雷锋网按：本文作者谭洪贺，资深IC工程师。博士毕业于清华大学，多年一直从事于数字集成电路开发工作。从DSP、ASIP到特定加解密算法的ASIC低功耗实现，从音视频编解码的高性能设计到计算机视觉、语音识别的高效能实现，逐步进入AI领域。现任地平线机器人技术资深IC工程师，深度参与AI算法在芯片端的实现工作。
本文首发于谭洪贺个人知乎，从ISSCC2017的session 14 Deep Learning Processor的几篇文章出发，分析同行们都用了哪些方法来降低 DL 加速器和处理器的功耗，提高能效。
本文适用读者：对 Deep Learning 算法有一定了解的 IC 工程师，对 IC 设计和计算机架构有一定了解的算法工程师。
▼
先来一张slide镇镇场，tutorial上Verhelst总结了近几年VLSI和ISSCC会议上发表的一些结果。其中，灰色的图标应该都是ISSCC2017以前的结果。这张图体现了性能、错误率、能效三方面的trade off。
性能上，大家似乎很难超GPU，但是能效上，可以算是秒杀。大家都喜欢拿自己的数据和NVIDIA的GPU比较，然后可以给出很漂亮的对比结果，甩出NVIDIA几条街。
但是大家也不要兴奋，学术界成果给出的数据，总是不能闭着眼睛就接受的。大家都是过来人，都懂的。
目录
1、使用低功耗工艺。涉及14.1，14.5
2、降低数据计算功耗
2.1 降低weight量化位数。涉及14.2
2.2 优化乘法。涉及14.2
2.3 降低计算精度。涉及14.5
2.4 稀疏化。涉及NVIDIA，combricon，leuven
3、降低数据翻转功耗。涉及14.3
4、降低数据存储访问功耗。涉及14.6，14.7
5、存储器上的新花样
一般提到低功耗工艺，可能大家普遍想到的还是foundary的low power工艺，HVT/LVT library等。
在ISSCC 2017的session 14上，出现了SOI工艺的身影。有几家以可穿戴或IOT为应用目标的研究机构已经使用SOI工艺来做DL processor了。
下表列出了ISSCC2017上的几篇文章使用的工艺。session中有有两篇使用了FDSOI工艺，Forum中，ETH Zurich的PULP项目的芯片也使用了28nm FDSOI。
作为做IOT等低功耗产品所喜欢的工艺，FD-SOI工艺的优点是，
a.well和衬底 间的寄生电容很小，漏电小，减少了静态功耗。
b.可以通过控制Body Bias的电压，来控制晶体管的工作。
如果加入正偏压，可以提高器件响应速度，增强性能；如果加入负偏压，相当于可以关掉晶体管，使晶体管只有很低的漏电流，大概是1pA/micron的水平。
这种方式关闭、开启电路器件的方式，要比power gate控制速度快。
不过，工艺这件事，不是你想用哪家就可以用哪家的事情。ISSCC上发文章的都还是以高校研究院所为主。对他们来说，SOI工艺的成本还是太高。你看KAIST的文章，前两年是65nm，这两年的文章还是以65nm为主。
14.1的文章用图形显示现在流行了几家Net里的操作以及参数的数量级。可以看到，为了解决更复杂的应用和提高准确度，操作数量和参数数量都很吓人。
从14.1的另外一张图中可以看到，对于AlexNet的不同layer，操作和参数的数量是不同的。尤其是，对于卷基层和全连接层，操作以及参数的数量都差别较大。
再看14.2的一张图，对于卷基层、全连接层和RNN，操作和参数的数量差别也很大。不用太纠结与14.1的区别，14.2这里没有提这些模型参数的具体来源。
因此，直观地，在不能大幅降低算法精度的前提下，为了降低功耗，可以拍脑袋想出好几方面
a.减少参与操作的数据或参数的数量。例如，稀疏化方案。
b.减少操作数的字长。例如，降低weight量化位数。
c.减少操作的复杂度。例如，优化乘法计算，降低乘法计算的精度。
