NVIDIAが語るVoltaとTuring、最新GPUはこう使おう：GTC Japan 2018（3/4 ページ）

NVIDIAのGPUアーキテクチャである「Turing」と「Volta」。これら2つのアーキテクチャでは、RTコアとTensorコアという2つのユニットが性能躍進の立役者となった。GTC Japan 2018の講演から、アーキテクチャをおさらいし、最新GPUを効率的に活用するための手法を紹介する。

[松本貴志，EE Times Japan]

こうして使おうTensorコア

　それでは、VoltaとTuringに実装され、ディープラーニングなどで高い演算能力を提供するTensorコアを見ていく。成瀬氏は、Tensorコアについて「一言で言うと、行列のFMA（Fused Multiply Add：融合積和演算）」を実行する演算ユニットだと説明する。

Tensorコアの概要（クリックで拡大） 出典：NVIDIA

　4×4行列2つを入力として積を計算するとその演算量は64となり、さらに和を計算すると演算量は128となる。Tensorコアは、1個のユニットでこの128演算を1サイクルで実行できるスループットを持つ。VoltaからサポートされたTensorコアでは、FP16で入力された行列2つを乗算するが、ここでは32ビットに精度を拡張し実行する。その後、FP32の行列を加算している。この手法により精度が改善するため、「入力はFP16だが、得られる結果はFP32で計算した結果に近い」（成瀬氏）という。

Tensorコア計算の誤差をFP32とFP16で比較（クリックで拡大） 出典：NVIDIA
行列サイズが大きくなるにつれ、加算による誤差が蓄積する。Tensorコアはどの行列サイズにおいても、FP16よりもFP32からの相対誤差が減少している

　さらに、TuringではINT8入力もサポートしており、この場合は加算と出力をINT32で実行する。これにより、「推論で用いる場合などは全く問題なく計算できる。単純にFP16から2倍の性能向上が望める」（成瀬氏）とし、INT8モデルの用意も「FP32で学習済みのモデルを、われわれが提供するTensorRTによってINT8に落とし込む」（同氏）ことで調達できる。より高速に推論を実行する環境が、Turingの登場で整備しやすくなったといえる。

左：FP16入力でのTensorコア演算の流れ　右：INT8入力でのTensorコア演算の流れ（クリックで拡大） 出典：NVIDIA

　このように、Tensorコアは大きな行列積を高速に演算することに長けているが、NVIDIAが提供する密行列演算ライブラリ「cuBLAS」はTensorコアをサポートしている。このため、ユーザーはこのライブラリを適切に利用することで特別なコーディングが必要なくTensorコアを利用できるとする。

Tensorコアに対応するcuBLAS（クリックで拡大） 出典：NVIDIA

　また、大きな行列積は小さな行列積（サブ行列）の集合と見なすことができ、Tensorコアでは16×16サイズのサブ行列積をそれぞれのコアに割り当てている。CUDAにおいても、このサブ行列を取り扱うAPI「WMMA API」が用意されており、サブ行列（CUDAではfragment）の演算を実行することができる。WMMA APIは、CUDA 9.0から提供され、FP16とINT8（TuringとCUDA10の組み合わせた場合のみ）に対応している。

左：行列積のイメージ　右：WMMA APIの使用例（クリックで拡大） 出典：NVIDIA

　TuringのTensorコアでは、INT8をサポートしたためピーク性能は250TOPSに到達。また、試験用としてINT4とINT1もサポートし、INT4の場合には500TOPSを発揮する。Tensorコアの拡張で、量子化が進みつつあるニューラルネットワークにも対応する構えだ。

VoltaとTuringのTensorコア性能比較（クリックで拡大） 出典：NVIDIA