摘要：在兩個平臺三個平臺下，比較這五個深度學習庫在三類流行深度神經網絡上的性能表現。深度學習的成功，歸因于許多層人工神經元對輸入數據的高表征能力。在年月，官方報道了一個基準性能測試結果，針對一個層全連接神經網絡，與和對比，速度要快上倍。

在2016年推出深度學習工具評測的褚曉文團隊，趕在猴年最后一天，在arXiv.org上發布了的評測版本。這份評測的初版，通過國內AI自媒體的傳播，在國內業界影響很大。在學術界，其反響更是非同一般。褚曉文教授在1月5日的朋友圈說David Patterson發郵件咨詢他文章細節，感慨老人家論文看得仔細。

David Patterson在體系結構領域的名聲如雷貫耳，RISC之父。不熟悉的吃瓜群眾可能留意到1月25日螞蟻金服宣布跟伯克利大學前身為AmpLab，更名為RISE實驗室合作的新聞。David Patterson就是RISE實驗室的頂梁大佬之一。

褚曉文教授版本的論文對Caffe、CNTK、MXNet、TensorFlow、Torch進行比較評測。在兩個CPU平臺、三個GPU平臺下，比較這五個深度學習庫在三類流行深度神經網絡(FCN、CNN、RNN)上的性能表現。并對它們在單機多GPU卡環境下分布式版本進行了比較。相比以前的評測，的評測添加了對多GPU卡的測試，把MXNet納入評比范圍，還測試了MNIST和Cifar10這兩個真實數據集。

《基準評測當前較先進的深度學習軟件工具》

?1. 簡介

在過去十年中，深度學習已成功應用到不同領域，包括計算機視覺、語音識別和自然語言處理等。深度學習的成功，歸因于許多層人工神經元對輸入數據的高表征能力。而GPU通過顯著縮短訓練時間，在深度學習的成功中扮演著重要的角色。為了提高開發深度學習方法的效率，有很多開源的深度學習工具包，包括伯克利大學的Caffe，微軟的CNTK，谷歌的TensorFlow，還有Torch，MXNet，Theano，百度的 PaddlePaddle等。這些工具都支持多核CPU和超多核GPU。

深度學習的主要任務之一，是學習網絡的每一層的權重，這可以通過向量或矩陣運算來實現。TensorFlow使用 Eigen作為矩陣加速庫，而 Caffe、CNTK、MXNet和Torch采用OpenBLAS、Intel MKL 或 cuBLAS 來加快相關矩陣運算。所有這些工具包都引入了cuDNN，這是一個為神經網絡計算進行GPU加速的深度學習庫。但是，由于優化方法的差異，加上不同類型的網絡或使用不同類型的硬件，上述工具包的性能差異很大。

鑒于深度學習軟件工具及其底層硬件平臺的多樣化，終端用戶難以選擇合適的平臺來執行深度學習任務。在此論文中，作者用三種最主要的深度神經網絡（全連接神經網絡FCN，卷積神經網絡CNN，以及循環神經網絡RNN）來基準評測當下較先進的基于GPU加速的深度學習工具（包括Caffe，CNTK， MXNet， TensorFlow 和Torch），比較它們在CPU和GPU上的運行時間性能。

幾個工具的性能評估既針對合成數據，也針對真實數據。評測的硬件平臺包括兩種CPU（臺式機級別的英特爾i7-3820 CPU，服務器級別的英特爾Xeon E5-2630 CPU）和三種Nvidia GPU (GTX 980、GTX 1080、Telsa K80，分別是Maxwell、Pascal和Kepler 架構)。作者也用兩個Telsa K80卡（總共4個GK210 GPU）來評估多GPU卡并行的性能。每種神經網絡類型均選擇了一個小型網絡和大型網絡。

該評測的主要發現可概括如下：

總體上，多核CPU的性能并無很好的可擴展性。在很多實驗結果中，使用16核CPU的性能僅比使用4核或8核稍好。TensorFlow在CPU環境有相對較好的可擴展性。

