【Hello AI】神龙AI加速引擎AIACC-加速深度学习应用-阿里云开发者社区

【Hello AI】神龙AI加速引擎AIACC-加速深度学习应用

2024-01-11 530

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

云服务器 ECS，每月免费额度200元 3个月

云服务器ECS，u1 2核4GB 1个月

云服务器（按量付费），48vCPU 186GiB

简介： 神龙AI加速引擎AIACC是基于阿里云IaaS资源推出的AI加速引擎，用于优化基于AI主流计算框架搭建的模型，使用AIACC可加速深度学习应用，能显著提升模型的训练和推理性能。

神龙AI加速引擎AIACC是基于阿里云IaaS资源推出的AI加速引擎，用于优化基于AI主流计算框架搭建的模型，使用AIACC可加速深度学习应用，能显著提升模型的训练和推理性能。同时配合资源管理工具FastGPU快速构建AI计算任务，可以全面提升研发效率。接下来让我们一起更全面的了解阿里云——神龙AI加速引擎AIACC。

一、如何使用AIACC加速深度学习应用

神龙AI加速引擎AIACC包括AIACC-Training（AIACC训练加速）和AIACC-Inference（AIACC推理加速）两部分。通过AIACC加速深度学习应用时，基础架构图如下所示：

框架层	说明
资源层（阿里云IaaS资源）	在资源层使用阿里云IaaS资源，按需开启，满足大规模GPU集群的计算、存储、网络资源的弹性需求。
调度层（神龙AI加速资源管理）	在调度层使用FastGPU构建AI计算任务并管理大规模GPU集群相关的资源。更多信息，请参见什么是集群极速部署工具FastGPU。
框架层（神龙AI加速引擎）	在框架层使用AIACC实现多框架统一加速。AIACC主要利用了基于通信的性能优化技术，分布式训练时需要在各机器之间、GPU卡之间交换数据，需要做到高效的数据通信才能保证加速效果。更多信息，请参见神龙AI训练加速引擎AIACC-Training（AIACC训练加速）和神龙AI推理加速引擎AIACC-Inference（AIACC推理加速）。
应用层（神龙AI加速参考解决方案）	在应用层实现针对各种应用场景的深度学习应用，覆盖图像识别、目标检测、视频识别、CTR预估、自然语言理解、语音识别等常见场景。由于在框架层使用AIACC实现多框架统一加速，您只需调整少量代码即可大幅提升应用性能。

二、产品优势

使用AIACC加速深度学习应用具有以下优势：

基于阿里云IaaS资源，资源易用性和稳定性有保障。
配合FastGPU一键构建任务，缩短创建和配置资源的时间并提高GPU资源利用率，大幅降低成本。
支持多框架统一加速，显著提升训练和推理性能，且适配工作量较小。
采用AI算法研发时，验证周期更短，模型迭代速度更快，从而大幅提升研发效率。

三、神龙AI训练加速引擎——AIACC-Training（AIACC训练加速）

AIACC-Training（原Ali-perseus、Perseus-Training）是阿里云神龙计算加速团队基于阿里云IaaS资源层研发和维护的高效人工智能分布式训练加速组件，旨在实现开源兼容以及无感地加速您的分布式训练任务。

AIACC-Training（AIACC训练加速）的框架图如下所示：

框架层	说明
AI主流计算框架	AI主流计算框架包括TensorFlow、PyTorch、MxNet和Caffe。AIACC-Training支持对基于AI主流计算框架搭建的模型进行分布式训练和任务加速。
接口层	接口层主要包括统一通信接口类、统一基础组件类、统一基础通信类以及统一梯度入口层，该层提供了与AIACC-Training系统进行交互和通信的统一接口和组件。AIACC-Training兼容了PyTorch DDP和Horovod的API，对于原生的分布式训练实现了无感的性能加速。
底层加速层	底层加速层通常使用高性能分布式通信库统一实现模型的性能优化，与梯度协商优化、梯度融合优化、梯度压缩优化以及通信操作优化配合使用。针对阿里云网络基础设施和AI数据并行分布式训练的特性，AIACC-Training的优化带来了显著的性能提升。

