伊瓢 发自 凹非寺 
量子位 报道 | 公众号 QbitAI

不久前，Julia Computing官方放出了一篇论文，展示将Julia代码和机器学习模型编译到谷歌云TPU的方法，可以实现在0.23秒内完成100张图片VGG19正向传递。

Jeff Dean看到这个方法后，开心的转了一作的Twitter，并且评价：真是又快又容易呀！

该方法应用的正是谷歌上个月给TPU开放权限的XLA（Accelerated Linear Algebra）编译器。

XLA嵌入

首先，需要定义动态语义和静态嵌入，定义一个运行时结构来嵌入XLA值

 1const AA{T, N} = AbstractArray{T, N} 2struct XRTArray{T, Shp, N} <: AA{T, N} 3storage::XRTAllocation 4# XRTArrays are constructable by 5# conversion from regular arrays 6function XRTArray( 7a::Array{T, N}) where {T, N} 8new{T, size(A), N}(transfer(a)) 9end10# XRTArrays are constructable from a11# remote memory allocation if12# (T, Dims, N) are specified13function XRTArray{T, Dims, N}(14a::XRTAllocation) where {T, Dims, N}15new{T, Dims, N}(a)16end17end

△ XRTArray的定义

假设我们有一个示例XLA操作’Foo’采用一个静态操作数（例如一个整数）和两个动态操作数。 我们将声明此嵌入如下：

1struct HloFoo <: HloOp{:foo}2static_operand::Int3end45function (hlo::HloFoo)(dop1::XRTArray,6dop2::XRTArray)7execute(hlo, dynamic_op1, dynamic_op2)8end

手动构建XLA嵌入：

 1# An HLO operand that generates a random 2# uniform random number of the specificed 3# shape and element type: 4struct HloRng <: HloOp{:rng} 5Type 6Shape 7end 8 9"""A function that adds random numbers to10each entry of a 1000x1000 matrix"""11@eval function add_rand_1000x1000(12A::XRTArray{Float32, (1000, 1000), 2}13random = $(HloRng(Float32,14(1000, 1000)))()15result = $(HloAdd())(random, A)16return result17end18

将Julia映射到XLA

现在，可以将Julia代码编译到XLA，不过Julia不是用HLO运行的，而是根据Julia库提供的功能编写的。

好在，Julia使用多个调度可以很容易地表达如何用HLO实现标准库抽象。下面是一个简单的例子：

 1# Matrix-Matrix and Matrix-Vector product 2function Base.:*(A::XRTMatrix, 3B::Union{XRTMatrix, XRTArray}) 4ddots = DimNums((1,), (0,), (), ()) 5HloDot(ddots)(A, B) 6end 7Base.transpose(A::XRTArray) = 8HloTranspose((1,0))(A) 9# Scalar addition10Base.:+(A::XRTArray{T, (), 0},11B::XRTArray{T, (), 0})12where {T<:XLAScalar} =13GenericHloOp{:add}(T, ())(A, B)

结果比对

论文中举了VGG19正向传递和反向传递的例子。

VGG19正向传递使用Metalhead软件包Mike Innes＆Contributors（2018）中的VGG19实现，它利用了Flux Innes＆Contributors（2017）框架将熟悉的机器学习层（卷积层，密集层）转换为线性代数运算。

但是，重要的是，Flux框架中的每一层都只是一个常规函数，而这些函数又调用常规线性代数运算。因此用Flux表达的机器学习模型只需要简单的Julia函数，适用于本文所述的方法。

VGG反向传递则使用基于Zygote.jl编译器的AD框架Innes（2018）。Zygote对Julia代码进行操作，其输出也是Julia函数，适合重新引入Zygote以获得更高阶导数，但也适合编译到TPU。

这张表格展示编译到XLA后，Metalhead.jl VGG19正向传递和反后传递的指令计数细分。

传送门

Automatic Full Compilation of Julia Programs and ML Models to Cloud TPUs
作者：Keno Fischer, Elliot Saba
https://arxiv.org/abs/1810.09868

— 完 —

加入社群

量子位AI社群开始招募啦，欢迎对AI感兴趣的同学，在量子位公众号（QbitAI）对话界面回复关键字“交流群”，获取入群方式；

此外，量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募，面向正在从事相关领域的工程师及研究人员。

进专业群请在量子位公众号（QbitAI）对话界面回复关键字“专业群”，获取入群方式。（专业群审核较严，敬请谅解）

活动策划招聘

量子位正在招聘活动策划，将负责不同领域维度的线上线下相关活动策划、执行。欢迎聪明靠谱的小伙伴加入，并希望你能有一些活动策划或运营的相关经验。相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态