下面就带着读者来看看ISSCC上各家高手们是怎么在这几方面各显神通的。
2.1 降低weight量化位数
14.2提出了一种在线调整的动态定点方法。从给出的对比图中可以看出，这个方法可以只使用4bit来量化weight，达到其他方法8bit的精度。
这个方法的理论基础是，对于每一层，weight的最大值是不一样的，weight参数的分布也是不一样的。
在我们知道weight分布大概是一个高斯分布的基础上，可能只需要关心3个σ以内的weight数值。那么，每一层有效的weight数值的取指范围就会不一样。
如果，将每一层weight数值都乘以一个不同的系数，例如，左移或右移几bit，那么，就有可能将不同层的weight分布转换为相同或相近的分布形态。
进一步的，就可以在保留精度的基础上，用相同的bit来进行量化。
理论基础很简单，所以必然是有牛人认识到这个问题的。
14.2引用的一个方法是基于离线学习的动态定点方法，就是在训练学习的过程中确定每一层weight表示的小数点位置。这是依赖于训练数据的。
14.2的方法是在线调整的动态定点方法。在实际计算过程中，每层根据累加器的计算溢出情况，修改一次fraction point位置。
从其给出的结果看，全部使用4bit字长来表示weight，效果还不错。除了最初几帧，使用4bit字长所能得到的score，和使用32bit浮点的结果是差不多的。
从能效的对比结果看，还是很有效果的。但是，文章中的能效数据的提高，并不只是依赖于这个方法（还是用了基于LUT的乘法，稍后介绍）。
BNN
比4bit更激进的，可以是2bit。最极端的，weight可以是1bit。当weight变为1bit的时候，就成了一种特殊的网络——BNN（binary neutral network）。
近来研究BNN的也不少，只是ISSCC2017的正式论文里还没有专门针对BNN的。ISSCC2017最后一天的forum里（forum好贵），来自ETH Zurich的PULP项目做的处理器对BNN的计算进行了专门优化。需要赞的是，他们的加速器的名字比较牛——YodaNN。Yoda，对，就是Starwars 里面的绝地武士，Yoda大师，"small in size but wise and powerful"的Yoda大师。亲爱的做IC的兄弟们，“May the force be with you”。
2.2 优化乘法
可以接着上一节继续说了，还是14.2这篇文章，用查找表的方式来代替乘法运算。
作者将输入乘法器的16bit数据分割为4个4bit数。16bit乘法变成4个4bit乘法然后求和的运算。为了快速实现4bit乘法，作者使用了查表的方式。作者将weight的奇数倍结果预先存到LUT内（偶数倍不需要真的存下来），乘法就变成了查表。这个方法是要结合这篇文章的动态策略（见上一节）来使用的。
看到这里，如果你想问“这种形式的乘法器和16bit直接乘相比，究竟能省多少功耗？”，那么说明你可以在工程师这条路上走的更远、飞的更高。答案，我也不知道。除了图里显示的逻辑电路，你还得考虑，weight的宽度，weight的选择电路实现，等等。理论上，weight的宽度是不限制的。但是，weight的宽度会影响部分积PP0/1/2/3、部分和PS1/2的宽度。
14.2中，最后将w的宽度定为了4bit。
14.2还提出了一种基于量化表的乘法实现方式，以降低全连接层（FCL）的计算功耗。作者将训练得到的FCL的浮点weight值进行非均匀分布的量化。可以是4-7 bit的量化。以4bit量化为例，得到16个量化后的weight值，然后针对一个输入数据i，分别乘以16个weight值，计算得到16个乘法结果，存为table。14.2的设计中，如果是4bit量化，可以同时存8个这种table（如果对weight做7bit量化，只能存一个table）。在做FCL计算时，先取8个数点，得到8个table，然后把这8个输入点相关的所有MAC计算做完，可以得到输出点的部分和。然后，再选另外8个输入点，产生新的8个table，继续计算部分和。不断循环，得到输出层的所有结果。基于这种方法，除了建立table，所有乘法计算都被替换成了查表。