僅用一塊GPU卡的話，FCN上Caffe、CNTK和Torch比MXNet和TensorFlow表現更好；CNN上MXNet表現出色，尤其是在大型網絡時；而Caffe和CNTK在小型CNN上同樣表現不俗；對于帶LSTM的RNN，CNTK速度最快，比其他工具好上5到10倍。

通過將訓練數據并行化，這些支持多GPU卡的深度學習工具，都有可觀的吞吐量提升，同時收斂速度也提高了。多GPU卡環境下，CNTK平臺在FCN和AlexNet上的可擴展性更好，而MXNet和Torch在CNN上相當出色。

比起多核CPU，GPU平臺效率更高。所有的工具都能通過使用GPU達到顯著的加速。

在三個GPU平臺中，GTX1080由于其計算能力較高，在大多數實驗結果中性能最出色。

某種程度上而言，性能也受配置文件的影響。例如，CNTK允許用戶調整系統配置文件，在運算效率和GPU內存間取舍，而MXNet則能讓用戶對cuDNN庫的自動設置進行調整。

?

2. 背景及相關知識

隨著深度學習技術的快速發展，人們針對不同的應用場合開發出各類深度神經網絡，包括全連接神經網絡(FCN)、卷積神經網絡(CNN)、循環神經網絡(RNN)、局限型波茲曼機(RBM)。此論文著重分析三種神經網絡（FCN、CNN和RNN）的運行性能（或時間速度）及收斂速度。

FCN的歷史可追溯到上世紀80年代，反向傳播算法（backpropagation）發明之時。而CNN和RNN，一直以來分別在圖像識別和自然語言處理應用上展現出優異的效果。

FCN是一個前向神經網絡，由Yann LeCun等人在1989年成功應用于郵編識別。為了減少每一層的參數數量，CNN通過使用一組核(kernel)，建立了一個卷積層，每個核的參數在整個域（例如：一個彩色圖像的通道）共享。CNN能減輕全連接層容易導致需要學習大量參數的問題。從LeNet架構開始，CNN已經實現很多成果，包括ImageNet分類、人臉識別和目標檢測。

RNN允許網絡單元的循環連接。RNN可以將整個歷史輸入序列跟每個輸出相連，找到輸入的上下文特性和輸出之間的關系。有了這個特性，RNN可以保留之前輸入的信息，類似于樣本訓練時的記憶功能。此外，長短時記憶（LSTM）通過適當地記錄和丟棄信息，能解決RNN訓練時梯度消失和爆炸的難題。含LSTM單元的RNN被證實是處理語音辨識和自然語言處理任務最有效的方法之一。

隨著深度學習日益成功，誕生了許多受歡迎的開源GPU加速工具包。其中，Caffe、CNTK、MXNet、TensorFlow和Torch是最活躍、更受歡迎的例子。

Caffe由伯克利視覺和學習中心（BVLC）開發，自2014成為開源項目。作者聲稱Caffe可以借助NVIDIA K40或Titan GP卡，每天用GPU加速版本處理4000萬圖像。結合cuDNN之后，還可以加速約1.3倍。

CNTK是一個由微軟研究院開發的工具包，支持大部分流行的神經網絡。在2015年2月，官方報道了一個基準性能測試結果，針對一個4層全連接神經網絡，CNTK與Caffe、TensorFlow、Theano和Torch對比，速度要快上1.5倍。

MXNet是一個支持多種語言的深度學習框架，旨在提供更靈活有效的編程接口，以提升生產效率。

TensorFlow由谷歌開發，它使用數據流圖集成了深度學習框架中最常見的單元。它支持許多的網絡如CNN，以及帶不同設置的RNN。TensorFlow是為超凡的靈活性、輕便性和高效率而設計的。

