南京航空航天大學(xué) 范仁艷

中國科學(xué)院計(jì)算技術(shù)研究所 支 天

深度學(xué)習(xí)處理器以其卓越的性能功耗比，在目標(biāo)檢測，圖像識(shí)別、機(jī)器翻譯中等諸多深度學(xué)習(xí)應(yīng)用領(lǐng)域中取得了顯著的成功。處理器驗(yàn)證是處理器開發(fā)過程中一個(gè)必不可少的關(guān)鍵環(huán)節(jié)，驗(yàn)證的目的是發(fā)現(xiàn)設(shè)計(jì)的所有方案缺陷和代碼缺陷。由于深度學(xué)習(xí)處理器高性能、低功耗的架構(gòu)特點(diǎn)，由此帶來新的驗(yàn)證挑戰(zhàn)——精度驗(yàn)證。精度驗(yàn)證用以確保處理器的精度方案以及精度實(shí)現(xiàn)沒有問題。在進(jìn)行精度方案驗(yàn)證時(shí)，需要考慮驗(yàn)證激勵(lì)的豐富性和完備性，這是驗(yàn)證難點(diǎn)之一。本文就以上難點(diǎn)，提出一種精度方案驗(yàn)證激勵(lì)生成方法，提升了驗(yàn)證激勵(lì)的完備性，提高了驗(yàn)證質(zhì)量。

1 深度學(xué)習(xí)處理器

深度學(xué)習(xí)處理器是一類專用于搭載深度學(xué)習(xí)應(yīng)用的處理器，相比于通用處理器CPU以及GPU，具有運(yùn)算快、功耗低的優(yōu)勢(shì)。深度學(xué)習(xí)處理器研究的熱潮起源于中科院陳云霽團(tuán)隊(duì)研發(fā)的DaDianNao架構(gòu)，至今國內(nèi)外已有多款深度學(xué)習(xí)處理器上市。

處理器驗(yàn)證在處理器開發(fā)過程中起著關(guān)鍵的作用，其目的是保證處理器在進(jìn)入后端流程之前的開發(fā)過程中沒有方案設(shè)計(jì)缺陷和代碼設(shè)計(jì)缺陷。最常見的有功能驗(yàn)證、性能驗(yàn)證、功耗驗(yàn)證等等。深度學(xué)習(xí)處理器的處理應(yīng)用涉及大量的浮定點(diǎn)運(yùn)算，由此會(huì)帶來精度問題。為了盡量避免運(yùn)算過程中的精度損失，深度學(xué)習(xí)處理器架構(gòu)包含很多高精度設(shè)計(jì)方案，例如融合運(yùn)算器、加法樹等。精度方案是否全面與完備會(huì)直接影響處理器的運(yùn)算結(jié)果的精度，因此有必要進(jìn)行精度方案的驗(yàn)證。

圖1所示是功能驗(yàn)證的基礎(chǔ)框架結(jié)構(gòu)。激勵(lì)、參考模型、檢查機(jī)制是進(jìn)行功能驗(yàn)證的三要素，DUV（Design Under Verification）是驗(yàn)證對(duì)象。激勵(lì)是輸入數(shù)據(jù)，灌輸給參考模型和待測處理器；參考模型是比較基準(zhǔn)，接受輸入之后，進(jìn)行同樣的運(yùn)算，用于與待測處理器結(jié)果比較；檢查機(jī)制是比較規(guī)則，接受參考模型和待測處理器的輸出，按照此規(guī)則進(jìn)行比較，輸出判斷結(jié)果。

圖1 功能驗(yàn)證基礎(chǔ)框架

同功能驗(yàn)證一樣，精度方案驗(yàn)證同樣需要以上三要素。在進(jìn)行精度方案驗(yàn)證時(shí)，激勵(lì)是深度學(xué)習(xí)處理器的上層應(yīng)用對(duì)象——網(wǎng)絡(luò)；參考模型是通用處理器；檢查機(jī)制使用網(wǎng)絡(luò)運(yùn)算標(biāo)準(zhǔn)，例如分類網(wǎng)絡(luò)的Top-1、Top-5等。激勵(lì)的豐富性和完備性直接決定了驗(yàn)證的完備性，是驗(yàn)證的主要挑戰(zhàn)。本文為解決精度方案驗(yàn)證激勵(lì)的完備性這一難題，提出一種激勵(lì)生成方法，該方法在常用網(wǎng)絡(luò)的基礎(chǔ)之上，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行“擾動(dòng)”調(diào)整，適當(dāng)改變網(wǎng)絡(luò)結(jié)構(gòu)，豐富網(wǎng)絡(luò)類型。