根据文章描述，减少了99%的乘法计算量，降低了75%的片外存储器的带宽。这对降低功耗都是有积极贡献的。从对比结果看，能效优势明显。哦，对了，需要提一下，用来对比的是han song的EIE那篇文章，电压一栏的数据明显不对（不要赞我有一双发现美的眼睛）。
2.3 降低计算精度
其实，前面说的降低weight的量化位数，也可以算是一种降低计算精度。只要能满足应用需求就行。
但是，这一节说的降低计算精度，是另外的事情。
14.5文章里，提到了DVAFS。作为一个IC工程师，DVFS自然知道的。那么DVAFS是什么鬼？看英文，Dynamic-Voltage-Accuracy-Frequency-Scaling。好吧，字面意思知道了，具体呢？
其实，Dynamic Accuracy并不是ISSCC2017的文章里首次提出来的概念。14.5的文章作者Moons引用了自己JSSC2016上的文章，见图。有的时候，两个4bit数相乘时，结果的LSB可能并不重要，只需要MSB结果就可以了。于是，直接算一下两个4bit数的高2bits相乘的结果就可以了。这就是dynamic accuray的概念了。至于，什么时候需要4bit乘的结果，什么时候只需要高2bit乘的结果，谁知道呢。动态的意思就是说，自己看着办吧。对结果准确度要求高的时候，用4bit乘吧；对功耗要求高的时候，用2bit乘吧。你开心就好。
既然提到了DVAFS，就简单说说吧。上面提到的DVAS中，如果只做2bit乘，会有其他3/4的乘逻辑没有工作。此时，可以利用其中的一部分，同时做另外一个2bit乘法。这样，同时就做了两个2bit乘法。从效率角度看，相当于频率提高了一倍。
14.5中，根据算法或应用需要，可以动态配置乘法器，为一个16bit乘法，或者是2个8bit乘法，或是4个4bit乘法。这就是DVAFS和DVAS的区别了。
有心的人可能早就发现了，14.2中基于LUT的可配置乘法器也是可以当做4个4bit乘、2个8bit乘或是1个16bit乘的。哎呦，不错哦。
2.4 稀疏化
（ISSCC2017对稀疏化没有特别值得谈的亮点，本节纯属赠送）
稀疏化是Deep learning算法的一个趋势，对硬件加速器或处理器的设计实现有较大的影响。但是，稀疏化并不是为了降低功耗而出现的。先有算法的稀疏化，然后设计加速器和处理器的吾等苦*们就要考虑如何应对这种奇葩的情况。
先简单扫盲一下，稀疏化可以分为feature稀疏化和weight稀疏化。
feature稀疏化：feature经过卷积计算后，再经过ReLU，就会变得稀疏。找张图看吧，不多说了。
weight稀疏化：用来做卷积的kernel中的weight参数，可以有一部分为0。
如果不管稀疏化，还用原来的加速器或处理器来执行稀疏化后的算法，那么就会有很多浪费的存储和计算。所以，稀疏化给IC工程师带来了一系列问题。
-ReLU计算之后的0值，要不要存储到片外memory或片内sram内？
-稀疏化的weight参数，怎么存储？0元素要不要存？
-大量的0元素，如果存在memory里，很浪费空间。如果不存，电路读feature或weight的时候，怎么知道哪些数据是0，哪些不是？
-有0元素参与的乘运算，怎么处理？调用MAC直接计算一下a*0？还是直接bypass MAC？
ok，好多问题。有没有一脸的懵圈？
真想看看同行们是怎么做的，遗憾的是，ISSCC2017上的几篇文章，都没有太多针对稀疏化的新的亮点。那就用上搬山、 卸岭之能，开动发丘、摸金之术，随便看看吧。
LEUVEN的ENVISION