Torch是一個科學計算框架，它為機器學習里更為有用的元件——如多維張量——提供數據結構。

(a) 全連接神經網絡 ?(b) 卷積神經網絡(AlexNet) ?(c) 循環神經網絡

圖1：深度學習模型的例子

為了加快深度神經網絡的訓練速度，有的使用CPU SSE技術和浮點SIMD模型來實現深度學習算法，相比浮點優化的版本能實現3倍加速。Andre Viebke等人利用多線程及SIMD并行化在英特爾Xeon Phi處理器上加速CNN。針對多GPU卡的并行化，Jeffrey Dean等人提出了一種大規模分布式深度網絡，開發了兩種算法（Downpour SGD和Sandblaster L-BFGS），可以在混有GPU機器的集群上運行。

加快訓練方法的另一種方式是減少要學習的參數數量，Song Han等人使用修剪冗余連接的方法，在不失去網絡表征能力下減少參數，這可以減少670萬到6100萬的AlexNet參數。Bahrampour等人也做了類似的性能評測工作，但他們僅用了一個GPU架構（NVIDIA Maxwell Titan X）和舊版的軟件（cuDNN v2, v3）。

本文作者早前工作也探討了單個GPU上跑舊版軟件的基準測試結果。此文針對三版主要的GPU架構和一些的網絡（如：ResNet-50）和軟件（如：cuDNN v5）進行基準評測，并深入到工具包代碼分析性能。此外，本文也比較了單臺機器里多個GPU卡的性能。

因為單個GPU卡內存相對較少，限制了神經網絡規模，訓練的可伸縮性對于深度學習框架至關重要。在如今的深度學習工具中，支持多GPU卡成為了一個標準功能。為了利用多個GPU卡，分布式同步隨機梯度下降法（SDG）使用很廣泛，實現了很好的擴展性能。

在可擴展性方面，本文作者著重評估處理時間，以及數據同步方法的收斂速度。在數據并行模型里，針對N個worker，把有M個樣本的一個mini-batch分成N份，每份M/N個樣本，每個worker用相同的模型獨立向前向后處理所分配的樣本。當所有worker完成后，把梯度聚合，更新模型。

實際上，不同工具實現同步SGD算法的方式各有不同。

Caffe：采用刪減樹策略減少GPU間的數據通信。例如，假設有4個標記為0,1,2,3的GPU。首先，GPU 0和GPU 1交換梯度，GPU 2和GPU 3交換梯度，然后GPU 0和GPU 2交換梯度。之后，GPU 0會計算更新的模型，再將更新的模型傳輸到GPU 2中；接著GPU 0把模型傳輸到GPU 1，同時GPU 2把模型傳輸到GPU 3。

CNTK：使用MPI作為GPU之間的數據通信方法。CNTK支持4種類型的并行SGD算法（即：DataParallelSGD，BlockMomentumSGD，ModelAveragingSGD，DataParallelASGD）。對于本文關心的 data parallel SGD，CNTK把每個minibatch分攤到N個worker上。每次mini-batch后將梯度進行交換和聚合。

MXNet：同樣將mini-batch樣本分配到所有GPU中，每個GPU向前后執行一批規模為M/N的任務，然后在更新模型之前，將梯度匯總。

TensorFlow：在每個GPU上放置一份復制模型。也將mini-batch分到所有GPU。

Torch：其數據并行機制類似于MXNet，把梯度聚合的操作放在GPU端，減少了PCI-e卡槽的數據傳輸。

3. 評測方法

處理時間(Processing time)及收斂速度(Convergence rate)是用戶訓練深度學習模型時最看重的兩個因素。因此該實驗主要通過測量這兩個指標以評估這幾種深度學習工具。

?

一方面，評估處理時長有一種高效且主流的方法，就是測出對一個mini-batch所輸入數據一次迭代的時長。在實際操作中，經歷多輪迭代或收斂以后，深度學習的訓練過程會終止。因此，對于每種神經網絡，該實驗使用不同大小的mini-batch來評測各個深度學習軟件工具。作者針對每種大小的mini-batch都多次迭代，最后評估其平均運行速度。另一方面，由于數據并行化可能影響收斂速度，該評測還在多GPU卡的情況下比較了收斂速度。

?

評測使用合成數據集和真實數據集。合成數據集主要用于評估運行時間，真實數據集用于測量收斂速度。每種工具的時間測量方法如下：

?