2 常見的驗(yàn)證激勵(lì)方案

激勵(lì)的選擇和構(gòu)造是驗(yàn)證過程中的主要工作。激勵(lì)的質(zhì)量直接決定了驗(yàn)證的質(zhì)量。激勵(lì)的構(gòu)造需要滿足兩個(gè)基礎(chǔ)條件，一個(gè)是合法性，一個(gè)是完備性。把需要驗(yàn)證的對(duì)象的狀態(tài)空間當(dāng)作一個(gè)全集，每一種狀態(tài)對(duì)應(yīng)于一個(gè)激勵(lì)。這個(gè)集合的邊界定義了合法性，把集合之內(nèi)的激勵(lì)視為合法激勵(lì)，否則為非法激勵(lì)。激勵(lì)的完備性指的是實(shí)際激勵(lì)覆蓋到的狀態(tài)構(gòu)成的集合是否等價(jià)于驗(yàn)證對(duì)象的狀態(tài)空間。激勵(lì)生成的目標(biāo)是在滿足激勵(lì)合法性的前提下，盡可能的提高激勵(lì)的完備性。

目前常見的驗(yàn)證激勵(lì)生成方案主要有幾下幾種：遍歷激勵(lì)、定向激勵(lì)和隨機(jī)激勵(lì)。

2.1 遍歷激勵(lì)

遍歷激勵(lì)，顧名思義，是一種遍歷驗(yàn)證對(duì)象的所有接口的激勵(lì)生成方法。該方法可以百分百保證激勵(lì)的完備性，但效率會(huì)隨著驗(yàn)證對(duì)象的接口的復(fù)雜度而顯著下降。例如驗(yàn)證一個(gè)浮點(diǎn)16的加法器，狀態(tài)空間的大小約是2^32，采用窮舉遍歷的方式，驗(yàn)證的仿真時(shí)間約為1周；若替換成一個(gè)浮點(diǎn)32的加法器，狀態(tài)空間陡增至2^64，遍歷激勵(lì)的時(shí)間成本完全無法接受，從而失去可行性。因此，遍歷激勵(lì)只適用于驗(yàn)證邏輯簡單，接口簡單的設(shè)計(jì)單元。

2.2 定向激勵(lì)

定向激勵(lì)，是針對(duì)驗(yàn)證對(duì)象某一特定功能或者業(yè)務(wù)場景構(gòu)造出來的激勵(lì)。構(gòu)造定向激勵(lì)之前，需要先根據(jù)驗(yàn)證對(duì)象的功能文檔和設(shè)計(jì)文檔提取驗(yàn)證的功能點(diǎn)。一個(gè)功能點(diǎn)對(duì)應(yīng)于一個(gè)定向激勵(lì)，功能點(diǎn)的數(shù)量等于激勵(lì)的數(shù)量。理想情況下，提取出來的功能點(diǎn)可以覆蓋驗(yàn)證對(duì)象的全部狀態(tài)空間。實(shí)際情況，若驗(yàn)證對(duì)象的接口多，內(nèi)部邏輯復(fù)雜，業(yè)務(wù)場景繁多，此時(shí)的狀態(tài)空間趨于無限，提取的功能點(diǎn)往往會(huì)有遺漏和缺失的情況，難以保證激勵(lì)的完備性。同時(shí)，一個(gè)功能點(diǎn)就要構(gòu)造一個(gè)激勵(lì)，若功能點(diǎn)數(shù)目太多，構(gòu)造激勵(lì)的時(shí)間成本會(huì)同步上升。因此，定向功能適用于業(yè)務(wù)場景清晰且數(shù)量不多的系統(tǒng)驗(yàn)證及簡單模塊驗(yàn)證，對(duì)于子系統(tǒng)或者復(fù)雜模塊的驗(yàn)證，采用定向激勵(lì)存在完備性風(fēng)險(xiǎn)。

2.3 隨機(jī)激勵(lì)

隨機(jī)激勵(lì)，指的是合法約束下，盡量隨機(jī)的激勵(lì)。單次仿真時(shí)，激勵(lì)的包含的各個(gè)接口的取值是隨機(jī)的，通過增加仿真的數(shù)量，提高各個(gè)接口驅(qū)動(dòng)值的多樣性，從而提高完備性。由于激勵(lì)是隨機(jī)的，無法確定覆蓋了哪些狀態(tài)，所以隨機(jī)激勵(lì)需要和覆蓋率配合使用，覆蓋率體現(xiàn)了激勵(lì)的覆蓋狀態(tài)。使用隨機(jī)激勵(lì)驗(yàn)證時(shí)，驗(yàn)證的目標(biāo)是收齊覆蓋率，將覆蓋率的分?jǐn)?shù)提升一百。但是由于覆蓋率也是根據(jù)提取的功能點(diǎn)編寫，所以，若功能點(diǎn)缺失，覆蓋率也是不完備的，即使覆蓋率分?jǐn)?shù)達(dá)到一百分，仍然存在完備性風(fēng)險(xiǎn)。