来自leuven的14.5的这篇文章里，提到使用了sparse network。但是，这不是他们今年的新亮点，这是他们VLSI2016上的工作。见图，sparsity的信息存储在GUARD SRAM中，用来控制乘法器模块是否进行计算。如果乘数为0，FRD SRAM中的index会是0，就会关闭相应位置的乘法，节省计算功耗。
直接上VLSI2016上的文章的截图。在GRD SRAM的帮助下，功耗可以优化1.9x。借用moons这篇文章的一张表，可以看到稀疏化带来的好处。
Eyeriss
由于在ISSCC2017会场见到了vivienne，就把她们ISSCC2016的牛文eyeriss拿出来说说吧（这奇怪的逻辑也是没谁了）。
Eyeriss在处理稀疏化的feature上的做法是：压缩。设计了一种压缩方式，将稀疏化的feature压缩后存储到外部DRAM内。效果呢，如下图，可以降低存储空间。考虑到DRAM访问的功耗不小，也算是降低了功耗。
在处理有关0值参与的乘法运算时，eyeriss使用了skip的方法：遇到0，跳过乘法计算（从图上看，实际是计算的0*0），跳过weight参数的读取，可以节省PE的功耗45%。
总结一下，针对稀疏化，eyeriss做了三点：不从ram中读0值，不做乘0的乘法，压缩片外数据存储。都可以降低功耗。
此外，还有两个报告提及了稀疏化。
NVIDIA
NVIDIA在ISSCC2017最后一天的forum上做了报告。
NVIDIA报告基本上都在讲Han Song的那篇EIE的peper，有兴趣的去翻翻吧。
寒武纪
同样在forum上，寒武纪的报告把diannao家族深情地回忆了一遍，没有提及cambricon指令集（ISA属于计算机架构了，ISCA上讲才合适嘛），也没有提及用于sparse neural network的Cambricon-X加速器（处女座要哭，作为DL加速器，竟然不是diannao家族成员。起名cambricon-X，竟然不是cambricon 指令集的扩展。这听起来不make sense啊）。
对cambricon-X感兴趣的，自行google学术吧。哦，对不起，上不去，百度学术吧。继续吐槽，百度挺不错的，能在最硬的国际会议的forum上做一个又虚又软的报告，也是能力的一种体现。
14.3文章中做了些有意思的工作，分析了一下weight的分布，发现weight是均值为0的高斯分布。如果用传统的二进制补码（TC）的方式表示，负数表示中为1的bit会很多。而如果用符号位+幅值（SM）的方式表示，可以降低为1的bit数，进而就可以减少计算的翻转率，从而降低计算功耗。
废话少说，直接上图。实验结果显示，SM的功耗略低于TC。下图，只看最左边三个数据既可以了。
借ISSCC2016的那篇Eyeriss的一张slide。可看到，数据访问所带来的功耗要远大于计算的功耗。因此，可以从两方面着手，降低系统执行Deep Learning算法时的memory访问功耗。
一，减少存储功耗。例如，前面说的稀疏化，减少了feature和weight，通过压缩或者特殊设计的存储方式，就可以降低存储空间。不再累述。
二，减少访问功耗。这方面今年有几篇文章都有亮点。
14.6
先看14.6的文章，又是KAIST的。不得不吐槽，看人家的IEEE Fellow，学生发ISSCC跟bbs上灌水似得（不知道bbs是啥的，没关系，说明你很年轻）。去年在ISSCC2016的session14上灌了4篇文章，今年在session14上灌了两篇。
书回正传，14.6首先将feature乘以矩阵kernel近似成了两步乘以向量的运算。然后，引入一种定制的7T bit-cell的SRAM，可以支持行方向和列方向两种读取模式，即其所谓的conventional r/w和transposed r/w。