Caffe：使用“caffe train”命令訓練所指定網絡，隨之計算兩次連續迭代過程間的平均時間差。

CNTK：與Caffe類似，但排除包含磁盤I / O時間的較早的epoch。

MXNet：使用內部定時功能，輸出每個epoch和迭代的具體時間。

TensorFlow：在源腳本里使用計時功能，計算平均迭代時間。

Torch：和TensorFlow一樣。

?

這幾種工具均提供非常靈活的編程API或用于性能優化的配置選項。例如CNTK中可以在配置文件中指定“maxTempMemSizeIn-SamplesForCNN”選項，以控制CNN使用的臨時內存的大小，雖然可能導致效率略微降低，但是內存需求更小了。

?

MXNet、TensorFlow和Torch也有豐富的API，在用于計算任務時供用戶選擇。換句話說，可能存在不同API以執行相同的操作。因此本評測結果僅僅是基于作者對這些工具用法的理解，不保證是較佳配置下的結果。

?

評測中的深度學習軟件版本和相關庫如表1所示。

表1：用于評測的深度學習軟件

神經網絡和數據集：對于合成數據的測試，實驗采用具有約5500萬個參數的大型神經網絡（FCN-S）來評估FCN的性能。同時選擇ImageNet所選的AlexNet和ResNet-50作為CNN的代表。

?

對于真實數據的測試，為MNIST數據集構建的FCN（FCN-R）較小；針對Cifar10數據集則使用名為AlexNet-R和ResNet-56的AlexNet架構。對于RNN，考慮到主要計算復雜度與輸入序列長度有關，作者選擇2個LSTM層進行測試，輸入長度為32。每個網絡的詳細配置信息如表2和表3所示。

表2：合成數據的神經網絡設置。注意：FCN-S有4層隱藏層，每層2048個節點；并且AlexNet-S中排除了batch normalization操作和dropout操作；為了測試CNN，輸入數據是來自ImageNet數據庫的彩色圖像（維度224×224×3），輸出維度是ImageNet數據的類別數量。

表3：真實數據的神經網絡設置。注：FCN-R有3個隱藏層，節點數分別為2048、4096和1024。AlexNet-R的架構與原始出處里Cifar10所用的AlexNet相同，但不包括本地響應規范化（LRN）操作（CNTK不支持）。對于ResNet-56，作者沿用了最原始文件里的架構。

硬件平臺：評測使用兩種類型的多核CPU，其中包括一個4核臺式機級CPU（Intel i7-3820 CPU @ 3.60GHz）和兩個8核服務器級CPU（Intel XeonCPU E5-2630 v3 @ 2.40GHz），測試不同線程數下各個工具的性能。另外還用三代不同的GPU卡，分別是采用Maxwell架構的NVIDIA GTX 980 @ 1127MHz，采用Pascal架構的GTX 1080 @1607MHz，以及采用Kepler架構的Telsa K80 @ 562MHz。

?

評測只使用K80 GPU兩個GK210芯片中的一個進行單GPU比較，同時，為了使得結果可重復，已禁用GPU自動超頻功能。為了避免神經網絡大小對主機內存的依賴，兩臺測試機分別配備64GB內存和128GB內存。硬件配置的詳細信息如表4所示。

表4：本評測的硬件設置。注：K80卡上有2個GK210 GPU，但為了比較測試單GPU性能僅使用一個GPU。

數據并行化評測則在兩個Tesla K80卡上進行，這樣共有4個GK210 GPU。對于多GPU卡實驗，系統配置如表5所示。

表5：數據并行性的評測硬件設置。注：K80卡上有兩個GK210 GPU，因此進行雙GPU并行評測時使用一個K80卡，進行四GPU并行評測時使用兩個K80卡。

各神經網絡，軟件工具和硬件的組合結果如表6所示。

表6：各神經網絡、軟件工具和硬件的組合結果

4. 評測結果

評測結果分別在三個子部分呈現：CPU結果，單GPU結果和多GPU結果。對于CPU結果和單GPU結果，主要關注運行時長；對于多GPU還提出了關于收斂速度的比較。不同平臺上的主要評測結果參見表7及表8。

