微软发布 Project Brainwave, 基于英特尔 FPGA 的低延迟深度学习云平台

消息：今日，微软发布了 Project Brainwave，一个基于 FPGA 的低延迟深度学习云平台。微软官方测评显示，当使用英特尔的 Stratix 10 FPGA，Brainwave 不需要任何 batching 就能在大型 GRU （gated recurrent unit）达到 39.5 Teraflops 的性能。

微软表示：

“该系统为实时 AI 而设计——这意味着，它能以极低的延迟在接收数据后立刻处理请求。由于云基础设施需要处理实时数据流，不管是搜索请求、视频、传感器数据流还是用户交互，实时 AI 正在变得越来越重要。”

Project Brainwave 的系统可分为三个层面：

高性能分布式系统架构；

整合到 FPGA 硬件上的深度神经网络（DNN）引擎；

能 low-friction 部署已训练模型的编译器和 runtime。

第一个层面上，Project Brainwave 利用了微软数年建立起来的 FPGA 基础设施。通过把高性能 FPGA 连接到数据中心网络，微软可为 DNN 提供硬件微服务支持——把一个 DNN 加载到远程 FPGA 池子，再由一个 loop 中没有软件的服务器调用。这套系统架构既降低了延迟，因为 CPU 不需要处理传来的请求；也能达到非常高的吞吐率，FPGA 处理请求的速度能够达到网络接受请求的速度。

第二点，Project Brainwave 使用了一个非常强大的“软”DNN 处理单元（即 DPU），并整合到可购买的 FPGA 中。

有许多公司，把包括大企业和初创公司，正在开发“硬化”的 DPU。虽然很多这些芯片有很高的峰值性能，它们却必须要在设计时就对运算符和数据类型做出选择，这极大限制了灵活性。Project Brainwave 采取了另一条路，提供了一个横跨多种数据类型的设计。理想的数据类型可以在合成时间（synthesis-time）做选择。该设计把 FPGA 上的 ASIC 数字信号处理模块与合成逻辑整合起来，提供更多、数量上更加优化的功能单元。该方法在两个层面上利用了 FPGA 的灵活性。首先，我们定义了高度定制、窄精度的数据类型，借此在不牺牲模型精度的情况下提升了性能。第二，我们可以把研究创新快速整合到硬件平台设计——通常是几个星期，这在快速发展的领域特别必要。作为结果，我们实现了不弱于这些硬编码 DPU 芯片的性能。

第三点，Project Brainwave 内置了一个能支持各种深度学习框架的软件堆。我们已经对 Microsoft Cognitive Toolkit（注：改名后的 CNTK）和谷歌的 Tensorflow 提供了支持，并计划兼容更多框架。我们还定义了一个基于图的中间表达，能转化常见框架上训练的模型，编译到我们的高性能基础设施上。