FPGA加速CNN优秀，Transformer不灵？原因是啥
过去几年，视频图像处理的核心网络已经从CNN变成了Transformer。
大家知道ChatGPT是基于Transformer的，而Google后来又把原本用于自然语言处理的Transformer成功迁移到视频图像处理领域，这就是Vision Transformer，即ViT。给人的感觉是CNN时代，FPGA还挺活跃的，到了Transformer时代，怎么出镜率就很低了呢。
FPGA在加速CNN上的表现优异，而在Transformer上则显得力不从心，主要是因为两种模型在计算方式和数据流模式上的差异。让我们逐一解释。CNN
CNN叫卷积神经网络，其核心是卷积运算。卷积是一种高度重复的局部计算，有以下计算特点：> 局部计算密集：每个卷积核只需要访问局部区域的数据（如 3×3、5×5的矩阵），每次计算感受野(receptive field)很小，需要通过多层卷积网络逐步扩大感受野。> 数据重用性高：输入图像的相邻区域会被多个卷积核重复访问，适合数据缓存的优化。> 高度并行：可以同时对多个通道、多个卷积核进行计算，提高计算效率。
卷积核(kernel)的大小决定了视野CNN计算主要是乘加运算（MAC），FPGA可以通过大量DSP进行并行加速。依赖小窗口的卷积计算，数据局部性好，FPGA的片上BRAM/SRAM可用作line-buffer，高效存储和复用数据，减少数据搬运成本。FPGA天然适合流水线处理架构，擅长局部数据流并行乘加运算。
Transformer而Transformer以自注意力计算（Self-Attention）机制为核心，开始就必须具有全局视野，特点如下：> 计算复杂度高：Self-Attention的计算复杂度是“序列长度的平方×每个词的维度”，当序列变长时计算量激增。
> 全局计算：在 Self-Attention的全局计算中，每个Token都需要与整个序列的Key进行相关性计算，并对Value加权求和。> 大存储高带宽: 虽然Query可由当前Token局部生成，但Key和Value是全局共享的，需从外部DRAM重复读取整段序列，带来巨量的存储和带宽需求。ViT把图像分为很多个patch即Token，每个Token之间都会相互产生计算Transformer依赖大规模矩阵乘法（MatMul），传统FPGA基本上就是LUT和DSP单元，缺乏高效的矩阵乘法加速器。GPU/TPU具有专门的矩阵乘法计算单元Tensor Core，更适合Transformer计算。
另外，FPGA片上存储也很受限。Transformer需要存储整个Query-Key-Value矩阵，FPGA的片上存储无法容纳大规模注意力计算，导致需要频繁访问外部DRAM，因而性能受限。
业界创新
一些FPGA集成了NPU如AIE，用于加速矩阵乘法和激活函数，在一定程度上缓解了Transformer 的算力压力。
而当前FPGA厂家的NPU仍以CNN为优化目标，缺乏对Self-Attention等全连接计算模式的专门适配，难以高效支持大规模Transformer模型，或许适合轻量级中小规模transformer推理工作，需看实际部署效果。
由于FPGA的片上存储容量有限，即便配合HBM，仍难以支撑Transformer在长序列、大批量计算时对Key/Value的高频、大带宽访存需求。
HBM同时，FPGA开发门槛较高，针对内嵌NPU的工具链尚不完善，开发人员需要同时精通硬件描述语言、NPU架构以及Transformer算法原理。这使得基于FPGA内嵌NPU优化Transformer计算的效率较低，进一步限制了其在Transformer模型部署中的广泛应用。 一些研究尝试用FPGA加速Transformer，比如用量化（Quantization）减少精度到INT8/INT4计算，对权重和Token剪枝来降低计算复杂度，但会显著降低模型准确性，效果也有限。
稀疏化（Sparsity）可以减少不必要的计算，但仍然受限于访存带宽，尤其是在稀疏模式下的访存访问往往呈现出不规则、低复用率的特性，反而加剧了带宽瓶颈。
总结
显然，要对Transformer加速，有两个重要条件。第一，必须有大规模矩阵乘法加速器；第二，需要大存储HBM和高带宽互联。CNN的计算范式刚好处在FPGA的甜蜜点上，因此应用广泛。谷歌的TPU和NVIDIA Tensor-Core进行了专门优化，更适合加速Transformer。虽然FPGA搭载NPU和HBM显著提升了其对Transformer加速能力，但受限于Self-Attention的二次方复杂度和带宽需求，仍难以突破大规模模型和超长序列的瓶颈。或许，未来需结合算法层面的优化和软硬件协同设计，方能充分发挥FPGA的优势。
感谢分享，学习到了 讲的不错！:)
页:
[1]