與定向激勵(lì)進(jìn)行對(duì)比，兩者相同點(diǎn)是都以驗(yàn)證功能點(diǎn)作為輸入。定向激勵(lì)以驗(yàn)證功能點(diǎn)作為輸入進(jìn)行激勵(lì)的構(gòu)造；隨機(jī)激勵(lì)以之作為覆蓋率的編寫。但兩者最大的不同是，對(duì)于狀態(tài)空間“無限”的驗(yàn)證對(duì)象，隨機(jī)激勵(lì)更能保證激勵(lì)的完備性。在實(shí)際情形下，驗(yàn)證對(duì)象狀態(tài)越復(fù)雜，驗(yàn)證功能點(diǎn)的提取也會(huì)越不完備。在功能點(diǎn)缺失的情況下，定向激勵(lì)一定隨之缺失；而隨機(jī)激勵(lì)在覆蓋率分?jǐn)?shù)提升至一百的過程種，由于其隨機(jī)性，會(huì)有一定概率隨機(jī)出來功能點(diǎn)之外的狀態(tài)，這些狀態(tài)往往是一些極限場景，難以通過正向分析輸出功能點(diǎn)，從而提升了完備性。因此，隨機(jī)激勵(lì)適用于復(fù)雜模塊驗(yàn)證。

3 精度方案激勵(lì)的生成

上一章節(jié)主要介紹了常見的驗(yàn)證激勵(lì)生成方案。在進(jìn)行深度學(xué)習(xí)處理器的精度方案驗(yàn)證時(shí)，輸入激勵(lì)為網(wǎng)絡(luò)。根據(jù)現(xiàn)有的激勵(lì)方案選擇網(wǎng)絡(luò)均有局限性。若選取遍歷激勵(lì)，則是遍歷所有的網(wǎng)絡(luò)，狀態(tài)空間無限，不可行。若選取定向激勵(lì)，則是各個(gè)應(yīng)用領(lǐng)域的典型網(wǎng)絡(luò)，隨著深度學(xué)習(xí)算法近年來的高速發(fā)展，網(wǎng)絡(luò)結(jié)構(gòu)一直在更新迭代，僅僅保證處理器在執(zhí)行現(xiàn)有典型網(wǎng)絡(luò)時(shí)無精度問題，難以保證激勵(lì)的完備性以及處理器精度方案的魯棒性。若選取隨機(jī)激勵(lì)，則對(duì)應(yīng)隨機(jī)網(wǎng)絡(luò)，但是隨機(jī)網(wǎng)絡(luò)的生成以及驗(yàn)證效率問題均是難點(diǎn)所在。

因此，針對(duì)精度方案驗(yàn)證的激勵(lì)生成，結(jié)合定向激勵(lì)和隨機(jī)激勵(lì)兩種方式，在現(xiàn)有典型網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)之上，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行“擾動(dòng)”，以此豐富網(wǎng)絡(luò)結(jié)構(gòu)，拓寬網(wǎng)絡(luò)激勵(lì)集合的邊界。

3.1 典型網(wǎng)絡(luò)

在進(jìn)行精度方案驗(yàn)證時(shí)，需要對(duì)各個(gè)應(yīng)用領(lǐng)域的典型網(wǎng)絡(luò)進(jìn)行擾動(dòng)。各個(gè)領(lǐng)域的典型網(wǎng)絡(luò)互不相同。在圖像分類領(lǐng)域，有GoogleNet系列、MobileNet系列、AlexNet等；在目標(biāo)檢測領(lǐng)域，有R-CNN、FAST R-CNN、YOLO系列；在機(jī)器翻譯領(lǐng)域，有RNN Encoder-Decoder、GNMT、transformer等。典型網(wǎng)絡(luò)一般是由網(wǎng)絡(luò)層組成。比如卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、激活層、全連接層組成。網(wǎng)絡(luò)結(jié)構(gòu)的擾動(dòng)也從典型結(jié)構(gòu)的基礎(chǔ)結(jié)構(gòu)出發(fā)，主要進(jìn)行兩方面的擾動(dòng)。一個(gè)是網(wǎng)絡(luò)層數(shù)的擾動(dòng)，另一個(gè)是單個(gè)網(wǎng)絡(luò)層結(jié)構(gòu)的擾動(dòng)。

3.2 網(wǎng)絡(luò)層數(shù)的擾動(dòng)

對(duì)網(wǎng)絡(luò)層數(shù)進(jìn)行擾動(dòng)時(shí)，可從單次擾動(dòng)的方式、擾動(dòng)的單位、擾動(dòng)的數(shù)量進(jìn)行考慮。

