퍼스트 원칙으로 살펴보는 딥러닝 속도 최적화
이 글은 딥러닝 모델의 퍼포먼스를 높이기 위해 근본적인 원리(First Principles)에 기반해 접근하는 방법을 제시합니다. 딥러닝 연산 효율성을 연산(Compute), 메모리(Memory), 오버헤드(Overhead) 세 가지로 나누어 설명하며, 현재 시스템이 어떤 병목 상태에 빠져 있는지 파악하는 것이 불필요한 최적화를 막고 GPU 성능을 극대화하는 데 매우 중요하다고 역설합니다.
원문 제목: Making Deep Learning Go Brrrr from First Principles
딥러닝 모델의 성능을 향상시키고 싶으신가요? 이러한 작업에 어떻게 접근하시겠습니까? 사람들은 종종 예전에 효과가 있었거나 트위터에서 봤던 잡다한 팁들에 의존하곤 합니다. "인플레이스(in-place) 연산을 사용하세요! 그래디언트를 None으로 설정하세요! PyTorch 1.10.1 말고 1.10.0을 설치하세요!"와 같은 식입니다. 사용자들이 이러한 임시방편(ad-hoc)적인 접근 방식을 취하는 것은 이해할 만합니다. 현대 시스템(특히 딥러닝)에서의 성능 최적화는 과학만큼이나 연금술처럼 느껴질 때가 많기 때문입니다.
그렇다고 해도, 근본적인 원리(first principles)에서부터 추론해보면 접근 방식의 상당 부분을 제외할 수 있어 문제를 훨씬 더 쉽게 해결할 수 있습니다. 예를 들어, 딥러닝에서 데이터셋의 성능을 끌어내는 것 역시 많은 추측이 필요합니다. 하지만 훈련 손실(training loss)이 테스트 손실(test loss)보다 훨씬 낮다면, 이는 '과적합(overfitting)' 상태이며, 모델의 용량을 늘리려고 시도하는 것은 시간 낭비입니다. 반대로 훈련 손실과 검증 손실이 동일하다면, 모델을 정규화(regularize)하려는 시도는 시간 낭비일 것입니다.
이와 마찬가지로, 딥러닝 시스템의 효율성은 다음 3가지 구성 요소로 이해할 수 있습니다.
- 연산(Compute): GPU가 실제 부동소수점 연산(FLOPS)을 수행하는 데 소비하는 시간
- 메모리(Memory): GPU 내부에서 텐서(tensor)를 전송하는 데 소비하는 시간
- 오버헤드(Overhead): 이외의 모든 것
머신러닝 모델 훈련과 마찬가지로, 자신이 어떤 상황(regime)에 있는지 파악하면 중요한 최적화에만 집중할 수 있습니다. 예를 들어, 메모리 전송에 모든 시간을 쓰고 있다면(즉, 메모리 대역폭 제한 상태라면) GPU의 FLOPS를 높이는 것은 아무런 도움이 되지 않습니다. 반면 거대한 행렬 곱셈(matmul)을 수행하는 데 모든 시간을 쓰고 있다면(즉, 연산 제한 상태라면), 오버헤드를 줄이기 위해 모델 로직을 C++로 다시 작성하는 것은 도움이 되지 않습니다.
따라서 GPU가 최고의 속도로 연산을 수행하게(brrrr) 만들고 싶다면, 시스템이 시간을 소비하는 세 가지 구성 요소인 연산, 메모리 대역폭, 오버헤드에 대해 논의해 보겠습니다.
참고: 이 글은 대부분 GPU와 PyTorch를 예시로 사용하지만(제가 PyTorch 팀에서 일하고 있기 때문입니다), 이 원칙들은 거의 모든 하드웨어와 프레임워크에 적용할 수 있습니다.
연산(Compute)
딥러닝 시스템 최적화에 대한 한 가지 관점은 '연산 제한(compute-bound) 상태'에 머무는 시간을 최대화하는 것입니다. 312테라플롭스라는 성능을 돈을 주고 샀으니, 이상적으로는 그 312테라플롭스를 모두 활용해야 합니다. 하지만 비싼 행렬 곱셈의 진가를 제대로 발휘하려면 다른 부분에 소요되는 시간을 줄여야만 합니다.
그렇다면 왜 메모리 대역폭이 아닌 연산량을 최대화하는 데 집중할까요? 이유는 간단합니다. 오버헤드나 메모리 비용은 줄일 수 있지만, 실제 수행하는 연산을 변경하지 않는 한 (대부분의 경우) 필요한 연산량 자체를 줄일 수는 없기 때문입니다.
연산 활용도를 극대화하기 어려운 이유는 연산 성능의 성장 속도가 메모리 대역폭의 성장 속도보다 훨씬 빠르기 때문입니다. CPU FLOPS의 배가되는 시간과 메모리 대역폭이 배가되는 시간을 비교한 표를 보면 이를 알 수 있습니다.
연산을 하나의 '공장'으로 비유해 볼 수 있습니다. 공장이 효율적으로 돌아가게(연산) 하기 위해 공장에 지시를 내리고(오버헤드), 자재를 공급(메모리 대역폭)합니다. 따라서 공장의 효율성이 자재를 공급할 수 있는 속도보다 더 빠르게 증가한다면, 공장이 최고 효율을 달성하기는 더욱 어려워집니다.
이러한 연산 활용의 어려움은 머신러닝 시스템 엔지니어들에게 영구적인 일자리를 보장해 줄 뿐만 아니라, 시스템의 병목 현상을 이해하는 것의 중요성을 더욱 부각시킵니다.
FLOPS에 대해 덧붙이자면, 현대 머신러닝 가속기에는 엔비디아의 '텐서 코어(Tensor Cores)'와 같이 행렬 곱셈에 특화된 하드웨어가 있습니다. 따라서 행렬 곱셈을 수행하지 않으면, 명시된 312테라플롭스 대신 단 19.5테라플롭스의 성능밖에 낼 수 없습니다. 이러한 특징은 GPU에만 국한되지 않습니다. 사실 TPU는 GPU보다 범용성이 훨씬 떨어집니다. GPU가 압도적인...