表7：評測對比結果（每個mini-batch的運算時間，單位：秒）。注：FCN-S，AlexNet-S，ResNet-50，FCN-R，AlexNet-R，ResNet-56和LSTM的mini-batch大小分別為64，16，16，1024，1024，128，128。

表8：單GPU與多GPU間的比對結果（每個mini-batch的運算時間，單位：秒）。注：FCN-R，AlexNet-R和ResNet-56的mini-batch大小分別為4096，1024和128。

4.1. CPU評測結果

具體參見表7及原文。

4.2. 單GPU卡評測結果

在單GPU的比較上，該評測還展示了不同mini-batch大小的結果，以展示mini-batch大小對性能的影響。（譯者注：原論文結論中詳細描述了不同mini-batch大小下各學習工具的性能，具體見圖表）

?

4.2.1. 合成數據（Synthetic Data）

FCN-S：Caffe較佳，其次是CNTK和Torch，最后是TensorFlow及MXNet。

AlexNet-S：MXNet性能較佳，其次是Torch。

ResNet-50：MXNet性能遠遠高于其他工具，尤其是mini-batch大小比較大的時候。其次是CNTK和TensorFlow，Caffe相對較差。

?

4.2.2. 真實數據（Real Data）

FCN-R：Torch較佳，Caffe、CNTK及MXNet三個工具次之，TensorFlow最差。

AlexNet-R：K80 平臺上CNTK表現較佳，Caffe和Torch次之，然后是MXNet。TensorFlow處理時間最長。

ResNet-56：MXNet最優，其次是Caffe、CNTK 和Torch，這三個接近。最后是TensorFlow。

LSTM：CNTK全面超越其他工具。

?

4.3.多GPU卡評測結果

FCN-R：單GPU的情況下，Caffe、CNTK及MXNet接近，TensorFlow和Torch稍差。GPU數量翻番時，CNTK和MXNet的可擴展性較佳，均實現了約35%的提速，caffe實現了大約28%的提速，而Torch和TensorFlow只有約10%。GPU數量變為4個時，TensorFlow和Torch沒有實現進一步的提速。

而收斂速度往往隨著GPU數量的增加而增快。單個GPU時，Torch的訓練融合速度最快，其次是Caffe、CNTK和MXNet，TensorFlow最慢。當GPU的數量增加到4時，CNTK和MXNet的收斂速度率接近Torch，而Caffe和TensorFlow收斂相對較慢。

AlexNet-R：單個GPU時，CNTK，MXNet和Torch性能接近，且比Caffe和TensorFlow快得多。隨著GPU數量的增長，全部工具均實現高達40%的提速，而TensorFlow只有30%。

至于收斂速度，MXNet和Torch最快，CNTK稍慢，但也比Caffe和TensorFlow快得多。

ResNet-56：單GPU時，Torch用時最少。多個GPU時，MXNet往往更高效。

至于收斂速度，整體來說MXNet和Torch比其他三個工具更好，而Caffe最慢。

5. 討論

對于CPU并行，建議線程數不大于物理CPU內核數。因為在計算過程中需要額外的CPU資源來進行線程調度，如果CPU資源全部用于計算則難以實現高性能。然而，借助于Eigen的BLAS庫（BLAS library），因其為了SIMD指令優化過，因此隨著CPU內核數的增長，TensorFlow的性能能更好。

?

在FCN神經網絡上，如果只用一個GPU卡，那么Caffe、CNTK和Torch的性能要比MXNet和TensorFlow略好。

?

通常來說，訓練一個網絡包含兩階計算（即前饋和后向傳播）。在前饋階段，矩陣乘法是最耗時的操作，評測的四個工具全部采用cuBLAS API：cublasSgemm。如果想要把矩陣A乘以矩陣B的轉置，可以將cublasSgemm API的第二個參數設置為CUBLAS_OP_T，即應用in-place矩陣轉置。但這就導致與沒有轉置的矩陣乘法相比，性能減慢3倍（例如，C = A×B^T，其中 A∈R^1024×26752 ，B∈R^2048×26752）。這是因為in-place矩陣轉置非常耗時。CNTK和TensorFlow構造自己的數據結構，從而用的是cublasSgemm的CUBLAS_OP_N，而Caffe和Torch使用CUBLAS_OP_T。

?