網(wǎng)絡(luò)層數(shù)的單次擾動(dòng)方式主要包含兩種，一種是增加網(wǎng)絡(luò)層數(shù)，另一種是減少網(wǎng)絡(luò)的層數(shù)。若是減少網(wǎng)絡(luò)層數(shù)，則可減少網(wǎng)絡(luò)中非必要層，比如卷積神經(jīng)網(wǎng)絡(luò)的卷積層、池化層。若是增加網(wǎng)絡(luò)層數(shù)，則可增加兩類網(wǎng)絡(luò)層，一類是網(wǎng)絡(luò)中原本存在的層，比如卷積神經(jīng)網(wǎng)絡(luò)中的卷積層，另一類是網(wǎng)絡(luò)中原本不存在的層，比如其它不同類網(wǎng)絡(luò)中存在的層。

擾動(dòng)的單位可以是單層，也可以是多個(gè)網(wǎng)絡(luò)層的組合。比如對(duì)于普通的卷積網(wǎng)絡(luò)，除去相鄰的網(wǎng)絡(luò)層，相間的網(wǎng)絡(luò)層沒有關(guān)系，此重情況可擾動(dòng)單個(gè)層。比如對(duì)于殘差網(wǎng)絡(luò)，是以塊（block）為單位，單個(gè)塊內(nèi)包含多個(gè)網(wǎng)絡(luò)層，擾動(dòng)的單位則可以是塊，而非單層。擾動(dòng)時(shí)也可將“單層”和“多層”進(jìn)行結(jié)合。對(duì)塊內(nèi)的結(jié)構(gòu)進(jìn)行擾動(dòng)之后，再對(duì)塊本身進(jìn)行擾動(dòng)。

擾動(dòng)的數(shù)量可以任意，上下限閾值可根據(jù)原本網(wǎng)絡(luò)自身的特征進(jìn)行設(shè)定，一般范圍可保持在原本網(wǎng)絡(luò)層數(shù)的百分至十至百分至三十。

3.3 單層結(jié)構(gòu)的擾動(dòng)

單層結(jié)構(gòu)的擾動(dòng)指的是某一具體的網(wǎng)絡(luò)層的結(jié)構(gòu)進(jìn)行擾動(dòng)。以卷積神經(jīng)網(wǎng)絡(luò)的各個(gè)層舉例。對(duì)于卷積層，可改變卷積核的大小、卷積核滑窗步長等；對(duì)于池化層，可改變池化類型，例如將平均池化改成最大池化、最小池化等，同樣可改變池化核的大小，滑窗步長等；對(duì)于激活層，可通過改變激活類型。

4 精度方案激勵(lì)的篩選

網(wǎng)絡(luò)能否實(shí)際應(yīng)用的前提是網(wǎng)絡(luò)能被訓(xùn)練至收斂，我們把這些無法訓(xùn)練收斂的網(wǎng)絡(luò)劃分為無效網(wǎng)絡(luò)。對(duì)典型網(wǎng)絡(luò)進(jìn)行擾動(dòng)之后，可能存在部分無效網(wǎng)絡(luò)，需要進(jìn)行篩選。篩選過程如下：

（1）輸入初始激勵(lì)集合，集合為各個(gè)應(yīng)用領(lǐng)域典型網(wǎng)絡(luò)的組合；

（2）從初始激勵(lì)集合中，逐一選擇典型網(wǎng)絡(luò)，按照上節(jié)介紹方法對(duì)網(wǎng)絡(luò)進(jìn)行不同的擾動(dòng)處理，得到擾動(dòng)網(wǎng)絡(luò)集合；

（3）從擾動(dòng)網(wǎng)絡(luò)集合中逐一選擇網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練至網(wǎng)絡(luò)收斂。若無法收斂，則將此網(wǎng)絡(luò)從擾動(dòng)網(wǎng)絡(luò)集合中刪除，否則保留。

篩選完畢之后，保留下的擾動(dòng)網(wǎng)絡(luò)激勵(lì)則為生成的擾動(dòng)網(wǎng)絡(luò)集合。

總結(jié)：本文針對(duì)深度學(xué)習(xí)處理器的精度方案的驗(yàn)證激勵(lì)的完備性難以保證的問題，提出一種精度方案激勵(lì)生成方法。該方法在定向激勵(lì)的基礎(chǔ)之上，注入隨機(jī)因素。具體為，基于各種深度學(xué)習(xí)應(yīng)用的典型網(wǎng)絡(luò)的結(jié)構(gòu)，進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的擾動(dòng)。主要從網(wǎng)絡(luò)層數(shù)的擾動(dòng)和單層網(wǎng)絡(luò)的擾動(dòng)兩方面進(jìn)行介紹，并介紹了有效的擾動(dòng)網(wǎng)絡(luò)的篩選方法，達(dá)到了完善精度方案激勵(lì)的目的，提升了驗(yàn)證質(zhì)量，保證了驗(yàn)證的完備性。