分析一下，将矩阵分解成独立的两个向量，可以减少weight参数数量，减少weight读取次数；引入transposed r/w，可以一个周期读取列方向多个数据，可以减少访问sram列方向的次数。综合下来，给出的实验结果表明，可以降4.2倍activity factor。
但是，这不是功耗数据。从其分解的操作来看，对kernel为n*n的卷积运算来说，至少多做了n次乘法。并且，T-SRAM的面积是传统6T SRAM的1.4倍。所以，实际上T-SRAM的效果可能没有那么有吸引力。
在会议的Demo现场中，撞到KAIST的大佬HJ YOO，自然要讨论一下这个T-SRAM。HJ YOO很自豪地地表示这个T-SRAM是他们自己设计的，而不是三星给做的。并且，YOO Fellow说，如果google过他，应该知道他一开始就是做memory出身的。好吧，服了u。来来来，“May I take a photo with you？”咔嚓咔嚓。
14.7
这是Michigan大学的一篇文章。它将PE可以访问的memory分为四级，每级的大小不同。对于经常访问的数据，放在L1；很少访问的数据，放到L4。
这种做法的出发点很容易理解。sram size（图中的bank size）越大，每次访问所需的能量越多，也就是读取一个数据所浪费的能量越多。所以，将数据分级存储到不同size的sram中。存在bank小的sram的数据，虽然访问频繁，但是每次访问的能量少。存在bank size大的sram里的数据，虽然每次访问的能量大，但是访问次数少。
如果你以为这就结束了，那就太小看ISSCC文章的水平了。在不访问sram的时候，sram也是有静态功耗的。IC界处理这种情况的常用方法是，使用有retention功能的sram。在低功耗模式下，关闭sram 的工作电源，但是保留一个可以保持sram存储内容的电压。
这篇文章在使用有retention功能的sram的方式上，使用了动态控制的方法。除了动态控制正常的sram控制信号，还动态的控制sram的PG_EN信号。不只是动态控制不同level的sram，还包括每级sram里的不同bank。
从结果看，的确还不错。作为一个ICer，需要提的问题是：Dynamic Drowsy Mode下，SRAM的访问时间与alway on 比，有多少延迟？直接点，SRAM上电时间是多少？这个答案俺知道，不到100ns。如果系统跑在100M，要等10个周期。你要问这数据靠谱吗？只能告诉你，哥们用微信问的，信不信由你。
Forum上，PULP用了SCM。第一次听说SCM，哥们有点慌，被业界甩了好几条街的样子。赶紧看看是什么鬼，原来就是用standard cell做的memory哈。摒弃标准6T的SRAM，用这个SCM，必然是有好处的。好处就是和standard cell一样，在VDD降到很低时，依然可以工作。对比之下，6T SRAM的工作电压只能降到0.7伏左右。
但是，没有绝对的事情。本人跑去听了ISSCC2017的另外一个session，这个session的主题就是“SRAM”。
先来一个ISSCC2016发布的总结性的趋势图。即使到14nm，SRAM的电压似乎也只能到0.75V。SRAM的VDD的降低程度，在40nm以后一直赶不上logic的VDD降幅。
session12.3的文章中，TSMC做了一个10nm的针对移动应用的sram。可以看到，这个sram的工作电压范围很宽。
最后，再来一个有意思的。这是会上的一个poster。作者在6T SRAM上，做了一个独特的电路，可以在SRAM内就做完乘法。例如，把4bit的weight存在sram内，然后根据输入的feature数据，编码得到4bit的控制时序，送入SRAM接口，然后既可以得到4bit乘法结果。听着是不是很高大上？跑个题，第一作者名字看着很像华人，一问才知，是个韩国人。只好英文交流，累死个人了。
结束语
“吾生也有涯，而知也无涯”，我掉Deep Learning的坑里了，拉你一把，一起掉下来吧。
正在生成分享图...
nebula