求。
而在我國，也有越來越多的企業，開始或已經佈局其中。
例如華爲、浪潮、聯想等，均拿出了自家強悍產品，在諸如TOP500、MLPerf等榜單中大顯身手。
再從實際應用層面來看，或許你覺得發展算力對平民百姓並沒有用，但其實不然。
恰好每年大血拼的「雙11」即將來臨，而每個電商平臺背後，都有一套強有力的推薦系統，也就是用戶經常看到的「猜你喜歡」功能。
推薦得準不準、快不快，很大程度上也是依賴於AI算力的強大與否。
再則，每年上千億元成交額，能夠保證及時付款成功，AI算力也是功不可沒。
……
最後，回到最初的那個問題：
中國出的這套「AI試卷」，即ALPerf，英偉達、谷歌等老牌算力大廠又會有怎樣的表現？
「超級算力大會」
一切的謎底，均將在《第二屆中國超級算力大會ChinaSC》中揭曉。
在這場大會中，將匯聚國內外院士、知名學者和產業大咖，圍繞超級計算、新基建、雲計算、大數據、人工智能、區塊鏈等新一代信息技術前沿技術進展。
當然，重頭戲，將發佈兩大重磅榜單：
· 《2020中國高性能計算機性能排行榜TOP100》
· 《2020國際人工智能性能AIPerf500排行榜》
此外，還有一系列精彩內容值得關注：
· 2020年業內知名院士和專家前沿技術分析和解讀
· 2020中國超級計算產業趨勢分析和預測
· 2020中國大數據與智能計算產業領軍企業頒獎
是騾子是馬，到時候看看。
11月15日，北京麗亭華苑大酒店，這場算力盛宴，你值得關注。
論文作者：
Zhixiang Ren，Yongheng Liu，Tianhui Shi，Lei Xie，Yue Zhou，Jidong Zhai，Youhui Zhang，Yunquan Zhang，Wenguang Chen