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,能显著提升训练和推理性能。配合资源管理工具FastGPU快速构建AI计算任务,全面提升研发效率。

使用AIACC加速深度学习应用

一个使用AIACC加速的深度学习应用的基础架构如下图所示。aiacc
其中:
  • 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)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。

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,大大降低成本。
  • 支持多框架统一加速,显著提升训练和推理性能,而且适配工作量小。AI算法研发时验证周期更短,模型迭代速度更快,从而大大提升研发效率。

神龙AI训练加速引擎AIACC-Training(AIACC训练加速)

AIACC-Training(AIACC训练加速)支持优化基于AI主流计算框架(包括TensorFlow、PyTorch、MxNet和Caffe)搭建的模型,能显著提升训练性能。

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

AIACC-Training(AIACC训练加速)针对AI主流计算框架统一抽象出通信接口类和基础组件类,同时提供统一的基础通信类和梯度入口层,从而进行统一的分布式性能优化。详细架构如下图所示。training-arc
AIACC-Training(AIACC训练加速)训练方式支持数据并行和模型并行,以数据并行为主。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%至300%。
  • 采用去中心化梯度协商机制,将大规模节点下梯度协商的通信量降低1到2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。
  • 支持在训练过程中开启NaN检查,支持定位NaN来自于哪个梯度(需要为SM60及更新平台)。
  • 提供针对MXNet的API扩展,针对InsightFace模型支持数据并行和模型并行。
  • 提供针对RDMA网络的深度优化。
  • 支持混合链路通信(RDMA和VPC)。
  • 支持Gossip方式梯度压缩。
  • 支持Multistep方式梯度通信优化。
  • 针对MXNet支持跨卡同步BN的算子。

神龙AI推理加速引擎AIACC-Inference(AIACC推理加速)

AIACC-Inference(AIACC推理加速)支持优化基于TensorFlow和可导出ONNX格式的框架搭建的模型,能显著提升推理性能。

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)提供模型转换工具将已有模型统一转换到TF模型或ONNX模型,同时提供TensorFlow和ONNX加速引擎完成加速。详细架构如下图所示。inference-arc
AIACC-Inference(AIACC推理加速)支持的加速特性包括但不限于:
  • TensorFlow和ONNX加速引擎执行模型子图分割和子图融合,分割的子图传递给高性能算子加速库加速。
  • 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。