在后向傳播的階段，則需要使用矩陣乘法來計算梯度，并使用element-wise矩陣運算來計算參數。如果通過調用cuBLAS來將A乘以B的轉置，效率低時，可先轉置B（如果GPU具有足夠的內存，則采用out-place）再應用矩陣乘法可能會效果更好。

?

此外，cublasSgemm API完全支持后向傳播，因為它在矩陣乘法后添加了一個縮放的矩陣。因此，如果將梯度計算和更新操作合并到單個GPU核中，則可以提高計算效率。為了優化FCN的效率，還可以在不轉置的情況下使用cublasSgemm API，并同時使用cublasSgemm來計算梯度及執行更新操作。

?

在CNN上，所有工具包均使用cuDNN庫進行卷積運算。盡管API調用相同，但是參數可能導致GPU內核不同。相關研究發現，在許多情況下，與直接執行卷積運算相比，FFT是更合適的解決方案。在矩陣的FFT之后，卷積計算可以被轉換為更快速的內積運算（inner product operation）。

?

對于使用多個GPU卡的數據并行性，運算的擴展性受到梯度聚合處理的極大影響，因為其需要通過PCI-e傳輸數據。在本評測的測試平臺中，Telsa K80的PCIe 3.0的較高吞吐量約為8GB/秒，這意味著在FCN-R情況下需要0.0256秒的時間將GPU的梯度轉移到CPU。但是一個mini-batch的計算時間只有大約100毫秒。因此，減少GPU和CPU之間傳輸數據的成本將變得極為關鍵。

?

不同軟件工具的性能表現各異，且與并行設計的策略相關。在Caffe中，梯度更新在GPU端執行，但它使用了樹減少策略（tree reduction strategy）。如果說有4個GPU用于訓練，則兩對GPU將首先各自交換梯度（即GPU 0與GPU 1交換，GPU 2與GPU 3交換），然后GPU 0與GPU 2交換。之后，GPU 0負責計算更新的模型，再將模型傳送到GPU 1，然后0將模型傳送到1，2傳送模型到3，這是一個并行過程。

因此，Caffe的可擴展性（Scalability）的性能在很大程度上取決于系統的PCI-e拓撲。CNTK的作者在框架中添加了1比特的隨機梯度下降（1-bit stochastic gradient descent），這意味著PCI-e交換梯度的時間可大大縮短。因此，即使使用大型網絡，CNTK的可伸縮性也依舊表現良好。

?

在這類網絡上，MXNet也表現出良好的可擴展性，因為它是在GPU上進行梯度聚合，這不僅減少了經常傳輸梯度數據的PCI-e時間，并能利用GPU資源來進行并行計算。

?

然而，TensorFlow在CPU端進行梯度聚合和模型更新，這不僅需要很多時間通過PCI-e傳輸梯度，而且還使用單個CPU更新串行算法中的模型。因此TensorFlow的伸縮性不如其他工具。

?

對于多個GPU，Torch在擴展性上與TensorFlow類似。其梯度聚合和更新都在CPU端執行，但Torch使用了并行算法來利用所有空閑的CPU資源。因此，其伸縮性要略好于TensorFlow，但仍然比不上Caffe、CNTK和MXNet。

?

總的來說，因為有了GPU計算資源，上述所有深度學習工具的速度與CPU的版本相比，都有了極大提高。這并不出奇，因為在GPU上的矩陣乘法以及FFT的性能要明顯優于CPU。

未來作者還將評測更多的深度學習工具（比如百度的Paddle），也會把 AMD的GPU等也加入評測。并在高性能GPU集群上進行評測。

商業智能與數據分析群

興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識

QQ群：81035754