AIACC-Training（AIACC训练加速）支持的加速特性包括但不限于：

梯度融合通信支持自适应多流、自适应梯度融合，显著提升带宽密集的网络模型的训练性能，提速50%~300%。
采用高度优化的在线/离线梯度协商机制，将大规模节点下梯度协商的开销降低一到两个数量级。
采用分级的Allreduce方法，支持FP16梯度压缩及混合精度压缩。
支持Gossip风格梯度压缩技术。
支持Multistep梯度通信优化。
提供针对RDMA/eRDMA网络的深度优化。
提供针对MXNet的API扩展，支持InsightFace类型的数据+模型并行，以及SyncBN Operator增强。
支持GroupComm的分组通信算子，能够快速构建数据+模型并行的复杂通信组合训练。

AIACC-Training（AIACC训练加速）的训练速度与训练成本具有显著优势。更多详细测试数据，请参见Stanford DAWNBench。

典型分布式训练的优化案例如下表所示：

客户	模型	框架	规模（GPU张数）	训练速度提升
某智能芯片厂商	图像分类	MXNet	256	100%
某智能芯片厂商	人脸识别	MXNet	256	200%
某汽车厂商	FaceNet	PyTorch	32	100%
某手机厂商	BERT	TensorFlow	32	30%
某手机厂商	GPT2	PyTorch	32	30%
某人工智能厂商	Faster-RCNN	MXNet、hvd、byteps	128	30%
某人工智能厂商	InsightFace	MXNet、hvd、byteps	128	200%
某在线教育	ESPnet	PyTorch-DP	16	30%
某在线教育	ESPnet2	PyTorch-DDP	16	30%
某在线教育	CTR	PyTorch	32	80%
某在线教育	OCR	PyTorch	32	30%
某手机厂商	图像分类	PyTorch	128	25%
某手机厂商	MAE	PyTorch	32	30%
某研究院	GPT2	PyTorch+Megatron	32	30%
某社交媒体	MMDetection2	PyTorch	32	30%
某金融智能	InsightFace	PyTorch	32	50%
某手机厂商	Detection2	PyTorch	64	25%
某视觉团队	insightface	MXNet	64	50%
某游戏厂商	ResNet	PyTorch	32	30%
某城市大脑	InsightFace	MXNet	16	42%
某制药科技	Autoencoder	PyTorch	32	30%
某自动驾驶	swin-transformer	PyTorch	32	70%

关于如何安装和使用AIACC-Training（AIACC训练加速），请参见：

四、神龙AI推理加速引擎——AIACC-Inference（AIACC推理加速）

AIACC-Inference（AIACC推理加速）的推理速度与推理成本具有显著优势。更多详细测试数据，请参见Stanford DAWNBench。

AIACC-Inference（AIACC推理加速）支持的加速特性：高性能算子加速库会在自研高性能算子和NVIDIA算子中找到最优算子，并生成高性能算子列表供加速引擎进行子图分割和传递。

关于如何安装和使用AIACC-Inference（AIACC推理加速），请参见：

好啦！小弹的分享到此为止。我们更欢迎您分享您对阿里云产品的设想、对功能的建议或者各种吐槽，请扫描提交问卷并获得社区积分或精美礼品一份。https://survey.aliyun.com/apps/zhiliao/P4y44bm_8

【扫码填写上方调研问卷】

欢迎每位来到弹性计算的开发者们来反馈问题哦~

【Hello AI】神龙AI加速引擎AIACC-加速深度学习应用

一、如何使用AIACC加速深度学习应用

二、产品优势

三、神龙AI训练加速引擎——AIACC-Training（AIACC训练加速）

四、神龙AI推理加速引擎——AIACC-Inference（AIACC推理加速）

云服务器ECS

热门文章

最新文章

相关课程

相关电子书

相关实验场景