CPU AMX 详解

• CPU AMX 详解
  • 概述
  • 算力如何
    • 问题定义
    • AVX如何解决矩阵乘问题
    • AMX如何解决矩阵乘问题
  • 如何实现的
    • 计算部分
    • 数据部分
  • 路才开始

概述

2016 年开始，随着 NV GPU AI 能力的不断加强，隐隐感觉到威胁的 Intel 也不断在面向数据中心的至强系列 CPU 上堆砌计算能力，增加 core count 、提高 frequency 、增强向量协处理器计算能力三管其下。几乎每一代 CPU 都在 AI 计算能力上有所增强或拓展，从这个方面来讲，如果我们说它没认识到势，没有采取行动，也是不公平的。

从上图不难看到，2015年的 Sky Lake 首次引入了 AVX-512 (Advanced Vector eXtensions)向量协处理器，与上一代 Broadwell 的 AVX2 相比， 每个向量处理器单元的单精度浮点乘加吞吐翻倍。接着的Cascade Lake 和 Cooper Lake又拓展了 AVX-512 ，增加了对 INT8 和 BF16 精度的支持，奋力想守住 inference 的基本盘。一直到 Sapphire Rapids，被市场和客户用脚投票，前有狼（NVIDIA）后有虎（AMD），都把自己的食盆都快拱翻了，终于意识到在AI的计算能力上不能在按摩尔定律线性发育了，最终也步Google和NVIDIA的后尘，把AVX升一维成了AMX(Advanced Matrix eXtension)，即矩阵协处理器了。充分说明一句老话，你永远叫不醒一个装睡的人，要用火烧他。不管怎么样，这下总算是赛道对齐了，终于不是拿长茅对火枪了。

算力如何

AI 工作负载 Top-2 的算子：

• Convolution

• MatMul/Fully Connected

这俩本质上都是矩阵乘。怎么计算矩阵乘，有两种化归方法：

• 化归成向量点积的组合，这在CPU中就对应AVX

• 化过程分块矩阵乘的组合，这在CPU就对应AMX

我们展开讲讲。

问题定义

假设有如下矩阵乘问题：

 

AVX如何解决矩阵乘问题

AVX把向量作为一等公民，每次计算一个输出元素列的点积，即有：

不就化归成向量点积了嘛。那向量的长度是可以任意指定的，但硬件是有固定长度的，怎么办？很简单，就把每个向量切成每个长度为就是区分AVX各代的主要因素。下面以AVX2为例浅释一下。

 

AVX2 FP32 (k=8)
AVX2使用的寄存器长度为256 bit，也就是8个FP32数，此时
一个时钟周期可以完成两个8维向量的点积操作，也叫FMA(Fused Multiply > Add）操作。因此每个AVX单元的FLOPS为：16 FLOPS/cycle。

以FP32/BF16为例，AVX算力的代际演进如下，可以看出相邻代际增长是平平无奇的2倍。

AMX如何解决矩阵乘问题

以BF16为例，AMX把矩阵乘操作化归为若干个的分块矩阵乘的组合，如下所示。

需要注意的是整个操作需要16个cycle完成，因此不难计算每个AMX单元的FLOPS为：1024 OPS/cycle。这下单AMX单元与单AVX单元的每时钟周期的算力提高了16倍，有点像样了。目前Sapphire Rapids每个核有一个AMX单元，而有两个AVX单元，因此每核的每时钟周期算力提高倍数为8倍。

如何计算含有AMX CPU的peak TFLOPS
公式：

假设你有一个56核，每核有1个AMX单元，且AMX频率为1.9 GHz的CPU。其BF16 peak TFLOPS应为：

如何实现的

AMX围绕矩阵这一一等公民的支持分为计算和数据两个部分。

• 计算部分：目前仅有矩阵乘支持，由称为TMUL(Tile Matrix mULtiply Unit)的模块来实现。但也为后面支持其他的矩阵运算留了想像。

• 数据部分：由一组称为TILES的二维寄存器来承担。

其系统框图如下：

计算部分

TMUL 硬件层面的实现也比较直观，是一个典型的systolic array设计。比较好的是array的每一行都复用了原来的AVX-512 BF16的设计，堆叠了16个AVX-512 BF16单元，在一个cycle内完成了一个的计算需要16个cycle。

Systolic形式的逻辑图，如下。可以看出每个cycle输出 的一行结果。

数据部分

每个AMX单元共有8组TILES寄存器，TILE寄存器可以存放一个二维矩阵的子矩阵，有专门的load/store指令。

每个TILE寄存器容量为：16行 64 bytes，因此可用于存放：

• 的 FP32 矩阵

• 的 BF16 矩阵

• 的 INT8 矩阵

路才开始

迈出脚只是路的开始，而不是结束。后面有的是路(问题)：

• HW

  • TILE 和 memory 之间的 load 和 save 带宽与TMUL计算能力的匹配度

  • AI workload 一般都是矩阵操作(matmul, conv等)与向量操作混杂，而向量操作有分为 element-wise 操作和 reduce 类操作

    • 这3类操作算力的匹配度

    • 矩阵寄存器与向量寄存器之间的 data path 通畅度如何

  • ……

• SW

  • 如何提高SW efficiency

  • 如何摆平AI框架要求的plain data layout与AMX硬件要求的data layout之间的re-layout开销

  • ……

让我们边走边看！